کنترل خسارت سازه‌‌ها به‌کمک الگوریتم ژنتیک- عصبی

نوع مقاله : پژوهشی

نویسندگان

• عباس کرم الدین
• سعید خواجه کرم الدین

دانشگاه فردوسی مشهد

10.22067/civil.v29i1.33759

چکیده

در این مقاله، کنترل خسارت سازه‌ها در برابر زلزله به‌صورت نیمه‌فعال با‌استفاده از میراگر مایع قابل کنترل مغناظیسی (MR) و شبکه‌های عصبی مصنوعی مطالعه شده است. هدف از طراحی این سیستم کنترل، کاهش خسارت سازه می باشد. در این سیستم کنترل، از یک شبکۀ عصبی پیش‌خور چندلایه استفاده شده است. ورودی شبکۀ عصبی جابه‌جایی نسبی طبقات و خروجی آن ولتاژ میراگر MR است. آموزش شبکۀ عصبی برای تعیین ولتاژ میراگر MR برای کمینه کردن خسارت سازه انجام شده است. برای آموزش شبکۀ عصبی از الگوریتم ژنتیک استفاده گردیده است. معیار شایستگی این الگوریتم کمینه نمودن شاخص خسارت پارک و انگ سازه انتخاب شده است. پس از آموزش شبکۀ عصبی، سیستم کنترل در سازۀ سه‌طبقه محک غیرخطی قرار داده شده و عملکرد آن مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهند این کنترولر توانسته است شاخص خسارت پارک و انگ را به‌طور چشم‌گیری کاهش دهد.

کلیدواژه‌ها

• سازه، زلزله
• خسارت
• کنترل
• نیمه‌فعال
• شبکه‌های عصبی
• الگوریتم ژنتیک

---

عنوان مقاله [English]

Structural Damage Control Using Neuro-Ga Algorithm

نویسندگان [English]

• Abbas Karamodin
• Saeed Khajekaramodin

Ferdowsi University of Mashhad.

چکیده [English]

In this paper a semi-active structural damage control strategy using MR dampers and Neural Networks is presented. A multilayer feed-forward neural network has been designed. The input layer is relative displacement of stories and the output layer is the voltage needed for MR damper. The neural network is learned to predict the voltage needed for MR damper that can minimize the Park & Ang damage index of structure. Genetic algorithm has been used to learn the neural network. The Park & Ang damage index of the structure has been used as the fittnees function of the genetic algorithm. To evaluate the structural control system a nonlinear 3 story benchmark building has been selected. The results show the the proposed structural control system can effectively reduce the Park & Ang damage index of the structure.

کلیدواژه‌ها [English]

• Structure
• Earthquake
• Damage, Control
• Semi-Active
• Neural Network
• Genetic algorithm

مراجع

Kobori, T., and Minai, R., "Analysis of structural control systems: study on response-controlled structure 1", Trans. AIJ 66, pp. 257-260, (1960).

2. Kobori, T., "Quake resistent and nonlinear problems of structural vibration to violent earthquake", J. Kyoto University Disaster Prevention Laboratory, 5th Anniversity Edition, pp. 116-124, (1956).

3. Kobori, T., and Minai, R., "Analysis of structural control systems: study on response-controlled structures 2", Trans. AIJ 66, pp. 253-256, (1960).

4. Abdel-Rohman, M., and Leipholz, H. H., "General approach to active strucrural control", Journal of the Engineering Mechanics Division, Vol. 105, pp. 1007-1023, (1979).

5. Abdel-Rohman, M., and Leipholz, H. H., "Automatic active Control of structures", Journal of the Structural Division, Vol. 106, pp. 663-677, (1980).

6. Abdel-Rohman, M., and Leipholz, H. H., "Stochastic control of strctures", Journal of the Structural Division, Vol. 107, pp. 1313-1325, (1981).

7. Zuk, W., "The past and future of structural control systems", Structural Control, pp. 779-794, (1980).

8. Soong, T. T., "Active structural control: Theory and Practice", John Wiley and Sons, (1990).

9. Nordel, W. J., "Active systems for elastic-resistant structures", Naval Civil engineering Laboratory, (1969).

10. Yao, J. T. P., "Concept of structural Control", Journal of Structutal Division, Vol. 98, pp. 1567-1574, (1972).

11. Nikzad, K., Ghaboussi, J., and Stanley, L. P., "Actuator Dynamics and delay compensation using neurocontrollers", Journal of Engineering Mechanics, Vol. 122, pp. 966-975, (1996).

12. Ghaboussi , J., and Joghataie, A., "Active Control of strustures using Neural networks", Journal of Engineering Mechanics, Vol. 121, No. 4, pp. 555-567, (1995).

13. Bani-Hani, K., and Ghaboussi, J., "Neural Networks for Structural Control of a Benchmark Problem, Active Tendon System", Earthquake Engineering and Structural Dynamics, Vol. 27, pp. 1225-1245, (1998).

14. Chen, H. M., Tsai, K. H., Qi, G. Z., Yang, J. C. S., and Amini, F., "Neural Network For sStructure Control", Journal of Computing in Civil Engineering, Vol. 9, No. 2, pp. 168-176, (1995).

15. Adeli, H., "Neural Networks in Civil Engineering: 1989-2000", Computer-Aided Civil and Infrastructure Engineering, Vol. 16, pp. 126-142, (2001).

16. Sahoo, B., and Maity, D., "Damage Assesment of structure using hybrid neuro-genetic algorithm", Applied Soft Computing, Vol. 7, pp. 89-104, (2007).

17. Jiang, X., and Adeli, H., "Neuro-Genetic Algorithm for nonlinear active control of structures", International Journal for Numerical Methods in Engineering, Vol. 75, pp. 770-786, (2008).

18. Kim, D.H., Seo, S. N., Lee, I. W., "Optimal Neurocontroller for nonlinear Benchmark Structure", Journal Of Engineering Mechanics, Vol. 130, No. 4, pp. 424-429, (2004).

19. Ohtori, Y., Christenson, R. E., Spencer, B. F. J., and Dyke, S. J., "Benchmark Control problem for seismically excited nonlinear building", Journal of Eng. Mech., Vol. 130, No. 4, pp. 366-385, (2004).

20. Dyke, S. J., Yi, F., and Carlson, J. D., "Application of magnetorheological dampers to seismically excited structures", in Proc., Int. Modal Anal. Conf., Bethel, Conn, (1999).

21. Spencer, B. F., Dyke, S. J., Sain, M. K., and Carlson, J. D., "Phenomenological model of magnetorheological damper", Journal of Engineering Mechanics, ASCE, Vol. 123, No. 3, pp. 230-238, (1997).

22. Park, Y. J., and Ang, A. H.-S., "Mechanistic seismic Damage Model for reinforced Concrete", ASCE Journal of Structure Engineering, Vol. 111, No. 4, pp. 722-739, 1985.

23. کرم‌الدین، عباس، "کنترل خسارت سازه‌ها به‌کمک الگوریتم ژنتیک– فازی"، دانشگاه فردوسی، مشهد، (1388).