ارزیابی عملکرد لرزه ای مبتنی بر هوش مصنوعی

با تداوم حرکت صنعت ساخت وساز به سوی دیجیتالی شدن، پژوهش فعلی من بر نقطه تلاقی مهندسی سازه و هوش مصنوعی تمرکز دارد. هدف اصلی این پروژه، توسعه و اعتبارسنجی یک چارچوب پیش بینی کننده با دقت بالا برای پاسخ لرزه ای غیرخطی سازه های فولادی بلندمرتبه است. روش های سنتی ارزیابی لرزه ای، مانند «تحلیل تاریخچه زمانی غیرخطی» (NTHA)، از نظر محاسباتی بسیار سنگین هستند و زمان و منابع قابل توجهی را می طلبند؛ موضوعی که اغلب کاربرد آن ها را در فرآیندهای طراحی تکرارپذیر یا ارزیابی های سریع ایمنی، محدود می کند.

در این پژوهش، من از الگوریتم های پیشرفته یادگیری ماشین (ML)، به ویژه مدل های یادگیری عمیق تحت نظارت (Supervised)، برای پر کردن این شکاف استفاده می کنم. هدف من این است که با آموزش این مدل ها بر روی مجموعه داده های گسترده از شبیه سازی های سازه ای — که شامل انواع مختلف رکوردهای جنبش زمین و پیکربندی های سازه ای است — یک «مدل جایگزین» (Surrogate Model) ایجاد کنم. این مدل قادر است شاخص های کلیدی عملکرد لرزه ای، مانند نسبت دریفت طبقات و تغییر شکل های باقی مانده را، با دقتی بسیار بالا و با صرف تنها کسری از زمان و هزینه محاسباتی مورد نیاز در روش های سنتی، پیش بینی کند.در حال حاضر، پروژه در مرحله «جمع آوری داده ها» و «مهندسی ویژگی ها» قرار دارد؛ مرحله ای که در آن با دقت بالایی به فیلتر کردن داده های لرزه ای و بهینه سازی پارامترهای سازه ای می پردازم تا از استحکام و قابلیت اطمینان مدل اطمینان حاصل کنم. فراتر از بحث صرف پیش بینی، این کار به دنبال تسهیل پایش سلامت سازه به صورت هم زمان (Real-time) و حمایت از مهندسان در اتخاذ تصمیمات مبتنی بر داده در مرحله بهینه سازی طراحی است. با اجرای موفقیت آمیز این رویکرد مبتنی بر هوش مصنوعی، قصد دارم در توسعه نسل بعدی زیرساخت های شهری تاب آور و مقرون به صرفه مشارکت کنم. تعهد من به این پژوهش، منعکس کننده یک هدف حرفه ای گسترده تر است: ادغام ابزارهای محاسباتی پیشرفته در مهندسی عمران کاربردی، تا در نهایت ایمنی و قابلیت اطمینان ساختمان های مدرن با اسکلت فولادی را در برابر مخاطرات طبیعی شدید افزایش دهم