طراحی لرزه‌ای مبتنی بر عملکرد با کمک یادگیری ماشین برای قاب‌های خمشی بتن آرمه

دو قاب بتن مسلح می‌توانند نسبت دریفت یکسانی داشته باشند، اما سطوح خسارت بسیار متفاوتی را تجربه کنند.

همین مشاهده ساده بود که مرا به این مطالعه علاقه‌مند کرد. دریفت میان‌طبقه اوج یکی از آشناترین کمیت‌هایی است که در طراحی لرزه‌ای به کار می‌بریم. اما وقتی به اتصالات تیر-ستون بتن مسلح نزدیک می‌شویم، رابطه میان دریفت و خسارت کمتر سرراست می‌شود.

نسبت دریفت یکسان لزوماً به معنای عملکرد لرزه‌ای یکسان نیست.

این پرسش پایه مقاله‌ای شد که با خوشحالی به اشتراک می‌گذارم:

مشکل با محدودیت‌های دریفت

رویه‌های خطی طراحی لرزه‌ای که در آیین‌نامه‌های ساختمانی تجویز می‌شوند، معمولاً یک حد از پیش تعیین‌شده برای نسبت دریفت میان‌طبقه‌ای اوج تعیین می‌کنند. مهندس دریفت را محاسبه می‌کند، آن را با این حد مقایسه می‌کند و اگر پاسخ برآورده شد، فرض می‌کند که سازه به هدف عملکردی مورد نظر خود دست یافته است.

اما خسارت لرزه‌ای و افت مقاومت در اتصالات تیر-ستون بتن مسلح (RCBCC) تحت نسبت‌های دریفت اوج یکسان، به‌طور قابل‌توجهی به‌عنوان تابعی از مشخصات سازه‌ای و هندسی آن‌ها تغییر می‌کند. نسبت دریفت به‌تنهایی نمی‌تواند سطح عملکرد لرزه‌ای یک سازه را به‌طور کامل مشخص کند.

دو ستون با دریفت یکسان ممکن است در موارد زیر متفاوت باشند:

• نسبت و جزئیات آرماتور
• سطح بار محوری
• نسبت دهانه برشی به عمق
• کیفیت محصورسازی
• حالت شکست (خمشی، برشی یا ترکیبی)

یک آستانه دریفت واحد، همه این‌ها را معادل در نظر می‌گیرد. در حالی که معادل نیستند.

پرسشی که در پی پاسخ آن بودم

اگر دریفت به‌تنهایی نمی‌تواند به‌طور قابل‌اعتماد سطح عملکرد را نشان دهد، آیا می‌توانیم از اطلاعاتی که در حال حاضر از طراحی متعارف در دسترس است استفاده کنیم و به یادگیری ماشین اجازه دهیم سطح عملکرد واقعی را تشخیص دهد؟

این درباره جایگزینی قضاوت مهندسی نیست. درباره دادن چشم‌های بهتر به مهندسان است تا آنچه اعداد متعارف گاهی پنهان می‌کنند را ببینند.

رویکرد: یادگیری از ۲۳۶ آزمایش چرخه‌ای

با یک پایگاه داده آزمایشگاهی شامل ۲۳۶ زیرمجموعه تیر-ستون بتن مسلح تحت بارگذاری چرخه‌ای کار کردم. هر نمونه دارای منحنی نیرو-تغییرشکل و مشخصات سازه‌ای و هندسی معلوم است.

از این مجموعه داده، مقادیر آستانه نسبت دریفت اوج متناظر با سطوح عملکرد لرزه‌ای (PL) تعریف‌شده توسط ASCE 41-23 را استخراج کردم:

• IO — بهره‌برداری بی‌وقفه
• DC — کنترل خسارت
• LS — ایمنی جانی
• CP — جلوگیری از فروریزش

نتیجه چشمگیر بود. برای یک سطح عملکرد مشخص — مثلاً ایمنی جانی — دامنه نسبت‌های دریفت اوج در سراسر نمونه‌هایی با مشخصات سازه‌ای متفاوت گسترده بود. همپوشانی دامنه‌ها میان سطوح عملکرد مجاور تأیید کرد که دریفت به‌تنهایی نمی‌تواند آن‌ها را از هم متمایز کند.

این دقیقاً جایی است که یک مدل یادگیری می‌تواند کمک کند.

نُه مدل یادگیری ماشین، یک مدل یادگیری عمیق

نُه مدل طبقه‌بندی سطحی یادگیری ماشین همراه با یک مدل یادگیری عمیق را مقایسه کردم تا ببینم هرکدام تا چه حد می‌توانند سطوح عملکرد لرزه‌ای را از ویژگی‌های ورودی تشخیص دهند.

