مدل های رگرسیونی مبتنی بر یادگیری ماشین برای تخمین هزینه ی مقاوم سازی لرزه یی ساختمان های مصالح بنایی
برای مقاوم سازی لرزه یی ساختمان های مصالح بنایی، شیوه های متعددی، مانند: شاتکریت، تسمه ی فولادی و پلیمر تقویت شده با فیبر وجود دارد. هر یک از روش های مذکور، ویژگی ها و هزینه های متفاوتی دارند. در مطالعه ی حاضر، با استفاده از ظرفیت های یادگیری ماشین به توسعه ی چهار نوع مدل رگرسیون: خطی چندگانه، رگرسیون لاسو، رگرسیون ستیغی و رگرسیون شبکه ی کشسان، به تخمین هزینه ی مقاوم سازی ساختمان های مصالح بنایی پرداخته شده است. برای مدل سازی، از داده های 167 پروژه ی مقاوم سازی لرزه یی ساختمان های بنایی مربوط به مدارس ایران استفاده شده است. بر اساس نتایج به دست آمده، صرف نظر از شیوه ی مقاوم سازی، ارتفاع و مساحت کل زیربنای ساختمان، موثرترین متغیرها در تخمین هزینه ی مقاوم سازی لرزه یی بوده اند. در مدل های مربوط به روش های پلیمر تقویت شده با فیبر و نیز شاتکریت، متغیر نیابتی مساحت دیوارهای جانبی در هزینه های برآورد شده تاثیر گذاشته اند. همچنین متغیر نیابتی مقاومت جانبی اضافه شده از متغیرهای اصلی تاثیرگذار در مدل های روش شاتکریت شناخته شده است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.