پیش بینی مقاومت نهایی تیرورق های تحت اثر بار موضعی به‌کمک ماشین بردار پشتیبان (SVM)

مهندسی عمران فردوسی

مقاله 8، دوره 28، شماره 2 - شماره پیاپی 16، فروردین 1395، صفحه 109-124   

نوع مقاله: یادداشت پژوهشی

شناسه دیجیتال (DOI): 10.22067/civil.v28i2.63162

نویسندگان

علیرضا کردجزی؛ فریدون پویانژاد؛ فرزاد شهابیان^*

دانشگاه فردوسی مشهد

چکیده

در سال های اخیر روش های یادگیری ماشین به طور گسترده در مدل سازی مسائل علوم مختلف مورد استفاده قرار گرفته اند. روش ماشین بردار پشتیبان نیز یکی از روش های نسبتاً جدید یادگیری ماشینی است که در مدل سازی مسائل مهندسی به طور موفقیت‌آمیز مورد استفاده قرار گرفته است. در این پژوهش از روش ماشین بردار پشتیبان برای پیش بینی مقاومت نهایی تیرورق های تحت اثر بارهای موضعی استفاده شده است. بارهای موضعی یکی از انواع بارگذاری ها است که می تواند سبب بروز ناپایداری و گسیختگی تیرورق ها شود. عوامل مهم و مؤثر در ناپایداری تیرورق ها، از قبیل کمانش جان وبال و ایجاد لهیدگی در محل اتصال بال به جان، باعث پیچیده شدن رفتار تیرورق ها می‌شود. به همین دلیل نتایج روش های نیمه تجربی موجود و یا نتایج تحلیل این مسئله با روش اجزای محدود همواره با خطاهای قابل توجهی همراه بوده است و نیاز به روش های کارآ تر هم چنان وجود دارد. در این مقاله از یک مجموعه داده شامل 126 نمونه از نتایج آزمایش های موجود برای گسترش مدل ماشین بردار پشتیبان استفاده شده است. این داده ها از مقالات منتشرشده استخراج شده اند و هر نمونه شامل مشخصات هندسی تیرورق، مشخصات بارگذاری و مشخصات مکانیکی مصالح تیر ورق می باشد. مقایسۀ نتایج حاصل از مدل های ارائه‌شده در این مقاله با مقادیر اندازه گیری‌شده، خطای متوسط کمتر از %7 را بر روی نمونه های آزمایش نشان می دهد و درنهایت مقایسۀ نتایج مدل‌های ارائه‌شده در این مقاله با یک روش سنتی متداول، برتری مدل SVM را تأیید می کند.

کلیدواژه‌ها

تیرورق‌ها؛ بارهای موضعی؛ ماشین بردار پشتیبان

مراجع

1. Fonseca, E. T., Vellasco, C. G., Andrade, A.L., and Vellasco, B. R. "A Patch Load Parametric Analysis Using Neural Networks", Journal of Constructional Steel Research , Vol. 59, pp. 251-267, (2003).

2. شهابیان، فرزاد و رجبی مشهدی، حبیب، "تخمین مقاومت نهایی تیرورق‌های تحت اثر بارهای موضعی به کمک شبکه‌های عصبی مصنوعی"، نشریه مهندسی عمران و نقشه برداری، دانشکده فنی، دوره 45، شماره 1، فروردین 1390، صفحه 17 تا 22، (1390).

3. Dibike,Y.B.,Velikov,S., Solomatine, D., and Abbot, M.B. "Model induction with support vector machines-introduction and applications", J. Comput. Civ. Eng., ASCE, No. 3, Vol. 15, pp. 208-216, (2001).

4. Li, C., and, Liu,Q., "Support vector machine based semi-active control of structures: a new control strategy". Struct. Design Tall Spec. Build., Published online in Wiley Interscience (www.interscience.wiley.com). DOI: 10.1002/tal, pp. 557, (2009).

5. Samui, P., "Support vector machine applied to settlement of shallow foundations on cohesionless soils", Computers and Geotechnics, No. 3, Vol. 35, pp. 419 - 427, (2008).

6. Smola, A. J., and Scolkopf, B., "Tutorial on support vector regression, NeuroCOLT2 technical report series", NC2-TR-1998-03, (1998).

7. Cristianini, N., and Shaw-Taylor, J., "An introduction to support vector machines and other kernel-based learning methods", Cambridge: Cambridge University Press, (2000).

8. Samui, P., Sitharam, T. G., and Kurup, P. U., "OCR prediction using support vector machine based on piezocone data", J. Geotech. and Geoenv. Eng., ASCE, No. 6, Vol. 134, pp. 894-898, (2008).

9. Granath, P., "Serviceability Limit State of I-Shaped Steel Girders Subjected to Patch Loading", Journal of Constructional Steel Research, Vol. 54, pp. 387-408, (2000).

10. Roberts, T.M, and Newark, A. C. B. "Strength of webs subjected to compressive edge loading", Journal of Structural Engineering, No.2, Vol. 123, pp. 176-183, (1997).

11. Markovic, N., and Hajdin, N., "A contribution to the analysis of the behavior of plate girders subjected to patch loading", Journal of Constructional Steel Research, Vol. 21, pp. 163-173, (1992).

12. Kutmanova, I., and Skaloud, M., "Ultimate limit state of slender steel webs subject to (i) constant an (ii) repeated partial edge loading", Journal of Constructional Steel Research, Vol. 21, pp. 147-162, (1992).

13. Roberts, T.M., and Rockey, K.C. "A mechanism solution for predicting the collapse loads of slender plate girders when subjected to in-plane loading", Proceedings of the Institution of Civil Engineers, Part 2, No. 1, Vol. 67, pp. 155-175, (1979).

14. Goh, A. T. C., and Goh, S. H., "Support vector machines: their use in geotechnical engineering as illustrated using seismic liquefaction data", Computers and Geotechnics, No. 5, Vol. 34, pp. 410–421, (2007).

15. Pooya Nejad, F., Jaksa, M. B., Kakhi, M. and McCabe, B. A., "Prediction of pile settlement using artificial neural networks based on standard penetration test data", Computers and Geotechnics, No. 7, Vol. 36, pp. 1125–1133, (2009).

16. Smith, M., "Neural network for statistical modeling", New York; Van Nostrand-Reinhold, (1993).

17. Hecht-Nielson, R., Neurocomputing. Addison-Wesley, Publishing Company, Reading, MA, (1990).