در گفت وگو با پلات اعلام شد
طراحی ماشین تحلیلی برای به سازی و مقاوم سازی سازه ها در مقابل زلزله
به گزارش پلات محققان پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله در مطالعات اخیر خود موفق به طراحی و ساخت ماشینی برای تحلیل و تشخیص ستون کوتاه در زلزله شدند که به قول آنها این ماشین در تعیین صدمه پذیری ساختمان های بتنی برای به سازی و مقاوم سازی لرزه ای ساختمان ها به کار می آید.
دکتر ناطقی الهی، استاد پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله در گفتگو با ایسنا، اظهار داشت: همه ساله در ایران و جهان شاهد زلزله های گوناگونی هستیم، بگونه ای که با مروری بر آمار مرگ و میر مردم در زلزله های اخیر می توان به اهمیت بحث زلزله در سازه، پی برد. بعنوان مثال در زلزله "منجیل" در سال ۱۳۶۹ حدود ۳۷ هزار نفر جان خویش را از دست دادند و علاوه بر آن ۲۰۰ هزار واحد مسکونی تخریب شده و ۵۰۰ هزار نفر هم بی خانمان شدند.
وی افزود: در زلزله بم در سال ۱۳۸۲ هم حداقل ۳۰هزار نفر جان خویش را از دست دادند. همینطور زلزله اخیر سر پل ذهاب در سال ۱۳۹۶، تعداد ۶۲۰ کشته، ۹هزار زخمی و ۷۰هزار بی خانمان بر جا گذاشت (هرچند در این آمارها اختلاف نظرهایی وجود دارد!) ازاین رو بررسی صدمه پذیری لرزه ای ساختمان ها یکی از امور مهمی است که لازم است مورد توجه بیشتری قرار گیرد.
ناطقی الهی با اشاره به اینکه بیشتر از صد سال است که از علم مهندسی زلزله در دنیا می گذرد و چند عامل بسیار مخرب در زلزله شناخته شده است، افزود: همچون این عوامل میتوان به ستون کوتاه، طبقه نرم، طبقه ضعیف، تیر قوی - ستون ضعیف، قدمت ساختمان و زوال و اضمحلال مصالح آن اشاره نمود. مطالعات گوناگونی بر روی این عوامل صورت پذیرفته است، اما تابحال با گذشت این همه سال از مطرح شدن این عوامل، متاسفانه هیچ گونه تمهید مشخصی برای تشخیص رخداد پدیده ستون کوتاه عرضه نشده است و در ادبیات فنی تنها به این جمله اکتفا می شود که "لازم است از رخداد شکست ترد جلوگیری به عمل آید" و در مورد چگونگی آن در هیچ کجای دنیا صحبتی نشده است.
این استاد پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله با اشاره به اینکه اهمیت پدیده ستون کوتاه را میتوان در زلزله سرپل ذهاب مشاهده کرد، خاطرنشان کرد: در ۱۰۰ درصد ساختمان های بتنی مسکن مهر "شهید شیرودی" سرپل ذهاب شاهد حداقل یک مورد خرابی ستون کوتاه بوده ایم که مبین متداول بودن این پدیده است، در نتیجه لازم است با تشخیص این ستون ها در ساختمان و به سازی موضعی آنها با روش های آسان و ارزان از تلفات جانی و مالی گوناگونی جلوگیری کرد. در تصاویر زیر خرابی ناشی از ایجاد ستون کوتاه در زلزله ی سرپل ذهاب نشان داده شده است.
وی از اجرای پروژه ای در این حوزه با همکاری مهندس زهرا نوری با عنوان "ارائه راهکاری جهت تشخیص زودهنگام پدیده ستون کوتاه" اطلاع داد و خاطرنشان کرد: بعد از بررسی های گسترده بر عوامل موثر بر شکل گیری این پدیده، برای نخستین بار در دنیا یک ماشین تحلیلی به منظور پیشبینی تشکیل پدیده ستون کوتاه عرضه کردیم.
