پديد آورندگان :
ميرزائي، جواد دانشگاه صنعتي شريف - دانشكده ي مهندسي عمران، تهران، ايران , اميري، حسين دانشگاه صنعتي شريف - دانشكده ي مهندسي عمران، تهران، ايران , خالقي، حامد دانشگاه صنعتي شريف - دانشكده ي مهندسي عمران، تهران، ايران , كاشاني، حامد دانشگاه صنعتي شريف - دانشكده ي مهندسي عمران، تهران، ايران
كليدواژه :
مقاوم‌سازي لرزه‌يي , تخمين هزينه , يادگيري ماشين , رگرسيون
چكيده فارسي :
براي مقاوم‌سازي لرزه‌يي ساختمان‌هاي مصالح بنايي، شيوه‌هاي متعددي، مانند: شاتكريت، تسمه‌ي فولادي و پليمر تقويت شده با فيبر وجود دارد. هر يك از روش‌هاي مذكور، ويژگي‌ها و هزينه‌هاي متفاوتي دارند. در مطالعه‌ي حاضر، با استفاده از ظرفيت‌هاي يادگيري ماشين به توسعه‌ي چهار نوع مدل رگرسيون: خطي چندگانه، رگرسيون لاسو، رگرسيون ستيغي و رگرسيون شبكه‌ي كشسان، به تخمين هزينه‌ي مقاوم‌سازي ساختمان‌هاي مصالح بنايي پرداخته شده است. براي مدل‌سازي، از داده‌هاي 167 پروژه‌ي مقاوم‌سازي لرزه‌يي ساختمان‌هاي بنايي مربوط به مدارس ايران استفاده شده است. بر اساس نتايج به دست آمده، صرف‌نظر از شيوه‌ي مقاوم‌سازي، ارتفاع و مساحت كل زيربناي ساختمان، مؤثرترين متغيرها در تخمين هزينه‌ي مقاوم‌سازي لرزه‌يي بوده‌اند. در مدل‌هاي مربوط به روش‌هاي پليمر تقويت شده با فيبر و نيز شاتكريت، متغير نيابتي مساحت ديوارهاي جانبي در هزينه‌هاي برآورد شده تأثير گذاشته‌اند. همچنين متغير نيابتي مقاومت جانبي اضافه شده از متغيرهاي اصلي تأثيرگذار در مدل‌هاي روش شاتكريت شناخته شده است.
چكيده لاتين :
Retrofit actions are amongst the most commonly used measures for reducing the seismic vulnerability of buildings. For any given building, multiple seismic retrofit options are often available. Each option has specific requirements, cost, and performance. Estimating the cost of each candidate action is essential to the selection, planning, and implementation of seismic retrofit initiatives. Primary cost estimation plays a vital role in allocating budget for retrofit projects. Past studies used a variety of methods to develop cost estimation models. This research harnesses the capabilities of various regression models via modern machine learning methods for cost estimation. A dataset from 167 retrofit projects for masonry school buildings in Iran was used to develop models. Three main retrofit actions were implemented in the projects, namely Shotcrete, Steel belt, and Fiber reinforced polymer. Several regression methods including multiple linear regression, ridge regression, lasso regression, and also elastic net regression were applied to the dataset. The proposed framework comprised 12 models, which were attained by four regression methods on three retrofit actions. The cross-validation method was used for model evaluation in order to use all available data for training and testing. The model at the beginning of the development process contained all the probable effective parameters. Next, to increase the simplicity and accuracy of the models, a simple model reduction method was implemented. This model reduction method eliminated almost two-thirds of the parameters in the majority of basic models. Then, the candidate models were evaluated in terms of quantity and quality of prediction, heteroscedasticity, autocorrelation of residuals, and non-normality. This paper identifies the height of the building as the most influential parameter governing retrofit cost. Furthermore, lateral area of walls, footprint area, and added lateral strength are influential in the mentioned retrofit actions. This research contributes to enhancing the understanding of the factors, the effects, and the costs of the retrofit actions.
