توسعه توابع شکنندگی سازه‌های فولادی و بتنی خمشی کوتاه مرتبه با استفاده از یادگیری ماشین

ارزیابی دقیق آسیب‌پذیری لرزه‌ای سازه‌ها، یکی از مهم‌ترین چالش‌های مهندسی زلزله است. توابع شکنندگی، ابزارهایی هستند که به کمک آن‌ها می‌توان احتمال وقوع خرابی در سازه‌ها را تحت تاثیر شدت‌های مختلف زلزله مدل‌سازی کرد. به دلیل پیچیدگی‌های موجود در رفتار سازه‌ها، روش‌های سنتی مبتنی بر تحلیل‌های عددی و آزمایش‌های تجربی زمانبر هستند. این مقاله به بررسی استفاده از روش‌های یادگیری ماشین، به‌ویژه شبکه‌های عصبی مصنوعی(ann) و الگوریتم‌های پیشرفته یادگیری عمیق برای توسعه و بهینه‌سازی توابع شکنندگی می‌پردازد. ابتدا، از شبکه‌های عصبی برای مدل‌سازی توابع شکنندگی سازه‌های فولادی استفاده شده است. سپس، با استفاده از الگوریتم‌های بهینه‌سازی مانند pso، دقت و کارآیی این توابع بهبود یافته است. در نهایت، برای تکمیل پایگاه‌های داده و بهبود پیش‌بینی‌ها، از مدل‌های یادگیری عمیق مانند خودرمزگذار استفاده شد. نتایج نشان می‌دهد که این روش‌ها می‌توانند به‌ طور قابل‌توجهی دقت پیش‌بینی‌ها را افزایش داده و هزینه‌های محاسباتی را کاهش دهند.