طراحی ماشین تحلیلی برای بهسازی و مقاومسازی سازهها در برابر زلزله
خلاصه خبر : محققان پژوهشگاه بینالمللی زلزله شناسی و مهندسی زلزله در مطالعات اخیر خود موفق به طراحی و ساخت ماشینی برای تحلیل و تشخیص ستون کوتاه در زلزله شدند که به گفته آنها این ماشین در تعیین آسیب پذیری ساختمانهای بتنی برای بهسازی و مقاوم سازی لرزهای ساختمانها کاربرد دارد.
دکتر ناطقی الهی، استاد پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله در گفتوگو با ، گفت: همه ساله در ایران و جهان شاهد زلزلههای متعددی هستیم، به گونهای که با مروری بر آمار مرگ و میر مردم در زلزلههای اخیر میتوان به اهمیت بحث زلزله در سازه، پی برد. به عنوان مثال در زلزله “منجیل” در سال ۱۳۶۹ حدود ۳۷ هزار نفر جان خود را از دست دادند و علاوه بر آن ۲۰۰ هزار واحد مسکونی تخریب شده و ۵۰۰ هزار نفر نیز بیخانمان شدند.
در زلزله بم در سال ۱۳۸۲ نیز حداقل ۳۰هزار نفر جان خود را از دست دادند. همچنین زلزله اخیر سر پل ذهاب در سال ۱۳۹۶، تعداد ۶۲۰ کشته، ۹هزار زخمی و ۷۰هزار بیخانمان بر جا گذاشت (هرچند در این آمارها اختلاف نظرهایی وجود دارد!) بنابراین بررسی آسیب پذیری لرزهای ساختمانها یکی از امور مهمی است که لازم است مورد توجه بیشتری قرار گیرد.
ناطقی الهی با بیان اینکه بیش از صد سال است که از علم مهندسی زلزله در دنیا میگذرد و چند عامل بسیار مخرب در زلزله شناخته شده است، ادامه داد: از جمله این عوامل میتوان به ستون کوتاه، طبقه نرم، طبقه ضعیف، تیر قوی – ستون ضعیف، قدمت ساختمان و زوال و اضمحلال مصالح آن اشاره کرد. مطالعات متعددی بر روی این عوامل صورت پذیرفته است، اما تاکنون با گذشت این همه سال از مطرح شدن این عوامل، متاسفانه هیچ گونه تمهید مشخصی برای تشخیص رخداد پدیده ستون کوتاه ارائه نشده است و در ادبیات فنی تنها به این جمله اکتفا می شود که “لازم است از رخداد شکست ترد جلوگیری به عمل آید” و در مورد چگونگی آن در هیچ کجای دنیا صحبتی نشده است.
این استاد پژوهشگاه بینالمللی زلزلهشناسی و مهندسی زلزله با بیان اینکه اهمیت پدیده ستون کوتاه را میتوان در زلزله سرپل ذهاب مشاهده کرد، یادآور شد: در ۱۰۰ درصد ساختمانهای بتنی مسکن مهر “شهید شیرودی” سرپل ذهاب شاهد حداقل یک مورد خرابی ستون کوتاه بودهایم که بیانگر متداول بودن این پدیده است، در نتیجه لازم است با تشخیص این ستونها در ساختمان و بهسازی موضعی آنها با روشهای آسان و ارزان از تلفات جانی و مالی متعددی جلوگیری کرد. در تصاویر زیر خرابی ناشی از ایجاد ستون کوتاه در زلزلهی سرپل ذهاب نشان داده شده است.
وی از اجرای پروژهای در این زمینه با همکاری مهندس زهرا نوری با عنوان “ارائه راهکاری جهت تشخیص سریع پدیده ستون کوتاه” خبر داد و یادآور شد: پس از بررسیهای گسترده بر عوامل موثر بر شکلگیری این پدیده، برای اولین بار در دنیا یک ماشین تحلیلی به منظور پیشبینی تشکیل پدیده ستون کوتاه ارائه کردیم.
ناطقی الهی اضافه کرد: در این طرح ابتدا با مدلسازی دقیق رفتار برشی ستون در نرم افزار OpenSEES و بررسی پارامترهای متعدد و استفاده از روشهای مختلف یادگیری ماشین به عنوان به روزترین روش دسته بندی و تصمیم گیری، مدلی ارائه کردیم که میتواند تنها با بررسیهای اولیه، ستونهای کوتاه را با دقت بالای ۹۰ درصد شناسایی کند. مدل شماتیک مورد مطالعه قاب یک دهانه یک طبقه همراه با میانقاب بنایی و بازشو در شکل زیر نشان داده شده است:
این عضو هیات علمی پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله اضافه کرد: در این طرح پژوهشی ۲۰۰هزار قاب بتن آرمه با دیوار پرکننده بنایی همراه با بازشو و با درنظر گرفتن ۱۰ پارامتر اندازه مقطع ستون (h)، مقدار آرماتورهای طولی (ρl ) و عرضی (ρs) ستون، طول مؤثر ستون(Lc)، مقاومت فشاری بتن (f’c)، مقاومت تسلیم آرماتور(f y)، طول تیر (Lb)، نسبت نیروی محوری (P )، ارتفاع دیوار پرکننده به ارتفاع ستون(Hw ) و ضخامت دیوار(tw ) را بررسی کردیم. توزیع پارامترها به گونهای درنظر گرفته شده بود که در اکثر ساختمانها دیده میشود. تولید قابها با استفاده از الگوریتم “مونت کارلو” انجام پذیرفته است.
