عنوان مقاله :
درنظر گرفتن اثرات عدم قطعيت هاي مدلسازي بر منحني شكنندگي فروريزش با استفاده از شبكه هاي عصبي مصنوعي
عنوان فرعي :
Considering effects of modeling uncertainties on collapse fragility curve by artificial neural networks
پديد آورندگان :
خجسته فر، احسان نويسنده دانشجوي دكتري سازه، دانشكده مهندسي عمران، دانشگاه صنعتي خواجه نصير الدين طوسي، تهران Khojastehfar, E , بهشتي اول، سيد بهرام نويسنده دانشيار، دانشكده مهندسي عمران، دانشگاه صنعتي خواجه نصير الدين طوسي، تهران Beheshti Aval, S.B , نصرالله زاده ، كوروش نويسنده استاديار، دانشكده مهندسي عمران، دانشگاه صنعتي خواجه نصير الدين طوسي، تهران Nasorllahzadeh, K , ذوالفقاري، محمد رضا نويسنده دانشيار، دانشكده مهندسي عمران، دانشگاه صنعتي خواجه نصير الدين طوسي، تهران Zolfaghari, M.R
اطلاعات موجودي :
فصلنامه سال 1393 شماره 0
كليدواژه :
سازه هاي قاب خمشي , شبيه سازي مونت كارلو. , عدم قطعيت معرفتي , منحني شكنندگي فروريزش , شبكه هاي عصبي مصنوعي
چكيده فارسي :
در اين مقاله اثرات عدم قطعيت هاي دانش ناشي از تغييرات موجود در پارامترهاي مدل ممان –چرخشاصلاحشدهايبارا–كراوينكلر در سازه هاي فولادي با استفاده از تحليل شبيه سازي مونت كارلو بر مبناي شبكه هاي عصبي مصنوعي دخيل شده اند. آموزششبكهموردنظربااستفادهازداده-هاي ورودي منتج از تعداد محدودي شبيه سازي متغيرهاي مدل سازي بر مبناي توزيع هاي احتمالي آنها و مقادير خروجي ميانگين و انحراف استاندارد منحني هاي شكنندگي فروريزش انجام شده است. دو شبكه دو لايه با استفاده از داده هاي به دست آمده، آموزش و صحت سنجي شده اندو سپس با استفاده از روش شبيه سازي مونت كارلو بر مبناي شبكه آموزش ديده منحني شكنندگي فروريزش نهايي به دست آمده است.كارايي روش پيشنهادي با مقايسه نتايج با نتايج حاصل از روش مونت كارلو بر مبناي سطح پاسخ نشان داده شده است. خطاي پيش بيني به ترتيب براي مقادير ميانگين و انحراف استاندارد، به ميزان 22% و 2% با استفاده از شبكه عصبي پيشنهادي نسبت به روش سطح پاسخ كاهش يافته است.
چكيده لاتين :
In this paper, effects of epistemic uncertainties due to variation of modified Ibarra-Krawinkler moment-rotation parameters of steel structures are involved in collapse fragility curves applying Monte Carlo simulation based on Artificial Neural Networks (ANNs). Training the networks is accomplished by limited simulations for input parameters based on their probability distributions and resultant calculated means and standard deviations of collapse fragility curves as outputs. Two two-layered artificial neural networks are trained and validated by obtained data. Monte Carlo simulation is implemented through application of trained neural networks and resultant collapse fragility curves are derived. Efficiency of the proposed method is demonstrated by comparing with response surface based Monte Carlo method. Prediction errors are reduced by 22% and 2% applying ANN-based Monte Carlo simulations for mean and standard deviation of collapse fragility curves, respectively.
عنوان نشريه :
مكانيك سازه ها و شاره ها
عنوان نشريه :
مكانيك سازه ها و شاره ها
اطلاعات موجودي :
فصلنامه با شماره پیاپی 0 سال 1393
كلمات كليدي :
#تست#آزمون###امتحان
