|
|
|
|
بهینه سازی قاب های بتن آرمه بر اساس عملکرد با استفاده از الگوریتم های فراکاوشی و شبکۀ عصبی
|
|
|
|
|
|
|
|
نویسنده
|
دانش مسعود
|
|
منبع
|
تحقيقات بتن - 1399 - دوره : 13 - شماره : 4 - صفحه:67 -81
|
|
چکیده
|
هدف اصلی در بهینه سازی قابهای بتن آرمه براساس عملکرد، کاهش هزینه های ساخت با الزام ارضای قیدهای دریفت طبقات و چرخش مفاصل پلاستیک اعضا می باشد. در این تحقیق از الگوریتم های فراکاوشی اجتماع ذرات، برخورد اجسام، کرم شب تاب، کلونی مورچگان و خفاش، برای بهینه سازی قاب های بتن آرمۀ 3 و 6 طبقه براساس عملکرد استفاده شده، نتایج حاصله از الگوریتم های فوق با هم مقایسه شده اند. بهینه سازی سازه های بتن آرمه، بسیار پیچیده تر از سازه های فولادی می باشد. علت این امر، وجود اندازه های مختلف برای ابعاد اعضا و آرایش های متفاوت برای آرماتورگذاری میباشد. در این تحقیق با توجه به هزینۀ محاسباتی بالای ارزیابی عملکرد لرزه ای سازهها، برای افزایش سرعت محاسبات و کاهش زمان عملیات، از شبکه های عصبی استفاده شده است. نتایج عددی، عملکرد مناسب تر الگوریتم برخورد اجسام در مقایسه با سایر الگوریتم های فراکاوشی را نشان می دهد.
|
|
کلیدواژه
|
بهینه سازی قاب های بتن آرمه بر اساس عملکرد، الگوریتم اجتماع ذرات pso، الگوریتم کلونی مورچگان aco، الگوریتم خفاش bat، الگوریتم برخورد اجسامecbo، الگوریتم کرم شب تاب fa.
|
|
آدرس
|
دانشگاه ارومیه, دانشکدۀ فنی خوی, گروه عمران, ایران
|
|
پست الکترونیکی
|
m.danesh@urmia.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Performance-based Optimization of Reinforced Concrete Frames by Means of Meta-Heuristic Algorithms & Neural Network
|
|
|
|
|
Authors
|
Danesh Masood
|
|
Abstract
|
The mean objective of performance based optimization of reinforced concrete frames (RC) is to reduce the cost of construction by requiring the satisfaction of the interstory drifts and rotation of the plastic joints of the members. In this research, two 3 6 stories RC performancebased optimized by Particle Swarm (PSO), Enhanced Colliding Bodies (ECBO), firefly Algorithm (FA),Ants Colony (ACO) and Bat (BAT) metaheuristic algorithms, then compare results with together. Optimization of RC is much complicated than Steel frames, because different dimensions of members configuration of reinforcing. Due to the high cost of seismic performance evaluation of structures, in this research, neural networks used to increase the computational speed reduce the operating time. Numerical results show the proper performance of the ECBO in comparison with other metaheuristic algorithms.Also, the results of different algorithms do not show much difference.For further evaluation of the results, it is recommended to Calculate its Collapse Margin Ratios.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|