طراحی ماشین تحلیلی برای به سازی و مقاوم سازی سازه ها در برابر زلزله - آب مایه حیات

به گزارش آب مایه حیات، محققان پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله در مطالعات اخیر خود پیروز به طراحی و ساخت ماشینی برای تحلیل و تشخیص ستون کوتاه در زلزله شدند که به گفته آنها این ماشین در مشخص آسیب پذیری ساختمان های بتنی برای به سازی و مقاوم سازی لرزه ای ساختمان ها کاربرد دارد.

دکتر ناطقی الهی، استاد پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله در گفت وگو با آب مایه حیات، گفت: همه ساله در ایران و جهان شاهد زلزله های متعددی هستیم، به گونه ای که با مروری بر آمار مرگ و میر مردم در زلزله های اخیر می ­توان به اهمیت بحث زلزله در سازه، پی برد. به عنوان مثال در زلزله منجیل در سال 1369 حدود 37 هزار نفر جان خود را از دست دادند و علاوه بر آن 200 هزار واحد مسکونی تخریب شده و 500 هزار نفر نیز بی ­خانمان شدند.

وی ادامه داد: در زلزله بم در سال 1382 نیز حداقل 30هزار نفر جان خود را از دست دادند. بعلاوه زلزله اخیر سر پل ذهاب در سال 1396، تعداد 620 کشته، 9هزار زخمی و 70هزار بی خانمان بر جا گذاشت (هرچند در این آمارها اختلاف نظرهایی وجود دارد!) بنابراین آنالیز آسیب پذیری لرزه ای ساختمان ها یکی از امور مهمی است که ضروری است مورد توجه بیشتری قرار گیرد.

ناطقی الهی با بیان اینکه بیش از صد سال است که از علم مهندسی زلزله در جهان می گذرد و چند عامل بسیار مخرب در زلزله شناخته شده است، ادامه داد: از جمله این عوامل می توان به ستون کوتاه، طبقه نرم، طبقه ضعیف، تیر قوی - ستون ضعیف، قدمت ساختمان و زوال و اضمحلال مصالح آن اشاره نمود. مطالعات متعددی بر روی این عوامل صورت پذیرفته است، اما تا به امروز با گذشت این همه سال از مطرح شدن این عوامل، متاسفانه هیچ گونه تمهید معینی برای تشخیص رخداد پدیده ستون کوتاه ارائه نشده است و در ادبیات فنی تنها به این جمله اکتفا می گردد که ضروری است از رخداد شکست ترد جلوگیری به عمل آید و در خصوص چگونگی آن در هیچ کجای جهان صحبتی نشده است.

این استاد پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله با بیان اینکه اهمیت پدیده ستون کوتاه را می توان در زلزله سرپل ذهاب مشاهده کرد، یادآور شد: در 100 درصد ساختمان ­های بتنی مسکن مهر شهید شیرودی سرپل ذهاب شاهد حداقل یک مورد خرابی ستون کوتاه بوده­ ایم که بیانگر متداول بودن این پدیده است، در نتیجه ضروری است با تشخیص این ستون ­ها در ساختمان و به سازی موضعی آنها با روش های آسان و مقرون به صرفه از تلفات جانی و اقتصادی متعددی جلوگیری کرد. در تصاویر زیر خرابی ناشی از ایجاد ستون کوتاه در زلزله سرپل ذهاب نشان داده شده است.

وی از اجرای پروژه ای در این زمینه با همکاری مهندس زهرا نوری با عنوان ارائه راهکاری جهت تشخیص سریع پدیده ستون کوتاه اطلاع داد و یادآور شد: پس از آنالیز های گسترده بر عوامل موثر بر شکل گیری این پدیده، برای اولین بار در جهان یک ماشین تحلیلی به منظور پیش بینی تشکیل پدیده ستون کوتاه ارائه کردیم.

