تعمیم نسل جدید روابط کاهندگی برای پیش بینی بیشینه شتاب زمین با استفاده از روش تحلیل بازنمونه گیری از داده ها
Publish place: Journal of Earthquake Engineering Sciences، Vol: 6، Issue: 4
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 221
This Paper With 23 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_BESE-6-4_005
تاریخ نمایه سازی: 8 آبان 1400
Abstract:
پیشبینی واقعگرایانه بیشینه شتاب زمین (PGA)، به منظور استفاده در طراحی سازه های مقاوم در برابر زلزله، به خصوص در مناطق لرزه خیز از اهمیت ویژه ای برخوردار است. با استفاده از تحلیل خطر احتمالاتی زلزله، میزان لرزه خیزی یک منطقه هنگام وقوع زلزله مشخص میگردد. بنابراین یکی از مهم ترین بخشهای تحلیل خطر، پیشبینی جنبشهای نیرومند زمین میباشد که توسط روابطی موسوم به روابط کاهندگی به دست می آیند. مرکز مطالعات مهندسی زلزله (Peer) روابطی را تحت عناوین روابط کاهندگی NGA-West۱ و NGA-West۲ برای کل جهان ارائه نموده است. ازآنجاکه یک رابطه کاهندگی باید بتواند در برابر آزمونهای آماری نظیر آزمون تحلیل بازنمونه گیری از داده ها که اخیرا توسط آذربخت و همکاران [۱] ارائه گردیده است، نتایج مطلوبی را در بر داشته باشد، بنابراین در این پژوهش سعی می شود ضرایب برخی روابط کاهندگی نسل جدید نظیر کمپبل و بزرگ نیا [۲]، آبراهامسون و سیلوا [۳] و رابطه بور و اتکینسون [۴] بر اساس مجموعه داده های منتشر شده توسط مرکز مطالعات مهندسی زلزله و با بهره گیری از الگوریتم ژنتیک چند هدفه، برای بیشینه شتاب زمین، بهینه سازی شوند. نتایج بیانگر تطبیق خوب روابط به دست آمده در برابر سایر آزمون های آماری میباشد. انتظار میرود بتوان از نتایج حاصل از این پژوهش در تحلیل خطر احتمالاتی زلزله بهره گرفت.
Keywords:
تحلیل خطر لرزه ای , روابط کاهندگی نسل جدید , الگوریتم ژنتیک چند هدفه , تحلیل حساسیت , کاتالوگ لرزه ای
Authors
علیرضا آذربخت
گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه اراک، اراک، ایران
حامد زینلی
دانشکده فنی مهندسی، دانشگاه اراک، اراک، ایران
زینت رجبی
دانشکده فنی مهندسی، دانشگاه اراک، اراک، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :