پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,029 |
| تعداد مشاهده مقاله | 67,082,943 |
| تعداد دریافت فایل اصل مقاله | 7,656,400 |
مدل‌‌سازی و تخمین طول مفصل پلاستیک ستون های بتن‌آرمه به کمک شبکه‌های عصبی مصنوعی | ||
| مدل سازی در مهندسی | ||
| مقاله 1، دوره 10، شماره 29، تیر 1391، صفحه 1-17 اصل مقاله (891.79 K) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1612 | ||
| نویسندگان | ||
| علیرضا مرتضایی* ؛ علی خیرالدین | ||
| تاریخ دریافت: 09 بهمن 1395، تاریخ بازنگری: 04 اسفند 1403، تاریخ پذیرش: 09 بهمن 1395 | ||
| چکیده | ||
| شبکه‌های عصبی مصنوعی تا حدودی از مغز انسان الگوبرداری شده‌اند و همان‌گونه که مغز انسان می‌تواند با استفاده از تجربیات قبلی و مسائل از پیش یادگرفته، مسائل جدید را تحلیل و تجزیه نماید، شبکه‌های عصبی نیز در صورت آموزش قادرند بر مبنای اطلاعاتی که به ازای آن‌ها آموزش دیده‌اند، جواب‌های قابل قبول ارائه دهند و نیز می‌توان از آن‌ها به طور نامحدود در ارائه جواب به اطلاعاتی که قبلا با آن‌ها مواجه نبوده‌اند، استفاده نمود. به منظور ساده‌سازی تخمین تغییرمکان ستون‌های بتن‌آرمه، انحناهای غیرالاستیک در مفاصل پلاستیک معمولا در طول ناحیه مفصل پلاستیک ثابت فرض می‌شوند. بنابراین اگر طول مفصل پلاستیک شناخته شود، تغییرمکان انتهای یک ستون را می‌توان به راحتی با انتگرال‌گیری انحناها و برعکس بدست آورد. در این مقاله از شبکه‌های عصبی مصنوعی برای تحلیل و بررسی رفتار ستون‌های بتن‌آرمه در سطح مولفه‌ای، شامل تعیین طول مفصل پلاستیک، استفاده شده و نتایج قابل قبول و مطلوبی بدست آمده است. به کمک نتایج حاصل از 150 آزمایش بر روی ستون‌های بتن‌آرمه و مدل شبکه عصبی مصنوعی پیشنهادی مشخصات مفصل پلاستیک شامل طول مفصل پلاستیک به گونه‌ای ارائه شده که با ارائه اطلاعات لازم به این شبکه‌ها در زمانی کمتر از چند دهم ثانیه می‌توان از مشخصات مفاصل پلاستیک اطلاع حاصل نمود. داده‌های ورودی به سه دسته آموزش، ارزیابی و آزمایش تقسیم شده که 70 درصد داده‌ها برای آموزش، 20 درصد برای ارزیابی و 10 درصد برای آزمایش در نظر گرفته می‌شوند. خطاهایی که در طول روند یادگیری بوجود می‌آیند نشان‌دهنده میزان اختلاف بین مقادیر ورودی (آزمایشگاهی) و مقادیر پیش‌بینی‌شده می‌باشند. با در‌نظر گرفتن خطاهای محاسبه‌شده و میزان تاثیر هر یک از پارامترهای ورودی بر طول مفصل پلاستیک، رابطه‌ای ارائه شده است که با استفاده از این رابطه مقادیر اصلی اندازه‌گیری‌شده برای طول مفصل پلاستیک، بدست می‌آیند. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ طول مفصل پلاستیک؛ سیکل یادگیری؛ ستون بتن‌آرمه | ||
| عنوان مقاله [English] | ||
| MODELING AND ESTIMATION OF PLASTIC HINGE LENGTH OF RC COLUMNS USING ARTIFICIAL NEURAL NETWORKS | ||
| نویسندگان [English] | ||
| Mortezaei؛ Kheyroddin | ||
| چکیده [English] | ||
| Artificial neural networks are computing systems that simulate the biological neural systems of human brain. ANNs are structures deliberately designed to mimic and utilize the organizational principles observed in the human brain. Although three dimensional nonlinear dynamic analyses of RC buildings provide valuable information about their behavior, they are expensive and time-consuming. Using ANN based models it is possible, at comparatively low cost and effort, to predict the response of complex RC structures provided that adequate input layers with correct input parameters are chosen and trained. They also enable the designer to rapidly compute the three dimensional response of buildings during the preliminary design stage. In these models the goal is to drastically reduce the computational effort. In this paper, ANN based models were employed as an alternative to determine the plastic hinge length of reinforced concrete columns. This study has shown the feasibility of the potential use of ANN models in determining the response of columns subjected to earthquakes. The promising results observed in the dynamic analysis of RC columns indicate that the ANN models enable the designers to rapidly evaluate the response of columns during the preliminary design stage. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Plastic Hinge Length, RC Columns | ||
|
آمار تعداد مشاهده مقاله: 1,120 تعداد دریافت فایل اصل مقاله: 1,010 |
||