ناطقی الهی افزود: در این طرح ابتدا با مدل سازی دقیق رفتار برشی ستون در نرم افزار OpenSEES و بررسی پارامترهای مختلف و استفاده از روش های مختلف یادگیری ماشین بعنوان به روزترین روش دسته بندی و تصمیم گیری، مدلی عرضه کردیم که می تواند تنها با بررسی های اولیه، ستون های کوتاه را با دقت بالای ۹۰ درصد شناسایی کند. مدل شماتیک مورد مطالعه قاب یک دهانه یک طبقه همراه با میانقاب بنایی و بازشو در شکل زیر نشان داده شده است:
این عضو هیات علمی پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله افزود: در این طرح تحقیقاتی ۲۰۰هزار قاب بتن آرمه با دیوار پرکننده بنایی همراه با بازشو و با درنظر گرفتن ۱۰ پارامتر اندازه مقطع ستون (h)، مقدار آرماتورهای طولی (ρl ) و عرضی (ρs) ستون، طول مؤثر ستون(Lc)، مقاومت فشاری بتن (f’c)، مقاومت تسلیم آرماتور(f y)، طول تیر (Lb)، نسبت نیروی محوری (P )، ارتفاع دیوار پرکننده به ارتفاع ستون(Hw ) و ضخامت دیوار(tw ) را بررسی کردیم. توزیع پارامترها به گونه ای درنظر گرفته شده بود که در اغلب ساختمان ها دیده می شود. تولید قاب ها با استفاده از الگوریتم "مونت کارلو" انجام پذیرفته است.
وی با اشاره به اینکه در گام بعدی این پژوهش، مهمترین پارامترها در ایجاد ستون کوتاه به کمک الگوریتم های یادگیری ماشین استخراج شدند، اظهار داشت: این نتایج مهندسین را از درگیر شدن با پارامترهای کم اهمیت دور می کند. الگوریتم های مورد استفاده در این قسمت شامل تحلیل مولفه اساسی (PCA)، درخت تصمیم (Decision Tree)، آزمون F (F- Test) و اطلاعات مشترک (Mutual Information) می شود. همینطور از روش های همبستگی پیرسون، کندال و اسپیرمن به این منظور استفاد شده است. از میان روش های مذکور، روش آزمون F بهتر از سایر روش ها توانسته است مهم ترین پارامترها را تشخیص دهد. در نمودار زیر ترتیب اهمیت پارامترها نشان داده شده است.
مطابق نمودار مشاهده می شود که مقدار آرماتور عرضی ستون بیشترین اهمیت را از میان سایر پارامترها دارد (که حاکی از ضرورت توجه بیشتر به مقدار و روش اجرای خاموت هاست)، این پارامتر به تنهایی حدود ۶۵ درصد در ایجاد ستون کوتاه ایفای نقش می کند.
دکتر ناطقی الهی و مهندس زهرا نوری جهت ایجاد مدل یادگیری ماشین خود یک پایگاه داده شامل تعداد ۲۰۰ هزار نمونه قاب بتن آرمه ایجاد کردند. کلیه این مدل ها توسط نرم افزار OpenSEES به صورت دقیق مورد ارزیابی واقع شده و نوع شکست آنها (خمشی یا برشی) مشخص شده است. بعد از آن ۷۰ درصد نمونه ها جهت آموزش مدل و ۳۰ درصد مابقی جهت آزمودن مدل به صورت رندوم انتخاب شدند. سپس توسط الگوریتم های رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Desicion Trees)، بیز ساده (Naive Bayes)، ماشین بردار پشتیبان (Support Vector Machines) وK نزدیکترین همسایگی (K-Nearest Neighbors) به بررسی داده ها پرداخته شد. از میان الگوریتم های فوق الگوریتم KNN و Desicion Tree با دقت ۹۳ درصد بیشترین دقت را دارند.
این پژوهشگران در این مطالعات ماشین هایی را آموزش دادند که می توانند با دریافت ورودی ها (پارامترهای موثر) تشکیل یا عدم تشکیل ستون کوتاه را تشخیص دهند، این در شرایطی است که تا کنون در هیچ آئین نامه ای در سطح دنیا معیاری دقیق جهت تشخیص ستون کوتاه عرضه نشده است.
این محققان در ادامه این ماشین را تنها با در نظر گرفتن دو پارامتر اصلی آموزش دادند که به نتایج بسیار مناسبی دست پیدا کردند، به صورتی که ماشین تحلیلی پیشنهادی در این حالت قادر به تشخیص ستون های کوتاه با دقت بالای ۸۰ درصد است.
به قول آنها، تکنیک های یادگیری ماشین عرضه شده می تواند ستون های کوتاه را با دقت و سرعت بسیار بالا شناسایی کند و مهندسین را از مدل سازی های پیچیده و تحلیل های زمان بر برهاند.
به قول ناطقی الهی یکی از مهم ترین موارد کاربرد تکنیک پیشنهادی استفاده از آن جهت رتبه بندی و اولویت بندی صدمه پذیری ساختمان های بتنی برای اقدامات به سازی و مقاوم سازی لرزه ای ساختمان ها است. این ابزار سریع و قدرتمند می تواند توسط جامعه مهندسی و همینطور تصمیم گیرندگان مدیریت کلان در حوزه ساختمان به کار گرفته شود.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب