محمدرضا پرویزی - دانشجوی مهندسی سازه دانشکده مهندسی عمران، دانشگاه زنجان
کیارش ناصراسدی - دانشیار و عضو هیئت علمی دانشکده مهندسی عمران، دانشگاه زنجان

در این مطالعه، هدف اصلی پیش بینی دقیق پارامترهای توابع شکنندگی قاب های فولادی کوتاه مرتبه بااستفاده از شبکه های عصبی مصنوعی با معماری بهینه شده با الگوریتم های بهینه یابی است. نتایج نشاننسبت به سایر الگوریتم های بهینه سازی، در کاهش تابع هزینه، عملکرد بهتر و PSO دادند که الگوریتمموثرتری دارد.برای این تحقیق، از داده های تحلیلی ۳۰۶۲ قاب خمشی فولادی کوتاه مرتبه استفاده شد که بر اساسویرایشات مختلف آیین نامه لرزه ای ایران برای تمام حالات مختلف طراحی تهیه شده اند. سپس، بابهره برداری از معماری بهینه شده بر اساس تعداد نورون ها و نرخ یادگیری آموزشی، شبکه های عصبیآموزش داده شدند. نتایج حاصل در این تحقیق، نشان داد که شبکه های عصبی با معماری بهینه شده،عملکرد بهتر و موثرتری نسبت به شبکه های عصبی با معماری غیربهینه، در پیش بینی بر اساس این داده هادارند. برا ی نمایش عملکرد شبکه های بهینه، نتایج پیش بینی و داده های واقعی در نمونه های مختلف ارائهشد. بنابراین، می توان گفت که بهینه سازی شبکه های عصبی توانسته است تا به افزایش قابل ملاحظه دقتپیش بینی توابع شکنندگی منجر شود.

تابع شکنندگی لرزه ای، قاب خمشی فولادی، شبکه عصبی مصنوعی، آیین نامه لرزه ای ایران، روش های بهینه یابی