شماره ركورد
26170
شماره راهنما
CIV2 252
عنوان
پيش‌بيني منحني پوش رفتار هيسترزيس تير پيوند برشي در قاب‌هاي فولادي با مهاربند واگرا با استفاده از الگوريتم‌هاي يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران - سازه
دانشكده
مهندسي عمران و حمل و نقل
تاريخ دفاع
1405/05/25
صفحه شمار
197 ص.
استاد راهنما
مريم داعي
كليدواژه فارسي
تير پيوند برشي , قاب فولادي با مهاربند واگرا , منحني پوش رفتار هيسترزيس , يادگيري ماشين , مدل جانشين داده‌محور , تحليل اجزاي محدود
چكيده فارسي
تير پيوند به‌عنوان عضو اصلي اتلاف انرژي در قاب‌هاي فولادي با مهاربند واگرا، نقش تعيين‌كننده‌اي در پاسخ غيرالاستيك سيستم و نيروهاي منتقل‌شده به ساير اعضاي قاب دارد؛ ازاين‌رو، برآورد مناسب پاسخ آن براي ارزيابي رفتار غيرخطي سازه اهميت زيادي دارد. بااين‌حال، بررسي اثر هم‌زمان پارامترهاي هندسي و مقطعي بر منحني پوش رفتار هيسترزيس تيرهاي پيوند از طريق اجراي مكرر تحليل‌هاي چرخه‌اي غيرخطي، مستلزم زمان و هزينه محاسباتي قابل‌توجهي است. بر اين اساس، پژوهش حاضر يك چارچوب جانشين داده‌محور و تفسيرپذير براي پيش‌بيني شش مقدار نيرويي شاخص از منحني پوش رفتار هيسترزيس تيرهاي پيوند برشي توسعه مي‌دهد تا امكان تخمين سريع پاسخ در محدوده پارامتري مورد مطالعه، بدون نياز به اجراي مجدد تحليل‌هاي چرخه‌اي، فراهم شود.
ابتدا يك مدل غيرخطي اجزاي محدود در نرم‌افزار آباكوس توسعه يافت و پاسخ برش–دوران آن با استفاده از نتايج آزمايشگاهي تيرهاي پيوند صحت‌سنجي شد. سپس با بهره‌گيري از يك اسكريپت پارامتريك پايتون، 160 مدل شامل 40 مقطع W و چهار مقدار نسبت طول بي‌بعد تير پيوند 1.0، 1.2، 1.4 و 1.6 ايجاد و تحليل شدند. هر نمونه با ده ويژگي بي‌بعد هندسي و مقطعي توصيف شد. شش خروجي هدف شامل نيروي تسليم برشي، نيروهاي برشي متناظر با دوران‌هاي كل 0.01، 0.02، 0.04 و 0.06 راديان و مقاومت برشي بيشينه بودند. تمامي خروجي‌هاي نيرويي بر ظرفيت برشي پلاستيك مقطع متناظر بي‌بعد شدند. اين خروجي‌ها يك توصيف چندنقطه‌اي از منحني پوش مثبت رفتار هيسترزيس ارائه مي‌كنند و شامل قواعد باربرداري، بارگذاري مجدد يا زوال چرخه‌اي نيستند.
براي يادگيري رابطه ميان ويژگي‌هاي ورودي و خروجي‌هاي هدف، سه الگوريتم تقويت گرادياني مبتني بر درخت تصميم شامل XGBoost،LightGBM و CatBoost ارزيابي شدند. براي هر الگوريتم و هر خروجي، يك مدل رگرسيوني مستقل توسعه يافت و در مجموع 18 مدل آموزش داده شد. پايگاه داده به 128 نمونه براي توسعه و تنظيم مدل‌ها و 32 نمونه براي آزمون مستقل تقسيم شد و توزيع نسبت ρ در تقسيم داده‌ها حفظ گرديد. ابرپارامترها با استفاده از Optuna و اعتبارسنجي متقاطع پنج‌بخشي در مجموعه توسعه بهينه‌سازي شدند و مجموعه آزمون در فرايند آموزش، تنظيم ابرپارامترها و انتخاب الگوريتم دخالت نداشت.
بر اساس عملكرد پيش‌بيني‌هاي خارج از فولد، CatBoost با ميانگين ضريب تعيين 0.9239 و ميانگين RMSE برابر با 0.0514، مناسب‌ترين عملكرد كلي را ارائه كرد و براي ارزيابي تفصيلي انتخاب شد. در مجموعه آزمون، ميانگينR²،RMSE و MAE براي CatBoost به‌ترتيب برابر با 0.9368، 0.0315 و 0.0235 به دست آمد؛ درحالي‌كه اين مقادير براي XGBoost به‌ترتيب 0.8674، 0.0451 و 0.0279 و براي LightGBM برابر با 0.8490، 0.0478 و 0.0309 بودند. ميانگين RMSE آزمون CatBoost به‌ترتيب حدود 30.1 و 34.0 درصد كمتر از XGBoost و LightGBM بود. همچنين، پس از بازگرداني پيش‌بيني‌ها به مقياس واقعي نيرو، ميانگين MAPE مدل CatBoost برابر با 1.49 درصد به دست آمد. CatBoost در پنج خروجي از شش خروجي، ضريب تعيين آزمون بالاتري ارائه كرد، درحالي‌كه XGBoost براي نيروي متناظر با دوران 0.04 راديان عملكرد مناسب‌تري داشت.