ناطقی الهی افزود: در این طرح ابتدا با مدل سازی دقیق رفتار برشی ستون در نرم افزار OpenSEES و آنالیز پارامترهای متعدد و استفاده از روش های مختلف یادگیری ماشین به عنوان به روزترین روش دسته بندی و تصمیم گیری، مدلی ارائه کردیم که می ­تواند تنها با آنالیز های اولیه، ستون­ های کوتاه را با دقت بالای 90 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 افزود: در این طرح پژوهشی 200هزار قاب بتن آرمه با دیوار پرکننده بنایی همراه با بازشو و با درنظر گرفتن 10 پارامتر میزان مقطع ستون (h)، اندازه آرماتور­های طولی (ρl) و عرضی (ρs) ستون، طول مؤثر ستون(Lc)، مقاومت فشاری بتن (fc)، مقاومت تسلیم آرماتور(f y)، طول تیر (Lb)، نسبت نیروی محوری (P)، ارتفاع دیوار پرکننده به ارتفاع ستون(Hw) و ضخامت دیوار(tw) را آنالیز کردیم. توزیع پارامترها به گونه­ ای درنظر گرفته شده بود که در بیشتر ساختمان­ ها دیده می ­گردد. فراوری قاب ­ها 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 یاری الگوریتم های یادگیری ماشین استخراج شدند، گفت: این نتایج مهندسین را از درگیر شدن با پارامترهای کم اهمیت دور می نماید. الگوریتم ­های مورد استفاده در این قسمت شامل تحلیل مولفه اساسی (PCA)، درخت تصمیم (Decision Tree)، آزمون F (F- Test) و اطلاعات مشترک (Mutual Information) می گردد. بعلاوه از روش های همبستگی پیرسون، کندال و اسپیرمن به این منظور استفاد شده است. از میان روش­ های مذکور، روش آزمون F بهتر از سایر روش ها توانسته است مهمترین پارامترها را تشخیص دهد. در نمودار زیر ترتیب اهمیت پارامترها نشان داده شده است.

مطابق نمودار مشاهده می گردد که اندازه آرماتور عرضی ستون بیشترین اهمیت را از میان سایر پارامترها دارد (که حاکی از لزوم توجه بیشتر به اندازه و نحوه اجرای خاموت هاست)، این پارامتر به تنهایی حدود 65 درصد در ایجاد ستون کوتاه ایفای نقش می نماید.

دکتر ناطقی الهی و مهندس زهرا نوری جهت ایجاد مدل یادگیری ماشین خود یک پایگاه داده شامل تعداد 200 هزار نمونه قاب بتن آرمه ایجاد کردند. کلیه این مدل ­ها به وسیله نرم افزار OpenSEES به صورت دقیق مورد ارزیابی واقع شده و نوع شکست آن­ها (خمشی یا برشی) معین شده است. پس از آن 70 درصد نمونه ­ها جهت آموزش مدل و 30 درصد مابقی جهت آزمودن مدل به صورت رندوم انتخاب شدند. سپس به وسیله الگوریتم های 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 آنالیز داده ها پرداخته شد. از میان الگوریتم های فوق الگوریتم KNN و Desicion Tree با دقت 93 درصد بیشترین دقت را دارند.

این پژوهشگران در این مطالعات ماشین هایی را آموزش دادند که می ­توانند با دریافت ورودی ها (پارامترهای موثر) تشکیل یا عدم تشکیل ستون کوتاه را تشخیص دهند، این در حالی است که تا کنون در هیچ آیین نامه ای در سطح جهان 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 ستون های کوتاه با دقت بالای 80 درصد است.

به گفته آنها، تکنیک های یادگیری ماشین ارائه شده می تواند ستون های کوتاه را با دقت و سرعت بسیار بالا شناسایی کند و مهندسین را از مدل سازی های پیچیده و تحلیل های زمان بر برهاند.

به گفته ناطقی الهی یکی از مهمترین موارد کاربرد تکنیک پیشنهادی استفاده از آن جهت رتبه بندی و اولویت بندی آسیب پذیری ساختمان های بتنی برای اقدامات به سازی و مقاوم سازی لرزه ای ساختمان ها است. این ابزار سریع و قدرتمند می تواند به وسیله جامعه مهندسی و بعلاوه تصمیم گیرندگان مدیریت کلان در حوزه ساختمان به کار گرفته گردد.