بهینه سازی مصرف فولاد با نسبت طول دهانه به ارتفاع طبقه در سازه های باقاب خمشی به روش شبکه عصبی مصنوعی

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 635

This Paper With 9 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CESC15_254

تاریخ نمایه سازی: 12 دی 1393

Abstract:

دیدگاه لرزهای از این منظر بر ساخت و ساز تاثیر دارد که میتوان با بهینه سازی مناسب در سازه فشار ناشی از زلزله را بر روی ساختمان کم نماید. این بهینه سازی را میتواند به گونه های مختلف بر ساختمان اعمال کرد. ولی در مورد تمامی ساختمانها وزن سازه همیشه مسئلهای بنیادین و مهم بوده است. همان طور که میدانید از آنجا که در ایران یکی از بحرانهای اساسی در طراحی و ا جرای سازه مربوط به منابع مالی در ساخت و ساز میباشد. امروزه نیاز به مدیریت و پیش بینی در این زمینه بیش از بیش احساس میشود. یکی از نوینترین راهکارهای مدیریت هزینه پیش از آغاز کار، تخمین صحیح مقدار فولاد مصرفی در ساختمانهای فولادی میباشد. بر مبنای تخمین اولیه مناسب وزن اسکلت وابسته به مشخصات پایه طرح، طراح میتواند در انتخاب مشخصات سازهای مناسب و شروع طراحی بر مبنای آن اقدام نماید. در تحقیق حاضر بر مبنای روش شبکه عصبی و آموزش آن توسط یک جامعه آماری متنوع شامل ساختمانهای متنوع فولادی خمشی طراحی شده بر مبنای آیین نامه های داخلی به روش LRFD راهی برای برآورد وزن اسکلت وابسته به برخی مشخصات کلی سیستم ارائه شده است تا بتوان تاثیر نسبت طول دهانه به ارتفاع طبقه را بر وزن نماش دهد. نتایج بدست آمده از روش های بکار گرفته شده نشان میدهد که برای بهینه نمودن وزن ساختمان میتوان از نسبتهای خاصی از طول دهانه به ارتفاع طبقه استفاده نمود. این نسبت در خصوصیات مختلف ساختمانی متغیر است که از نظر لرزه ای و نیز اقتصادی باعث بهینه سازی ساختمان می شود.

Keywords:

سازه های فولادی , شبکه عصبی , نسبت طول به دهانه

Authors

سید شاکر هاشمی

دانشگاه خلیج فارس بوشهر

مسعود زارعی

دانشگاه خلیج فارس بوشهر

عبدالرضا فاضلی

دانشگاه خلیج فارس بوشهر

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 :