ACISC 应用计算智能和软计算 1687 - 9732 1687 - 9724 Hindawi 10.1155 / 2017/3508189 3508189 研究文章 确定损伤钢筋混凝土框架剪力墙使用自组织特征映射 http://orcid.org/0000 - 0002 - 1765 - 1382 Nikoo 迈赫迪 1 http://orcid.org/0000 - 0001 - 9382 - 7709 Sadowski Łukasz 2 Khademi Faeze 3 Nikoo 默罕默德 4 克里门 埃里希·彼得 1 年轻的研究人员和精英俱乐部 阿瓦士分支 伊斯兰自由大学 阿瓦士 伊朗 iauahvaz.ac.ir 2 土木工程学院 弗罗茨瓦夫大学的科学和技术 Wybrzeze Wyspianskiego 27 50 - 370弗罗茨瓦夫 波兰 pwr.edu.pl 3 土木与环境工程部门 伊利诺斯理工学院 芝加哥 伊尔60616 美国 iit.edu 4 央行的技术和职业培训学院 伊斯兰自由大学 阿瓦士分支 阿瓦士 伊朗 iauahvaz.ac.ir 2017年 15 5 2017年 2017年 06 01 2017年 13 04 2017年 15 5 2017年 2017年 版权©2017 Mehdi Nikoo et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

介绍了使用自组织特征映射(SOFM)确定损伤钢筋混凝土框架剪力墙。为了这个目的,一个混凝土框架剪力墙进行非线性动态分析。SOFM是使用遗传算法(GA)优化为了确定层数、隐层的节点数,传递函数类型和学习算法。所得模型与线性回归(LR)和非线性回归(NonLR)模型和径向基函数(RBF)神经网络。得出结论,SOFM,当与GA优化,有更多的力量、灵活性和准确性。

 1。介绍

损伤混凝土结构主要是因为管理不足,不正确的维护,重载,暴露在化学成分、地震等气候因素,以及额外的负载( 1]。如前所述,Nikoo et al。 2),地震是最具破坏性的因素。他们会导致非凡的结构损伤破坏机制。在过去的几年里,都花费了大量的精力使用人工神经网络(ann)解决各种土木工程问题( 3- - - - - - 8]。

在自组织特征映射(SOFM),细胞组织在各种感官领域与普通和重要计算地图( 6, 9]。如Kohonen所述 9),处理器单元放置在一维(或更多)网络的节点和监管在竞争激烈的学习过程 9, 10]。因此,SOFM可以被视为一个地形图输入模型,在单位的位置对应于输入模型的固有特性。竞争学习应用在这样的网络中,每一步的单位竞争才能被激活。结束时的初始步骤赢得这次比赛只有一个单位及其权重变化不同的重量相比其他单位。这种学习是称为无监督学习( 6]。在以前的论文,详细描述了SOFM ( 6, 10]。

染色体在遗传算法(GA),高能力有更高的机会重复复制选中的人口的过程。遗传算法的基本操作是复制,交叉,变异( 11]。GA结束时,某些标准,如一定数量的后代或个体的平均标准偏差的性能,满足( 12]。

本研究的主要目的是评估的能力SOFM确定损伤钢筋混凝土框架剪力墙。SOFM的优化使用遗传算法来确定层数,隐层的节点数,传递函数类型和学习算法。所得模型与线性回归(LR)相比,非线性回归(NonLR)和径向基函数(RBF)神经网络。

 2。简短描述的自组织特征映射(SOFM)

SOFM,用于训练和竞争学习方法是基于特定的人类大脑发达的特征。人类大脑的细胞组织在各种感官领域与普通和重要计算地图( 6, 9]。

SOFM,处理器单元放置在一维或二维网络图的节点 1)。这些单位监管在竞争激烈的学习过程和输入模型相比 9, 10]。因此,可以看到SOFM的地形图输入模型,在单位的位置对应于输入模型的固有特性。竞争学习应用在这样的网络中,每一步的单位竞争才能被激活。结束时,这种竞争的初始步骤,只赢了一个单位及其权重变化不同的重量相比其他单位。这种学习是称为无监督学习( 6]。