به‌منظور بررسي تفسيرپذيري مدل منتخب، اهميت ويژگي‌هاي CatBoost و تحليل SHAP مورد استفاده قرار گرفت. نتايج نشان داد كه نسبت لاغري جان بيشترين اهميت تجميعي را در ميان شش مدل CatBoost دارد و پس از آن، ويژگي تركيبي بيانگر اثر متقابل لاغري جان و طول نسبي تير پيوند قرار مي‌گيرد. تحليل SHAP براي مقاومت برشي بيشينه نرمال‌شده نيز نشان داد كه اين دو ويژگي، همراه با نسبت سطح جان به سطح كل مقطع، بيشترين اثر كلي را بر پيش‌بيني مدل دارند. در محدوده داده‌هاي مورد مطالعه، افزايش ويژگي‌هاي مرتبط با لاغري جان عموماً با سهم منفي در پيش‌بيني مقاومت بيشينه همراه بود. بااين‌حال، اين نتايج بيانگر نحوه اتكاي مدل به متغيرهاي ورودي هستند و نبايد به‌عنوان روابط علت‌ومعلولي مستقل تفسير شوند.
در مقايسه انجام‌شده براي پنج نمونه آزمون با خطاي نزديك به ميانه، پيش‌بيني‌هاي CatBoost به مقادير مرجع اجزاي محدود نزديك بودند و در ميان سه مدل كلاسيك منتخب، مدل اصلاح‌شده ريچاردز نزديك‌ترين پاسخ را به مرجع ارائه كرد؛ بااين‌وجود، اين مقايسه مبنايي براي نتيجه‌گيري درباره برتري عمومي يك روش فراهم نمي‌كند. در مجموع، چارچوب توسعه‌يافته امكان تخمين سريع مقادير نيرويي منتخب منحني پوش رفتار هيسترزيس و انجام ارزيابي‌هاي پارامتريك اوليه را بدون تكرار تحليل چرخه‌اي غيرخطي فراهم مي‌كند. كاربرد مدل، بايد به محدوده هندسي، مصالح و شرايط مدل‌سازي بازنمايي‌شده در پايگاه داده اجزاي محدود اين پژوهش محدود شود.
كليدواژه لاتين
Steel shear link , Eccentrically braced frame , Hysteretic backbone curve , Machine learning; CatBoost , Data-driven surrogate model , Finite-element analysis
عنوان لاتين
Predicting the Hysteretic Backbone of Shear Links in Steel EBF Systems Using Machine-Learning Algorithms
گروه آموزشي
مهندسي عمران
چكيده لاتين
Steel eccentrically braced frames (EBFs) dissipate seismic energy primarily through controlled inelastic deformation of link beams; consequently, reliable estimation of link response is essential for nonlinear assessment. This study develops an interpretable data-driven surrogate framework for predicting six characteristic shear-force ordinates of the hysteretic backbone curve of steel shear links, providing an efficient alternative to repeated nonlinear cyclic analyses within the investigated parameter domain.
A nonlinear finite-element model was developed in Abaqus and validated against experimental responses of steel link specimens. A parametric Python script was then used to generate and analyze 160 models comprising 40 W-sections and four dimensionless link-length ratios, ρ = 1.0, 1.2, 1.4, and 1.6. Each specimen was represented by ten dimensionless geometric and sectional features. The six target outputs were the yield shear force, the shear forces at total rotations of 0.01, 0.02, 0.04, and 0.06 rad, and the maximum shear resistance. All force outputs were normalized by the plastic shear capacity of each section. These outputs provide a multi-point representation of the positive hysteretic backbone and do not describe unloading, reloading, or cyclic-degradation rules.
Three tree-based gradient-boosting algorithms—XGBoost, LightGBM, and CatBoost—were evaluated. For each algorithm, an independent regression model was developed for each target, yielding 18 trained models. The database was divided into 128 development specimens and 32 test specimens while preserving the distribution of ρ. Hyperparameters were optimized using Optuna with five-fold cross-validation on the development set, and the test set remained excluded from training, tuning, and model selection.
Based on out-of-fold performance, CatBoost provided the strongest overall performance, with mean R² = 0.9239 and RMSE = 0.0514, and was selected for detailed evaluation. On the test set, CatBoost achieved mean R² = 0.9368, RMSE = 0.0315, and MAE = 0.0235, compared with R² = 0.8674, RMSE = 0.0451, and MAE = 0.0279 for XGBoost and R² = 0.8490, RMSE = 0.0478, and MAE = 0.0309 for LightGBM. The mean test RMSE of CatBoost was approximately 30.1% and 34.0% lower than those of XGBoost and LightGBM, respectively. After back-transformation to the actual force scale, CatBoost yielded a mean MAPE of 1.49%. It also produced the higher test-set R² for five of the six targets, whereas XGBoost performed better for the force at 0.04 rad.
Interpretability analyses showed that the web-slenderness ratio had the largest aggregated feature importance across the six CatBoost models, followed by a combined feature representing the interaction between web slenderness and relative link length. SHAP analysis of the normalized maximum shear resistance further identified these variables, together with the web-area ratio, as the dominant contributors; larger values of the web-slenderness-related features generally produced negative SHAP contributions within the investigated data range. These findings describe model behavior rather than independent causal relationships.
For five test specimens with errors close to the median, CatBoost predictions remained close to the finite-element reference values, while the modified Richards model gave the closest response among the three selected classical models. This comparison does not establish general superiority. Overall, the framework enables rapid estimation of selected hysteretic-backbone forces and supports preliminary parametric assessment without rerunning nonlinear cyclic analyses. Its use should remain within the geometric, material, and modeling domain represented by the finite-element database.
تعداد فصل ها
5
فهرست مطالب pdf
169724
نويسنده