پارامترهای بهینه میراگر جرمی تنظیم شده برای سازه‌های بلند به کمک شبکه‌های‌عصبی مصنوعی

میراگرهای جرمی تنظیم شده، tmd نوعی از جاذب‌های انرژی هستند که اگر پارامترهای فرکانس و میرایی آن‌ها به‌خوبی تنظیم شوند می‌توانند ارتعاشات سازه‌ها را کاهش دهند. برای شناسایی این پارامترها روابط تحلیلی و تجربی بسیاری ارائه شده است، که هر یک از این روابط با ساده ‌سازی‌هایی در سازه و بارگذاری آن بدست آمده است. در این مقاله از شیوه‌ای جدید برای بدست آوردن این پارامتر‌ها استفاده شده است. ابتدا سازه‌هایی با تعداد طبقات مختلف (8 تا 80 طبقه) در محیط کد نویسی متلب ایجاد شده‌اند. پس از دست‌یابی به ماتریس‌های سختی، میرایی و جرم این سازه‌ها، برنامه وارد محیط سیمولینک می‌شود، و سازه همراه با tmd در محدوده تقریبی پارامترهای بهینه، تحت زلزله‌های مختلف قرار می‌گیرد. در نهایت پارامتر‌های مناسب برای بیشترین کاهش در جابجایی سازه، شناسایی می‌شوند. سپس با داشتن آمار کامل از سازه‌ها با ارتفاع‌های مختلف، کار آموزش شبکه عصبی آغاز می‌شود. به این ترتیب شبکه عصبی مورد نظر پس از آموزش دیدن می‌تواند با دریافت ورودی‌هایی همچون فرکانس و نسبت جرمی tmd، مقادیری همچون فرکانس و میرایی tmd را به‌عنوان خروجی ارائه کند. با استفاده از این روش مشاهده شده است که خطاهای موجود در فرکانس و میرایی بهینه tmd، نسبت به روابط تجربی دن‌‌هارتوگ کاهش قابل ملاحظه‌ای داشته است. بنابراین استفاده از نتایج این شیوه می‌تواند به عنوان پارامترهای بهینه tmd، با اطمینان بیشتری مورد استفاده قرار گیرد. در پایان، این مقادیر با روابط ارائه شده توسط دن هارتوگ روی یک ساختمان بلند مرتبه مقایسه شده است.