确定损伤钢筋混凝土框架剪力墙使用自组织特征映射

文摘

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)

(b)

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]: 在哪里地震荷载下的最大变形响应。是屈服强度计算。是最终的变形均布载荷作用下。是歇斯底里的吸收能量。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。


数量	公园& Ang索引值	类型的伤害

1		没有任何损坏或轻微开裂
2		轻微损坏/跨结构开裂
3		中度损伤,严重开裂
4		服务器损坏,破碎的混凝土和钢筋突出
5		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。


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()在构建列
混凝土28天抗圆柱形样本	公斤/厘米²
流动应力的钢	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。


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。


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。


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		TanhAxon	动力	广场
2	SOFM 2			2	8 _4		LinearTanhAxon	一步	行
3	SOFM 3			3	4 _4_4		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公园和Ang损伤指数的预测训练、验证和测试。


数量	模型	培训		验证		测试
数量	模型		方程		方程		方程

1	SOFM1	0.9216		0.9330		0.9213
2	SOFM2	0.7590		0.6703		0.8250
3	SOFM3	0.6321		0.5323		0.6864


数量	模型	美			均方误差			RMSE
数量	模型	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。

(一)

(b)

(c)

获得的值的相关系数公园和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。

考虑到以上,最好的安改编的输入数据的SOFM(图5×5结构4)。

此外,距离和重量的影响社区的SOFM1 5×5结构模型图5。

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在哪里是因变量;,等是独立变量;和,,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,得到使用在上面的方程中,整个框架是伤害,PGA变量,是输入变量,是时间变量,是频率变量,加速度是变量,然后呢是位移变量。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。


数量	模型	类型	培训		验证		测试
数量	模型	类型		方程		方程		方程

1	LR (1	线性回归(LR)	0.8924		0.9098		0.8925
2	LR 2		0.6883		0.6693		0.7946
3	LR 3		0.0096		0.0062		0.0241


数量	模型	美			均方误差			RMSE
数量	模型	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

(一)

(b)

(c)

在LR1模型中,的值等于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()是一个相关值和位移()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。


	模型	美	均方误差	RMSE

培训	NonLR1	2.792	10.840	3.292
培训	NonLR2	0.030	0.003	0.051
验证	NonLR1	3.182	12.835	3.583
验证	NonLR2	0.021	0.001	0.031
测试	NonLR1	2.375	8.372	2.894
测试	NonLR2	0.031	0.002	0.050


数量	模型	类型	培训		验证		测试
				方程		方程		方程

1	NonLR 1	非线性回归 (NonLR)	0.7351		0.8014		0.7925
2	NonLR 2		0.8781		0.9174		0.8272

(一)

(b)

(c)

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。


数量	模型	培训		验证		测试
数量	模型		方程		方程		方程

1	SOFM1	0.9216		0.933		0.9213
2	LR1	0.8924		0.9098		0.8925
3	RBF	0.8054		0.8304		0.8789
4	NonLR2	0.8781		0.9174		0.8272


数量	模型	美			均方误差			RMSE
数量	模型	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

(一)

(b)

当考虑系数,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。

引用

德舒特,混凝土结构损伤美国佛罗里达州,CRC出版社,佛罗里达,2012。
m . Nikoo p Zarfam, m . Nikoo”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,16卷,不。12日,第1708 - 1699页,2012年。视图:谷歌学术搜索
m . Nikoo f . Torabian Moghadam,Ł。Sadowski”,预测混凝土抗压强度的进化人工神经网络,”材料科学与工程的发展ID 849126条,卷。2015年,8页,2015。视图:出版商的网站|谷歌学术搜索
e . m . Guneyisi m·涅洛r . Landolfo和k . Mermerdaş”预测的抗弯钢梁使用人工神经网络,人员超编的因素”钢和复合结构,17卷,不。3、215 - 236年,2014页。视图:出版商的网站|谷歌学术搜索
e . m . Guneyisi m . Gesoğlu e . Guneyisi和k . Mermerdaş”胶锚的抗剪能力的评估使用基于神经网络的模型结构,”材料和结构卷,49号3、1065 - 1077年,2016页。视图:出版商的网站|谷歌学术搜索
m . Nikoo p Zarfam h . Sayahpour,“混凝土的抗压强度测定使用自组织特征映射(SOFM)”与计算机工程没有,卷。31日。1,第121 - 113页,2015。视图:出版商的网站|谷歌学术搜索
f . Khademi s·m·贾马尔n . Deshpande和s . Londhe“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,5卷,不。2、355 - 369年,2016页。视图:谷歌学术搜索
f . Khademi m·阿克巴里,s·m·贾马尔和m . Nikoo“多元线性回归、人工神经网络和模糊逻辑预测混凝土28天抗压强度,”结构和土木工程的前沿,11卷,不。1,第99 - 90页,2017。视图:出版商的网站|谷歌学术搜索
t . Kohonen自组织和联想记忆施普林格,柏林,德国,1988年。
Ł。Sadowski、m . Nikoo和m . Nikoo“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,”建筑和建筑材料卷,78年,第396 - 386页,2015年。视图:出版商的网站|谷歌学术搜索
d . e . Goldberg和j . h .荷兰“遗传算法和机器学习,”机器学习,3卷,不。2 - 3、95 - 99年,1998页。视图:出版商的网站|谷歌学术搜索
z, a, c . Wang和z妞妞,“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,20卷,不。7,1119 - 1129年,2004页。视图:出版商的网站|谷歌学术搜索
r .水手,a . Reinhorn s Kunnath c·李和a·曼丹”Idarc2d 6.0版本:一个计算机程序的非弹性损伤分析,“技术。众议员认可- 96 - 0010,1996。视图:谷歌学术搜索
g·斯、p . Vasanth和t . Miroslav”自组织特征映射与改进的性能non-monotonic学习速率的变化,“11月,2005年,Freepatentsonline (FPO)。视图:谷歌学术搜索
y . j .公园,a . m . Reinhorn和s . k . Kunnath”IDARC:非弹性损伤分析钢筋混凝土框架剪力墙结构,“技术。众议员认可- 87 - 0008,纽约州立大学布法罗分校,布法罗,纽约,美国,1987年。视图:谷歌学术搜索
m . Nikoo和p . Zarfam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,卷2,不。7,6605 - 6614年,2012页。视图:谷歌学术搜索

应用计算智能和软计算

文摘

1。介绍

2。简短描述的自组织特征映射(SOFM)

3所示。公园和Ang损伤指数

4所示。实验装置

5。实验结果

5.1。SOFM的绩效评估

5.2。选定的SOFM模型的比较

5.2.1。线性回归(LR)

5.2.2。非线性回归(NonLR)

5.2.3。总结的比较

6。结论

的利益冲突

引用

版权

更多相关文章

相关文章