پیشبینی پارامترهای بهینه میراگر جرمی مایع تنظیمشونده با استفاده از مدلهای دستهبندی یادگیری ماشین | ||
| نشریه مهندسی عمران امیرکبیر | ||
| دوره 58، شماره 1، فروردین 1405 اصل مقاله (2.56 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2026.24783.8348 | ||
| نویسندگان | ||
| حسین غفارزاده* 1؛ علیرضا آران1؛ علیرضا بینوایان2 | ||
| 1گروه سازه، دانشکده عمران و محیطزیست، دانشگاه تبریز، تبریز، ایران | ||
| 2گروه سازه، دانشکده عمران و محیطزیست، دانشگاه امیرکبیر، تهران، ایران | ||
| چکیده | ||
| در این پژوهش، یک چارچوب یکپارچه مبتنی بر مدلسازی دینامیکی، بهینهسازی عددی و یادگیری ماشین برای پیشبینی پارامترهای بهینه میراگر جرمی مایع تنظیمشونده (Tuned Liquid Mass Damper – TLMD) ارائه میشود. دو پارامتر کلیدی طراحی شامل نسبت فرکانسی بهینه و نسبت میرایی بهینه، با استفاده از شش الگوریتم یادگیری ماشین شامل رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، الگوریتم k نزدیکترین همسایه (k-Nearest Neighbors)، ماشین بردار پشتیبان (Support Vector Machine) و بیز ساده (Naive Bayes) مورد بررسی قرار گرفتهاند. این مطالعه برای دو سازه برشی یکطبقه و پنجطبقه مجهز به TLMD نصبشده بر روی بالشتکهای الاستومری انجام شده است. پاسخ دینامیکی سازهها تحت اثر شش رکورد زلزله با استفاده از تحلیل تاریخچه زمانی شبیهسازی شده و رفتار نوسانی مایع درون مخزن بر اساس مدل هازنر مدلسازی گردیده است. پارامترهای بهینه سیستم با استفاده از الگوریتم جستجوی الگو (Pattern Search) استخراج شده و پس از تقسیمبندی دادهها به سه کلاس عملکردی، بهعنوان ورودی مدلهای یادگیری ماشین به کار رفتهاند. نتایج نشان میدهد که در پیشبینی نسبت فرکانسی بهینه، الگوریتمهای k نزدیکترین همسایه و جنگل تصادفی برای سازه یکطبقه بهترین عملکرد را با F1-score حدود 73 % ارائه میدهند، در حالی که در سازه پنجطبقه، بهدلیل افزایش پیچیدگی رفتاری، الگوریتم بیز ساده با F1-score حدود 68 % عملکرد مناسبتری دارد. همچنین، بیز ساده در پیشبینی نسبت میرایی بهینه برای هر دو سازه عملکردی پایدار نشان داده و در سازه پنجطبقه دقتی در حدود 84 % بهدست آمده است که کارایی چارچوب پیشنهادی را تأیید میکند. | ||
| کلیدواژهها | ||
| میراگر جرمی مایع تنظیمشونده؛ الگوریتمهای یادگیری ماشین؛ پیشبینی؛ دستهبندی؛ بهینه سازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 82 تعداد دریافت فایل اصل مقاله: 88 |
||
| تعداد نشریات | 9 |
| تعداد شمارهها | 455 |
| تعداد مقالات | 5,771 |
| تعداد مشاهده مقاله | 8,384,813 |
| تعداد دریافت فایل اصل مقاله | 6,942,562 |