کنترل سازه‌‌های جداشده هوشمند غیرخطی با استفاده از کنترل‌‌کننده بهینه pid تطبیقی مبتنی بر شبکه عصبی

هدف مقاله حاضر پیشنهاد یک رهیافت کنترل تطبیقی از کنترل‌کننده pid موسوم به کنترل‌‌کننده ann -opid است به‌طوری‌که با بهره‌‌گیری هم‌‌زمان از مزیت‌‌های کنترل‌کننده کلاسیک pid و شبکه‌‌های عصبی قادر باشد با توجه‌ به تغییرات نوع زلزله، نسبت به کنترل‌کننده بهینه pid با ضرایب ثابت، عملکرد لرزه‌‌ای بهتری را فراهم نماید. در این رهیافت با استفاده از تخمین دینامیک سیستم سازه‌ای به‌وسیله بلوک شبکه عصبی، پارامترهای کنترل‌کننده pid به‌صورت تطبیقی تنظیم می‌‌شود. ارزیابی عملکرد لرزه‌ای کنترل‌کننده پیشنهادی در مقایسه با کنترل‌کننده بهینه متداول pid برای یک سازه 8 طبقه هوشمند جداشده در پایه در معرض زلزله‌های مختلف نزدیک و دور از گسل مقایسه شده است. به‌طور میانگین، نتایج به‌دست‌آمده برای سازه موردمطالعه در معرض شش زلزله نشان می‌‌دهند که کنترل‌‌کننده tlbo pid منجر به کاهش 24% و 25% بیشینه جابه‌جایی تراز جداساز و جذر میانگین مربعات آن، افزایش 24% و 11% بیشینه شتاب و جذر میانگین مربعات آن در طبقات روسازه و افزایش 6% و 6% بیشینه جابه‌جایی نسبی و جذر میانگین مربعات آن در طبقات روسازه شده است. بااین‌حال رهیافت کنترل‌کننده پیشنهادی ann- opid سبب کاهش 35% و 33% بیشینه جابه‌جایی تراز جداساز و جذر میانگین مربعات آن، کاهش 9% و 7% بیشینه شتاب و جذر میانگین مربعات آن در طبقات روسازه و کاهش 5% و 6% بیشینه جابه‌جایی نسبی و جذر میانگین مربعات آن در طبقات روسازه شده است؛ بنابراین کنترل‌‌کننده پیشنهادی ann -opid ضمن کاهش چشمگیر جابه‌جایی تراز جداساز، شتاب و جابه‌جایی نسبی طبقات روسازه را نیز کاهش می‌‌دهد، درحالی‌که که کاهش جابه‌جایی تراز جداساز درنتیجه بهر‌‌ه‌‌گیری از کنترل‌کننده tlbo- pid به هزینه‌ افزایش شتاب و جابه‌جایی نسبی طبقات روسازه حاصل می‌شود.

control of smart non linear base isolated structures using optimal adaptive neural network based pid controller

this paper aims to propose an adaptive control approach for the pid controller known as ann opid controller with simultaneous use of the advantages of the classical pid controller and neural networks so that it can provide better seismic performance than the optimal pid controller tuned by the teaching–learning based optimization (tlbo) algorithm. in this approach, the structural dynamic is estimated using a neural network block and hence the parameters of the pid controller are adjusted adaptively. the seismic performance evaluation of the proposed controller is compared with the conventional optimal pid controller for an 8 story smart base isolated structure subjected to various near field and far field earthquakes. overall, the results obtained for the studied structure subjected to six earthquakes show that the tlbo pid controller leads to a reduction of 24% and 25% in the maximum base displacement and its root mean square (rms), an increase of 24% and 11% in the maximum acceleration and its rms of superstructure floors and an increase of 6% and 6% in the maximum drift and its rms of superstructure floors. however, the proposed ann opid controller approach causes a reduction of 35% and 33% in the maximum base displacement and its rms, a reduction of 9% and 7% in the maximum superstructure acceleration and its rms, and a reduction of 5% and 6% in the maximum drift and its rms of superstructure floors. consequently, the proposed ann opid controller can give a simultaneous reduction of the base displacement, acceleration, and drift of superstructure floors, while the tlbo pid controller reduces the base displacement at the cost of an increase in acceleration and drift of superstructure floors.