patch loading
در نشریات گروه عمران-
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 نسبتا جدید یادگیری ماشینی است که در مدل سازی مسائل مهندسی به طور موفقیت آمیز 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 موثر در ناپایداری تیرورق ها، از قبیل کمانش جان وبال و ایجاد لهیدگی در محل اتصال بال به جان، باعث پیچیده شدن رفتار تیرورق ها می شود. 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. مقایسه نتایج حاصل از مدل های ارائه شده در این مقاله با مقادیر اندازه گیری شده، خطای متوسط کمتر از %7 را بر روی نمونه های آزمایش نشان می دهد و درنهایت مقایسه نتایج مدل های ارائه شده در این مقاله با یک روش سنتی متداول، برتری مدل SVM را تایید می کند.
کلید واژگان: تیرورق ها، بارهای موضعی، ماشین بردار پشتیبانThe support vector machine (SVM) is a relatively new machine learning method which is increasingly being applied to engineering problems and have yielded encouraging results. Because of complex behavior of elastoplastic of web panels of plate girders under patch loading, almost none of the proposed methods provides consistent and accurate predictions of patch load capacity. Consequently, alternative solutions are required to overcome these limitations. In this paper SVM models are developed for predicting the ultimate resistance of plate girders subjected to patch loading. The training and testing patterns of the proposed SVM models are based on well established experimental results taken from literature. Finally a comparison is made between predictions obtained from the SVM models and a traditional method for determining patch loading resistance. The comparison confirms that the SVM models developed in this paper, outperform the traditional method.
Keywords: Plate Girders, Patch Loading, Support Vector Machine -
In this paper, a sensitivity analysis of artificial neural networks (NNs) is presented and employed for estimating the patch load resistance of plate girders subjected to patch loading. To evaluate the accuracy of the proposed NN model, the results are compared with the previously proposed empirical models, so that we can estimate the resistance of plate girders subjected to patch loading. The empirical models are calibrated, for improving the formulae, with experimental data set which was collected from the corresponding literature. NNs models are later trained and validated through using the existing experimental data. In this process several NNs architectures are taken into account. A set of good NNs models are selected and then analyzed regarding their robustness when confronted with the test data set and regarding their ability to reproduce the effect of uncertainty on the data. A sensitivity analysis is conducted herein in order to investigate the effect of variability in material and geometrical properties of plate girders. Thereafter, several estimates measuring the efficiency and the quality of the NN model and the calibrated models are obtained and discussed.Keywords: Neural Networks, Patch Loading, Plate Girder, Sensitivity Analysis, Variability
-
This study aims to undertake a statistical study to evaluate the accuracy of nine models that have been previously proposed for estimating the ultimate resistance of plate girders subjected to patch loading. For each model، mean errors and standard errors، as well as the probability of underestimating or overestimating patch load resistance، are estimated and the resultant values are compared one to another. Prior to that، the models are initially calibrated in order to improve interaction formulae using an experimental data set collected from the literature. The models are then analyzed by computing design factors associated with a target risk level (probability of exceedance). These models are compared one to another considering uncertainties existed in material and geometrical properties. The Monte Carlo simulation method is used to generate random variables. The statistical parameters of the calibrated models are calculated for various coefficients of variations regardless of their correlation with the random resistance variables. These probabilistic results are very useful for evaluating the stochastic sensitivity of the calibrated models.Keywords: Calibration, Monte Carlo, Patch Loading, Plate Girder, Uncertainty
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.