|
|
ارزیابی و تخمین ضریب رفتار قابهای فولادی تحت زلزلههای متوالی بحرانی با استفاده از شبکه عصبی مصنوعی
|
|
|
|
|
نویسنده
|
روزرخ سحر ,رجبی الهام ,قدرتی امیری غلامرضا
|
منبع
|
مهندسي عمران اميركبير - 1400 - دوره : 53 - شماره : 8 - صفحه:3517 -3534
|
چکیده
|
سازههای مستقر در ﻣﻨﺎﻃﻖ ﻓﻌﺎل ﻟﺮزهای اﻏﻠﺐ در ﻣﻌﺮض زلزلههای متوالی ﻗﺮار دارﻧﺪ که لرزه ها با شدت قابل ملاحظه در مدتزمان کوتاهی پس از یکدیگر رخ می دهند. بررسیهای انجام شده بر گستره وسیعی از پاسخهای سازه تحت توالی لرزهای از جمله خسارت، شکلپذیری، جابهجایی و ضریب رفتار حاکی از آن است که لرزههای متوالی بسته به شدت، اثرهای قابلتوجهی بر نیازهای مختلف سازه میگذارند. ﺿﺮﯾﺐ رﻓﺘﺎر به عنوان ﯾﮑﯽ از ﭘﺎراﻣﺘﺮﻫﺎی قابلتوجه در ﺑﺮرﺳﯽ رﻓﺘﺎر ﺳﺎزه، نیرویهای جانبی زلزله را کاهش داده و ﺳﺎزه با تحمل ﺗﻐﯿﯿﺮﺷﮑﻞﻫﺎی غیرارتجاعی، ﻣﻘﺪار زﯾﺎدی اﻧﺮژی زﻟﺰﻟﻪ را ﺟﺬب ﮐﺮده ﮐﺎﻫﺶ پیدا کرده و سازهها برای نیروی کمتری نسبت به مقداری که رفتار ارتجاعی در سازه ایجاد میکند، طراحی میشوند. با توجه به پتانسیل خسارت زایی لرزه های متوالی و اهمیت پارامتر ضریب رفتار در عملکرد سازه، این مقاله به محاسبه و تخمین این پارامتر در قاب های فولادی در معرض زلزله های متوالی بحرانی می پردازد. در این راستا، قاب های خمشی فولادی 3، 7 و 11 طبقه مطابق ضوابط آئیننامههای لرزهای ایران، طراحی و در نرم افزار opensees مدلسازی شده اند. در ادامه سناریوهای لرزهای منفرد و متوالی بحرانی ثبتشده انتخاب و ضرایب رفتار قابهای خمشی فولادی بر اساس نتایج حاصل از تحلیل دینامیکی فزاینده، تاریخچه زمانی و استاتیکی غیرخطی استخراج شده است. نتیجهها حاکی از کاهش 12 درصدی ضریب رفتار به دلیل وجود لرزه های متوالی بحرانی در سناریوی لرزه ای و افزایش خسارات در مقایسه با حالت منفرد است. در پایان به منظور تخمین ضرایب رفتار کاهش یافته قاب های فولادی در معرض زمین لرزه های متوالی بحرانی، شبکه های عصبی با استفاده از ویژگی های قاب ها، خصوصیات زلزله های متوالی و ضرایب رفتار استخراج شده از تحلیل های فوق طراحیشده است. مقایسه ضرایب رفتار پیشبینی شده با مقادیر واقعی بیانگر قابلیت مناسب شبکه ها در تخمین نتیجهها است.
|
کلیدواژه
|
زمینلرزههای متوالی بحرانی، ضریب رفتار، قاب خمشی فولادی، تحلیل دینامیکی فزاینده، شبکههای عصبی مصنوعی
|
آدرس
|
دانشگاه علم و صنعت ایران, دانشکده مهندسی عمران، مرکز مطالعات مخاطرات طبیعی, ایران, دانشگاه تفرش, دانشکده مهندسی عمران, ایران, دانشگاه علم و صنعت ایران, دانشکده مهندسی عمران، مرکز مطالعات مخاطرات طبیعی, ایران
|
پست الکترونیکی
|
ghodrati@iust.ac.ir
|
|
|
|
|
|
|
|
|
evaluation of behavior factors for steel moment frames under critical consecutive earthquakes using artificial neural network
|
|
|
Authors
|
rouzrokh sahar ,rajabi elham ,ghodrati amiri gholamreza
|
Abstract
|
structures that are located in seismic active regions are often subjected to successive earthquakes which occurred with significant pga in a short time after each other. studies about different responses of the structures under seismic sequence phenomena, such as structural damage, ductility, displacement, and behavioral factor indicate that the successive earthquakes, depending on their severity, have significant effects on the different demands of structures. for instance, the behavior factor (r factor) is one of the significant parameters in the study of structural response that decreases the lateral forces induced by earthquakes. therefore, the structure with non-elastic deformations absorbs a great amount of earthquake energy, thus the earthquake energy decreases considerably. regarding the potential loss of successive earthquakes and the importance of behavioral factors, this paper calculates and estimates this parameter for steel moment frames under critical successive earthquakes. thus, three steel moment frames with 3, 7, and 11 stories are designed according to iranian seismic codes (standard no. 2800) and modeled in opensees software. after the design of these frames, critical seismic scenarios with/without successive shocks, are selected and the r factors of steel moment frames are calculated from the results of incremental dynamic analysis (ida(, time history, and nonlinear static analysis (pushover). the results showed about a 12% reduction in the r factor and, also an increment of damages under successive earthquakes comparing to the individual one. finally, to estimate the r factor, artificial neural networks are designed using frame properties, successive earthquakes, and extracted behavior factors. the comparison of predicted behavior factors with real values indicated the ability of networks for the estimation of results.
|
|
|
|
|
|
|
|
|
|
|
|
|