(一)一维网络结构模型( 9)和(b)二维网络( 14]。

 3所示。公园和Ang损伤指数

最有用的方法之一,提出了量化的计算损伤混凝土结构是公园和和模型。如前所述,水手et al。 13),它定义如下 15]: (1) D = δ 米 δ u + β δ u · P y ∫ d E h , 在哪里

δ 米 地震荷载下的最大变形响应。

P y 是屈服强度计算。

δ u 是最终的变形均布载荷作用下。

∫ d E 是歇斯底里的吸收能量。

β 是减少阻力参数根据歇斯底里的能量。

公园和道路和索引值在0和1之间。损害范围如表所示 1。

典型的损伤范围在钢筋框架 13]。

数量 公园& Ang索引值 类型的伤害
1 D ≤ 0.1 没有任何损坏或轻微开裂
2 0.1 ≤ D ≤ 0.25 轻微损坏/跨结构开裂
3 0.25 ≤ D ≤ 0.4 中度损伤,严重开裂
4 0.4 ≤ D ≤ 1 服务器损坏,破碎的混凝土和钢筋突出
5 D ≥ 1 结构崩溃
4所示。实验装置

确定公园的分布函数和指数和伤害,一个混凝土框架剪力墙被选中。提到结构的横向加载应用。在下一步中,结构设计。与钢筋混凝土框架与剪力墙相关的数据表中列出 2。

相关的数据与钢筋混凝土框架剪力墙( 2, 16]。

框架 特殊的钢筋混凝土剪力墙
每个故事的高度 3.2米
湾的每一帧 5米
静负荷在屋顶 600公斤/米2
活载在屋顶 175公斤/米2
静负荷的故事 500公斤/米2
活载的故事 200公斤/米2
地震的危险 地区相对较高的风险
比钢( ρ )在构建列 0.015 ≤ ρ ≤ 0.035
混凝土28天抗圆柱形样本 f ′ c = 240年 公斤/厘米2
流动应力的钢 f y = 3000年 公斤/厘米2
剪力墙 在中间湾

的一个主要参数影响的输入能源结构地震加速度图应用于地震分析。输入能源应用于结构的程度比它更依赖于输入映射结构特点( 2]。在这个研究中,三十地震被用于非线性动态分析,表中列出 3。分析后,整个公园,Ang损伤指数提取IDARC 2 d软件的使用版本4.0。

地震特性研究中使用( 2, 16]。

数量 峰值地面加速度(PGA) 地震的名字 站
1 0.254 帝王谷1979 吉娃娃
2 0.27 帝王谷1979 吉娃娃
3 0.231 1994年北岭 好莱坞存储
4 0.145 1971年圣费尔南多 湖休斯# 1
5 0.210 1971年圣费尔南多 好莱坞的大很多
6 0.134 迷信山1987 野生动物LiquefactionArrey
7 0.134 迷信山1987 野生动物iquefaction Arrey
8 0.119 迷信山1987 索尔顿海野生动物保护区
9 0.186 迷信山1987 石膏的城市
10 0.247 迷信山1987 Calipatria消防站
11 0.135 兰德斯1992 巴斯托
12 0.385 门多西诺角1992 力拓戴尔天桥
13 0.549 门多西诺角1992 力拓戴尔天桥
14 0.164 管理人员1983人 Parkfield-Fault区3
15 0.126 惠蒂尔缩小1987 贝弗利山
16 0.239 1994年北岭, 洛杉矶,鲍德温山
17 0.143 帝王谷,1979 埃尔森特罗数组# 12
18 0.240 洛马普列塔1989 安德森大坝下游
19 0.247 洛马普列塔1989 安德森大坝下游
20. 0.159 洛马普列塔1989 阿格纽州立医院
21 0.244 洛马普列塔1989 安德森大坝下游
22 0.179 洛马普列塔1989 狼湖大坝下游
23 0.309 帝王谷,1979 Cucapah
24 0.207 洛马普列塔1989 森尼维耳市科尔顿大街
25 0.117 帝王谷,1979 埃尔森特罗数组# 13
26 0.074 帝王谷,1979 Westmoreland消防站
27 0.209 洛马普列塔1989 森尼维耳市科尔顿大街
28 0.139 帝王谷,1979 埃尔森特罗数组# 13
29日 0.110 帝王谷,1979 Westmoreland消防站
30. 0.269 洛马普列塔1989 霍利斯特Diff数组。

