منحني شكنندگي لرزه اي پل بتني با معيار شكل پذيري ستون و رويكرد شبكه عصبي

Development of Seismic Fragility of Concrete Bridge with Column Ductility Measure and Neural Network Approach

هدف اين مطالعه، ارائه منحني هاي شكنندگي لرزه اي پل بزرگراهي بر مبناي پيش بيني هاي مبتني بر شبكه عصبي است. در سال هاي اخير، منحني هاي شكنندگي، علاوه بر روشهاي تجربي و كارشناسي، اغلب با استفاده از روش تحليلي تهيه مي شود. در اين مطالعه،منحني هاي شكنندگي لرزه اي پل خميده افقي بر مبناي پيش بيني هاي شبكه عصبي و تمركز بر روي شاخص شكل پذيري ستون بتني با استفاده از 129ركورد زمين لرزه نشان داده مي شود.ركوردهاي لرزه اي متناسب با ساختگاه در شدت هاي لرزه اي مختلف مقياس شده اند. با انجام 1677 تحليل ديناميكي غيرخطي در نرم افزار OpenSees، منحني هاي تحليل ديناميكي افزايشي(IDA) ترسيم شد. استخراج ويژگيهاي ركوردهاي زمين لرزه بعنوان ورودي و شكل پذيري ستونهاي بتني از تحليل هاي ديناميكي غيرخطي پل، بعنوان خروجي، متغيرهاي مدنظر در ايجاد ساختار شبكه عصبي است. تعيين مجموعه ويژگيهاي مختلف ركورد هاي لرزه اي كه بتواند خصوصيات مختلف ركوردها در شدت هاي لرزه اي مختلف را نشان دهد، معرف آن ركورد لرزه اي در شبكه عصبي است. بديهي است اين مشخصه ها به نحو مطلوبي با خسارت سازه اي مرتبط است. با انتقال مجموعه ويژگي هاي ركورد هاي لرز اي متفاوت (ماتريس n×m) به داده هايي با همان ويژگيهاي مجموعه ورودي لرزه اي (ماتريس p×m ، p

The objective of the present research approach based on soft computing (neural network) in the evaluation of seismic fragility of the highway bridge. In addition to the empirical methods and expert’s judgmental, seismic fragility curves are often determined by using analytical method in Structures, recently. The derivation of seismic fragility curves of the horizontal curved bridge based on the neural network with a focus on concrete column ductility measure by using 129 seismic records is performed. Earthquake records have been chosen from the PEER strong motion database and scaled on 0.1g to 1.3g. By using 1677 nonlinear dynamic analysis, incremental dynamic analysis (IDA) curves was drawn. Characteristics of earthquake ground motion as input and extraction of nonlinear dynamic analysis of columns ductility as output, are variables in building the neural network. Feature Extraction different records in different seismic intensity represents a seismic record neural network. Obviously, these characteristics are properly associated with structural damage. By transforming collection features different seismic record (matrix n×m) to the data with the same characteristics of seismic input (matrix p×m, p