وی با بیان اینکه در گام بعدی این پژوهش، مهمترین پارامترها در ایجاد ستون کوتاه به کمک الگوریتمهای یادگیری ماشین استخراج شدند، گفت: این نتایج مهندسین را از درگیر شدن با پارامترهای کم اهمیت دور میکند. الگوریتمهای مورد استفاده در این قسمت شامل تحلیل مولفه اساسی (PCA)، درخت تصمیم (Decision Tree)، آزمون F (F- Test) و اطلاعات مشترک (Mutual Information) میشود. همچنین از روشهای همبستگی پیرسون، کندال و اسپیرمن به این منظور استفاد شده است. از میان روشهای مذکور، روش آزمون F بهتر از سایر روشها توانسته است مهمترین پارامترها را تشخیص دهد. در نمودار زیر ترتیب اهمیت پارامترها نشان داده شده است.
مطابق نمودار مشاهده میشود که مقدار آرماتور عرضی ستون بیشترین اهمیت را از میان سایر پارامترها دارد (که حاکی از لزوم توجه بیشتر به مقدار و نحوه اجرای خاموتهاست)، این پارامتر به تنهایی حدود ۶۵ درصد در ایجاد ستون کوتاه ایفای نقش میکند.
دکتر ناطقی الهی و مهندس زهرا نوری جهت ایجاد مدل یادگیری ماشین خود یک پایگاه داده شامل تعداد ۲۰۰ هزار نمونه قاب بتن آرمه ایجاد کردند. کلیه این مدلها توسط نرم افزار OpenSEES به صورت دقیق مورد ارزیابی واقع شده و نوع شکست آنها (خمشی یا برشی) مشخص شده است. پس از آن ۷۰ درصد نمونهها جهت آموزش مدل و ۳۰ درصد مابقی جهت آزمودن مدل به صورت رندوم انتخاب شدند. سپس توسط الگوریتمهای رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Desicion Trees)، بیز ساده (Naive Bayes)، ماشین بردار پشتیبان (Support Vector Machines) وK نزدیکترین همسایگی (K-Nearest Neighbors) به بررسی دادهها پرداخته شد. از میان الگوریتمهای فوق الگوریتم KNN و Desicion Tree با دقت ۹۳ درصد بیشترین دقت را دارند.
این پژوهشگران در این مطالعات ماشینهایی را آموزش دادند که میتوانند با دریافت ورودیها (پارامترهای موثر) تشکیل یا عدم تشکیل ستون کوتاه را تشخیص دهند، این در حالی است که تا کنون در هیچ آیین نامهای در سطح دنیا معیاری دقیق جهت تشخیص ستون کوتاه ارائه نشده است.
این محققان در ادامه این ماشین را تنها با در نظر گرفتن دو پارامتر اصلی آموزش دادند که به نتایج بسیار مناسبی دست پیدا کردند، به صورتی که ماشین تحلیلی پیشنهادی در این حالت قادر به تشخیص ستونهای کوتاه با دقت بالای ۸۰ درصد است.
به گفته آنها، تکنیکهای یادگیری ماشین ارائه شده میتواند ستونهای کوتاه را با دقت و سرعت بسیار بالا شناسایی کند و مهندسین را از مدلسازیهای پیچیده و تحلیلهای زمانبر برهاند.
به گفته ناطقی الهی یکی از مهمترین موارد کاربرد تکنیک پیشنهادی استفاده از آن جهت رتبه بندی و اولویت بندی آسیب پذیری ساختمانهای بتنی برای اقدامات بهسازی و مقاوم سازی لرزهای ساختمانها است. این ابزار سریع و قدرتمند میتواند توسط جامعه مهندسی و همچنین تصمیم گیرندگان مدیریت کلان در حوزه ساختمان به کار گرفته شود.
شما به انتهای مطلب ‘طراحی ماشین تحلیلی برای بهسازی و مقاومسازی سازهها در برابر زلزله ‘ رسیده اید.
[ این مطلب در بخش ایمنی و حوادث سایت مهندسین HSE منتشر شده است. ]