本研究包括以下的输入参数:峰值地面加速度(PGA);结构的地震输入的时间;时间;频率;输入加速度(Acc);和位移。输出参数是公园和Ang损伤指数。表 4代表的统计特征参数。

选择参数的统计特征。

行 参数名称 单位 参数类型 最低 最大 平均 标准偏差
1 峰值地面加速度(PGA) 米/秒2 输入 0.074 0.549 0.207 0.095
2 地震输入时间结构 年代 输入 0.005 0.020 0.011 0.004
3 时间 年代 输入 21.880 39.990 36.187 5.896
4 频率 赫兹 输入 0.025 0.046 0.029 0.006
5 输入加速度的建筑(Acc) 米/秒2 输入 0.100 1.500 0.795 0.406
6 位移 毫米 输入 11.025 1023.293 222.576 208.891
7 公园& Ang损伤指数 - - - - - - 输出 0.008 0.823 0.153 0.138
5。实验结果 5.1。SOFM的绩效评估

三个Kohonen神经网络(广场、线和钻石)SOFM从事这项研究。从412年的数据,70%(288套)是用于培训,15%(62套)被用于验证,和15%(62套)是用于测试的安。不同的刺激功能,包括LinearTanhAxon、LinearAxon TanhAxon,。表 5显示选中的SOFM的特征模型。

选中的SOFM模型的特点。

行 模型名称 输入数量 数量的输出 数量的隐藏层 隐层数目的点了点头 网络中列和行 训练算法 传递函数 附近的形状
1 SOFM 1 6 1 1 6 5 ∗ 5 TanhAxon 动力 广场
2 SOFM 2 2 8 _4 6 ∗ 6 LinearTanhAxon 一步 行
3 SOFM 3 3 4 _4_4 7 ∗ 7 LinearAxon QuickProp 钻石

表 6提出了优化结构的SOFM模型训练,验证和测试。表 7介绍了不同模型在SOFM的统计结果。从这些表可以看到,喜欢SOFM1模型值的相关系数最高 R 2 公园和Ang损伤指数的预测训练、验证和测试。

SOFM的优化结构模型在训练、验证和测试。

数量 模型 培训 验证 测试
R 2 方程 R 2 方程 R 2 方程
1 SOFM1 0.9216 y = 0.9229 x + 0.0128 0.9330 y = 0.9102 x + 0.0133 0.9213 y = 0.9353 x + 0.0118
2 SOFM2 0.7590 y = 0.7178 x + 0.0483 0.6703 y = 0.7542 x + 0.049 0.8250 y = 0.9174 x + 0.0232
3 SOFM3 0.6321 y = 0.6561 x + 0.0579 0.5323 y = 0.7059 x + 0.0713 0.6864 y = 0.8166 x + 0.0435

不同的SOFM模型的统计结果。

数量 模型 美 均方误差 RMSE
培训 验证 测试 培训 验证 测试 培训 验证 测试
1 SOFM1 0.024 0.020 0.024 0.002 0.001 0.001 0.041 0.028 0.033
2 SOFM2 0.048 0.054 0.042 0.005 0.004 0.003 0.072 0.065 0.052
3 SOFM3 0.061 0.063 0.056 0.008 0.007 0.005 0.089 0.085 0.070

