تخمين قابليت اطمينان فروريزش سازه با استفاده از روش سطح پاسخ و هيبريد شبكه‌هاي عصبي- فازي با الگوريتم‌هاي فرا‌ابتكاري

Estimation of Structural Collapse Reliability via Response Surface Method and a Hybrid of Neuro-Fuzzy Networks with Meta-heuristic Algorithms

به­ دليل اهميت اثرات فروريزش، تمركز اصلي اين تحقيق بر تخمين قابليت اطمينان فروريزش در سازه­ هاي پيچيده است كه فرم صريح تابع شرايط حدي براي آن­ها وجود ندارد، در اين تحقيق، پارامترهاي مربوط به منحني ممان - چرخش اصلاح‌شده ايبارا (Ibarra)، مدينا (Medina) و كراوينكلر (Krawinkler) مربوط به مفاصل پلاستيك متمركز در تيرها و ستون ها در سازه­ هاي قاب خمشي به ­عنوان عدم قطعيت ­هاي شناختي در نظر گرفته شده است. با توجه به عدم وجود تابع حالت حدي صريح در تعيين قابليت اطمينان فروريزش سازه، ابتدا با استفاده از روش­ هاي شبيه ­سازي، 105 نمونه بر مبناي مشخصات آماري و توزيع احتمالاتي عدم قطعيت­ ها با در نظرگرفتن همبستگي بين آن­ها، توليد مي ­شود و با لحاظ كردن 44 شتاب‌نگاشت و استفاده از تحليل­ هاي ديناميكي افزايشي (IDA) پاسخ فروريزش سازه براي نمونه­ هاي توليدي به­ دست مي­ آيد و تابع حالت حدي ضمني براي سازه ايجاد مي ­شود. براي توليد تابع حالت حدي صريح از روش سطح پاسخ استفاده شده و سپس با به­ كارگيري روش ­هاي مرتبه اول، مرتبه دوم قابليت اطمينان و روش مونت كارلو (Monte Carlo)، قابليت اطمينان فروريزش سازه تخمين­ زده مي­ شود. در مرحله بعد با استفاده از تابع حالت حدي ضمني توليد شده، با به‌كارگيري شبكه ­هاي عصبي- فازي هيبريد شده با الگوريتم­ هاي فراابتكاري در تركيب با روش مونت كارلو قابليت اطمينان فروريزش سازه تخمين زده مي ­شود. نتايج نشان مي­ دهند كه با استفاده از روش سطح پاسخ و هيبريد شبكه­ هاي عصبي- فازي با الگوريتم­ هاي فراابتكاري مي­توان قابليت اطمينان فروريزش سازه را با خطاي ناچيز و دقت قابل‌قبول تخمين زد.

Earthquakes are catastrophic natural phenomena that occasionally lead to the collapse of structures. Considering the importance of collapse impacts, the present study primarily focuses on estimating the reliability of collapse probability for complicated structures for which no explicit limit state functions exist. Different simulation methods are used for combining uncertainties, including the Monte Carlo, Latin Hypercube Sampling, and the importance of sampling approaches. Simulation methods require several samples to cover the probabilistic distribution of uncertainties. To deal with this problem, the response surface method (RSM) and artificial neural networks (ANNs) integrated with the simulation method have been proposed for reducing the computation effort (Beheshti-Aval et al., 2015; Khojastehfar et al., 2015). Common methods applied to evaluate reliability include 1) reliability-based methods, involving the first-order reliability method (FORM) and second-order reliability method (SORM) and 2) Monte Carlo simulation methods (Nowak and Collins, 2000).