طراحی مدل‌ساز شبکه عصبی در مقطع تیر کاهش‌یافته بر اساس داده‌های ga بهینه سازی شده

امروزه راه حل های مهندسی که ایمنی ساکنین را تضمین می کند و در عین حال به نگرانی های اقتصادی توجه می کند، در مهندسی سازه مطرح می شوند. محققین سازه در ساخت سازه های فلزی با آزمایش های دقیق، اتصالات با سطح مقطع کوچکتر را مورد مطالعه قرار دادند که عملکرد رضایت بخشی را در قاب های خمشی فولادی تحت بارهای چرخه ای مختلف نشان داده است. یک نقص قابل توجه در تحقیقات قبلی عدم تمرکز بر مقرون به صرفه بوده است. علاوه بر این، مطالعات موجود به جای تلاش برای ابعاد بهینه در این روابط، عمدتاً بر انواع منحصربفرد اتصالات متمرکز شده اند یا به شدت بر روش های آزمون و خطا تکیه کرده اند. این مطالعه تجزیه و تحلیل و بهینه سازی انواع مختلف اتصالات را ارائه می دهد. به طور خاص، اتصالات بخش مقطع کاهش یافته(rbs) با استفاده از نرم افزار abaqus از طریق تحلیل دینامیکی و روش های عددی مدل سازی شدند. در ادامه، خروجی این تحلیل ها با استفاده از الگوریتم ژنتیک (ga) در متلب پردازش شد. داده های بهینه تولید شده توسط ga به عنوان ورودی مناسب برای مدل سازی شبکه های عصبی عمل می کند و اصلاح طرح ها را تسهیل می کند. با استفاده از دو شبکه عصبی، طول و مقطع بهینه اتصالات rbs تعیین می شود که منجر به نتایج طراحی دقیق تر، افزایش کارایی طراحی، کاهش زمان اجرای پروژه و در نهایت صرفه جویی در هزینه می شود.

design of neural network modeler in reduced beam section based on optimized ga data

nowadays, engineering solutions, that guarantee the safety of residents and at the same time pay attention to economic concerns, are proposed in structural engineering.structural researchers have investigated connections with smaller cross-section in metal structures, demonstrating satisfactory performance in steel bending frames under various cyclic loads. a significant shortcoming of previous research has been the insufficient focus on cost-effectiveness. in addition, many studies have predominantly concentrated on specific types of connections or relied heavily on trial-and-error methods instead of optimizing the dimensions of these connections. this study presents the analysis and optimization of various joint types. specifically, reduced beam section (rbs) joints were modeled using abaqus software through dynamic analysis and numerical methods. the outputs from these analyses were then processed using a genetic algorithm (ga) in matlab. the optimal data generated by the ga served as suitable input for neural network modeling, facilitating design refinements. utilizing two neural networks, the optimal length and cross-section of rbs connections were determined, resulting in more accurate design outcomes, enhanced design efficiency, reduced project execution time, and ultimately, cost savings.