公园和Ang损伤指数的比较和计算数据训练,验证和测试每个实验室的样品呈现在图 2。

公园和Ang损伤指数的比较和计算数据(a)培训,(b)验证和(c)测试。

获得的值的相关系数 R 2 公园和Ang SOFM1模型的损伤指数是0.9330,0.9216,和0.9221培训,验证,分别和测试。此外,平均绝对误差(MAE)的值,均方误差(MSE)和均方根误差(RMSE)并不比其他两个模型。考虑到以上,MSE和时代SOFM1模型图 3。

MSE和时代SOFM1模型训练和验证。

考虑到以上,最好的安改编的输入数据的SOFM(图5×5结构 4)。

结构的适应性训练和验证的输入数据SOFM1模型。

此外,距离和重量的影响社区的SOFM1 5×5结构模型图 5。

的影响距离和重量的邻居SOFM1 5×5结构模型。

 5.2。选定的SOFM模型的比较 5.2.1。线性回归(LR)

首先,使用线性回归(LR) ( 15]。LR模型是基于面向数据的技术,收集到的数据在哪里互相直接相关。这些数据背后的过程是不考虑。在一个特定形式的LR、数据建模使用线性预测的功能。然后未知模型参数估计的数据( 16]。LR,两个或两个以上的自变量对因变量产生重大影响方程所示 (2) y = f x 1 , x 2 , … ⟶ y = 一个 0 + 一个 1 x 1 + 一个 2 x 2 + ⋯ , 在哪里 y 是因变量; x 1 , x 2 等是独立变量;和 一个 1 , 一个 2 , 一个 3 等方程回归系数。在这个研究中,各种型号的LR使用MINITAB软件了。最好的LR模型,更配合的伤害数据,得到使用 (3) Y = - - - - - - 0 。 206年 - - - - - - 0.0246 X 1 + 0.449 X 2 + 0.00350 X 3 + 2.08 X 4 + 0.7635 X 5 + 0.000500 X 6 l R 1 0.174 - - - - - - 0.0894 X 1 + 0.74 X 2 - - - - - - 0.00278 X 3 - - - - - - 4.71 X 4 + 0.28218 X 5 l R 2 0.572 - - - - - - 0.1014 X 1 + 1.63 X 2 - - - - - - 0.00589 X 3 - - - - - - 7.12 X 4 l R 3 。 在上面的方程中, Y 整个框架是伤害, X 1 PGA变量, X 2 是输入变量, X 3 是时间变量, X 4 是频率变量, X 5 加速度是变量,然后呢 X 6 是位移变量。三个LR模型的分析结果展示在表 8和统计指标的结果展示在表 9。图 6因不同的LR模型显示了结果。

LR的结构模型在训练、验证和测试。

数量 模型 类型 培训 验证 测试
R 2 方程 R 2 方程 R 2 方程
1 LR (1 线性回归(LR) 0.8924 y = 0.8847 x + 0.017 0.9098 y = 0.9715 x + 0.0053 0.8925 y = 0.9319 x + 0.0123
2 LR 2 0.6883 y = 0.6627 x + 0.0486 0.6693 y = 0.826 x + 0.035 0.7946 y = 0.845 x + 0.032
3 LR 3 0.0096 y = 0.0098 x + 0.1509 0.0062 y = 0.0131 x + 0.1494 0.0241 y = 0.0182 x + 0.1515

不同的LR模型的统计结果。

数量 模型 美 均方误差 RMSE
培训 验证 测试 培训 验证 测试 培训 验证 测试
1 LR (1 0.027 0.023 0.026 0.002 0.001 0.002 0.048 0.033 0.039
2 LR 2 0.050 0.048 0.040 0.007 0.004 0.003 0.082 0.066 0.054
3 LR 3 0.114 0.089 0.099 0.021 0.012 0.014 0.145 0.111 0.118

公园和Ang损伤指数的比较得到使用LR和计算数据(a)培训,(b)验证和(c)测试。

在LR1模型中,的值 R 2 等于0.8925,0.9098,和0.8924培训,验证,分别和测试。梅的值、MSE和RMSE LR1模型低于在其他两个LR模型。

 5.2.2。非线性回归(NonLR)

在非线性回归(NonLR), PARK_ANG参数( y )是一个相关值和位移( x )是一个独立的价值。最好的NonLR模型,更配合的伤害数据,获得了通过 (4) Y = 0.5404 ∗ 经验值 ⁡ - - - - - - x - - - - - - 922.9 598年 2 N o n l R 1 0.977 ∗ 罪 ⁡ 0.0006597 ∗ x + 0.01211 N o n l R 2 。 所选NonLR模型的分析结果展示在表 10和统计指标的结果展示在表 11。图 7因不同的NonLR模型显示了结果。

不同的NonLR模型的统计结果。

模型 美 均方误差 RMSE
培训 NonLR1 2.792 10.840 3.292
NonLR2 0.030 0.003 0.051
验证 NonLR1 3.182 12.835 3.583
NonLR2 0.021 0.001 0.031
测试 NonLR1 2.375 8.372 2.894
NonLR2 0.031 0.002 0.050

NonLR结构模型在训练、验证和测试。

数量 模型 类型 培训 验证 测试
R 2 方程 R 2 方程 R 2 方程
1 NonLR 1 非线性回归(NonLR) 0.7351 y = - - - - - - 9.5762 x + 4.4271 0.8014 y = - - - - - - 13.122 x + 4.85 0.7925 y = - - - - - - 11.403 x + 4.5353
2 NonLR 2 0.8781 y = 0.8708 x + 0.0203 0.9174 y = 0.9506 x + 0.0083 0.8272 y = 0.878 x + 0.0191

比较的公园和Ang NonLR获得的损伤指数(a)和计算数据训练,(b)验证和(c)测试。

 5.2.3。总结的比较

确定优化结构的径向基函数(RBF)神经网络,NeuroSolutions软件5.0版本使用。结构的RBF 6-1-4, TanhAxon训练算法,QuickProp传递函数被选中。

评估的性能优化SOFM1模型在评估公园和和损害,获得的结果与结果来源于SOFM相比,LR模型、RBF网络,NonLR。这种比较是在三个步骤的训练,进行测试和验证。结果如表所示 12。不同的模型展示在表的统计结果 13。在图 8比较的结果进行验证和测试。

结构不同的模型来评估公园&和伤害。

数量 模型 培训 验证 测试
R 2 方程 R 2 方程 R 2 方程
1 SOFM1 0.9216 y = 0.9229 x + 0.0128 0.933 y = 0.9102 x + 0.0133 0.9213 y = 0.9353 x + 0.0118
2 LR1 0.8924 y = 0.8847 x + 0.017 0.9098 y = 0.9715 x + 0.0053 0.8925 y = 0.9319 x + 0.0123
3 RBF 0.8054 y = 0.8151 x + 0.0238 0.8304 y = 0.9509 x + 0.0187 0.8789 y = 0.9784 x + 0.0122
4 NonLR2 0.8781 y = 0.8708 x + 0.0203 0.9174 y = 0.9506 x + 0.0083 0.8272 y = 0.878 x + 0.0191

不同模型的统计结果。

数量 模型 美 均方误差 RMSE
培训 验证 测试 培训 验证 测试 培训 验证 测试
1 SOFM1 0.024 0.020 0.024 0.002 0.001 0.001 0.041 0.028 0.033
2 LR1 0.027 0.023 0.026 0.002 0.001 0.002 0.048 0.033 0.039
3 RBF 0.043 0.039 0.036 0.004 0.002 0.002 0.064 0.048 0.044
4 NonLR2 0.030 0.021 0.031 0.003 0.001 0.002 0.051 0.031 0.050

比较的结果(a)和(b)测试验证。

当考虑 R 2 系数,直线的斜率和统计指标在三种模型中,可以得出结论,SOFM1模型的准确性高于其他两个LR模型的准确性和RBF网络训练的情况下,验证和测试步骤。

 6。结论

在本文中,自组织特征映射(SOFM)是用来评估损伤钢筋混凝土框架剪力墙。为了这个目的,一个混凝土框架剪力墙进行非线性动态分析。的受损程度的框架使用公园和Ang指数计算。

SOFM是使用遗传算法(GA)优化为了确定层数、隐层的节点数,传递函数类型和学习算法。所得模型与线性回归(LR)和非线性回归(NonLR)模型和径向基函数(RBF)神经网络。可以得出结论,与GA优化的SOFM享有更多的力量、灵活性和准确性。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 德舒特 G。 混凝土结构损伤 2012年 佛罗里达,美国佛罗里达州 CRC的新闻 Nikoo M。 Zarfam P。 Nikoo M。 确定位移钢筋建筑使用进化人工神经网络 世界应用科学杂志 2012年 16 12 1699年 1708年 Nikoo M。 Torabian Moghadam F。 Sadowski Ł。 混凝土抗压强度的预测进化人工神经网络 材料科学与工程的发展 2015年 2015年 8 849126年 10.1155 / 2015/849126 2 - s2.0 - 84925400441 Guneyisi e . M。 涅洛 M。 Landolfo R。 Mermerdaş K。 预测的抗弯钢梁使用人工神经网络的人员超编的因素 钢和复合结构 2014年 17 3 215年 236年 2 - s2.0 - 84904211987 10.12989 / scs.2014.17.3.215 Guneyisi e . M。 Gesoğlu M。 Guneyisi E。 Mermerdaş K。 评估胶粘剂的剪切能力锚结构使用基于神经网络的模型 材料和结构 2016年 49 3 1065年 1077年 10.1617 / s11527 - 015 - 0558 - x 2 - s2.0 - 84954372188 Nikoo M。 Zarfam P。 Sayahpour H。 混凝土的抗压强度测定使用自组织特征映射(SOFM) 与计算机工程 2015年 31日 1 113年 121年 10.1007 / s00366 - 013 - 0334 - x 2 - s2.0 - 84891758995 Khademi F。 贾马尔 s M。 Deshpande N。 Londhe 年代。 再生骨料混凝土强度预测使用人工神经网络、自适应神经模糊推理系统和多元线性回归 国际期刊的可持续发展的建筑环境 2016年 5 2 355年 369年 Khademi F。 阿克巴里 M。 贾马尔 s M。 Nikoo M。 多元线性回归、人工神经网络和模糊逻辑的预测混凝土28天抗压强度 结构和土木工程的前沿 2017年 11 1 90年 99年 10.1007 / s11709 - 016 - 0363 - 9 Kohonen T。 自组织和联想记忆 1988年 柏林,德国 施普林格 Sadowski Ł。 Nikoo M。 Nikoo M。 主成分分析结合自组织特征映射到确定扯下混凝土层之间的附着力 建筑和建筑材料 2015年 78年 386年 396年 10.1016 / j.conbuildmat.2015.01.034 戈德堡 d E。 荷兰 j . H。 遗传算法和机器学习 机器学习 1998年 3 2 - 3 95年 99年 10.1023 /:1022602019183 刘 Z。 刘 一个。 王 C。 妞妞 Z。 进化神经网络使用实数编码遗传算法(GA)进行多光谱图像分类 未来一代计算机系统 2004年 20. 7 1119年 1129年 2 - s2.0 - 4444378339 10.1016 / j.future.2003.11.024 水手 R。 Reinhorn 一个。 Kunnath 年代。 李 C。 曼丹人的 一个。 Idarc2d 6.0版本:一个计算机程序建立的非弹性损伤分析 1996年 高考- 96 - 0010 斯 G。 Vasanth P。 Miroslav T。 自组织特征映射与改进的性能non-monotonic学习速率的变化 2005年11月,Freepatentsonline (FPO) 公园 y . J。 Reinhorn a . M。 Kunnath 美国K。 IDARC:非弹性损伤钢筋混凝土框架剪力墙结构的分析 1987年 高考- 87 - 0008 美国纽约州布法罗 纽约州立大学布法罗分校 Nikoo M。 Zarfam P。 决定信心脆弱性评估钢筋混凝土框架剪力墙 基础和应用科学研究杂志》上 2012年 2 7 6605年 6614年