بهترین عملکرد متعلق به طبقه‌بند Extra Trees (ET) بود که به دقت ۸۸٪ در مجموعه داده آزمون دست یافت.

اما دقت به‌تنهایی کافی نبود. سه گام اضافی برداشتم تا اطمینان حاصل کنم که مدل قابل‌اعتماد است، نه فقط به‌خوبی برازش‌شده:

• بهینه‌سازی بیزی (BayesSearchCV) — برای تنظیم فراپارامتر، کارآمدتر از جستجوی شبکه‌ای یا تصادفی
• اعتبارسنجی متقابل پنج‌تایی تودرتو — برای ارزیابی قابلیت تعمیم و کاهش خطر برازش بیش‌ازحد، که به‌ویژه با توجه به اندازه متوسط مجموعه داده اهمیت دارد
• تحلیل SHAP — برای درک اینکه کدام ویژگی‌ها در واقع پیش‌بینی‌ها را هدایت می‌کنند

تحلیل SHAP یکی از بخش‌هایی است که به نظر من ارزشمندترین است. این تحلیل نه‌تنها می‌گوید مدل کار می‌کند، بلکه می‌گوید چرا. کدام ویژگی‌های سازه‌ای برای تمایز میان بهره‌برداری بی‌وقفه و ایمنی جانی مهم‌ترند؟ کدام ویژگی‌ها اساساً نویز هستند؟ برای یک مهندس، این تفسیرپذیری به‌اندازه دقت اهمیت دارد.

اعتبارسنجی عملی

در نهایت، چارچوب را از طریق یک مطالعه موردی عملی طراحی لرزه‌ای آزمودم. هدف تأیید این بود که روش‌شناسی می‌تواند در یک سناریوی طراحی واقعی به کار رود — نه فقط در مجموعه داده آموزش.

چارچوب با موفقیت سطوح عملکرد لرزه‌ای سازه مورد مطالعه را شناسایی کرد و پتانسیل خود را به‌عنوان یک کمک طراحی عملی نشان داد.

این برای عمل چه معنایی دارد

این مقاله در تلاقی دو جهت قرار می‌گیرد که به‌طور فزاینده‌ای مهم می‌دانم:

طراحی مبتنی بر عملکرد — جایی که از در نظر گرفتن یک حد دریفت واحد به‌عنوان کافی دست می‌کشیم و شروع به پرسیدن این می‌کنیم که سازه در واقع چه سطح عملکردی را انتظار می‌رود به دست آورد.

روش‌های داده‌محور در مهندسی زلزله — جایی که از حجم عظیم داده‌های آزمایشگاهی جمع‌آوری‌شده در طول دهه‌ها برای اطلاع‌رسانی تصمیم‌های بهتر استفاده می‌کنیم.

این جایگزینی آزمایش تجربی یا تحلیل غیرخطی نیست. مکمل است — راهی برای استفاده از داده‌هایی که پیش‌تر وجود دارند برای بهبود دقت تصمیم‌های طراحی.

نکته گسترده‌تر: با رشد پایگاه‌های داده آزمایشگاهی ما، توانایی ما برای یادگیری از آن‌ها نیز رشد می‌کند. مقالاتی مانند این، یک گام در آن جهت هستند.

دسترسی به مقاله

مقاله کامل در Bulletin of Earthquake Engineering در دسترس است:

https://doi.org/10.1007/s10518-026-02598-3

اگر دسترسی به نشریه ندارید و نسخه‌ای برای اهداف پژوهشی می‌خواهید، در تماس باشید.

مفاهیم مرتبط در واژه‌نامه لرزه‌ای

اگر می‌خواهید در مفاهیم ارجاع‌شده در اینجا عمیق‌تر شوید، این مدخل‌ها از واژه‌نامه لرزه‌ای PHK مستقیماً مرتبط هستند:

• دریفت طبقه — پارامتری که این مقاله آن را زیر سؤال می‌برد
• طراحی مبتنی بر عملکرد — چارچوبی که مقاله در آن عمل می‌کند
• شکل‌پذیری — خاصیت کلیدی اتصالات بتن مسلح مورد مطالعه
• یادگیری ماشین — روش‌شناسی به‌کاررفته
• شبیه‌سازی مونت‌کارلو — روش‌های احتمالاتی مرتبط

ارجاع

اگر از این کار استفاده یا به آن ارجاع می‌دهید، لطفاً به این صورت استناد کنید: