تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله شناسایی آسیب لرزه ای در ساختمان ها با شبکه های عصبی و داده های مودال – نشریه الزویر

عنوان فارسی: شناسایی آسیب لرزه ای در ساختمان ها با استفاده از شبکه های عصبی و داده های مودال
عنوان انگلیسی: Seismic damage identification in buildings using neural networks and modal data
تعداد صفحات مقاله انگلیسی : 11 تعداد صفحات ترجمه فارسی : 23
سال انتشار : 2008 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5200 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.51Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر، مهندسی عمران و مهندسی صنایع
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی نرم افزار، سازه، مدیریت ساخت و ایمنی صنعتی
مجله: کامپیوترها و ساختارها
دانشگاه: دانشگاه اوویدو، پردیس، اسپانیا
کلمات کلیدی: شناسایی آسیب لرزه ای، شبکه های عصبی، فریم های فولاد، اطلاعات مودال، حساسیت توده، انتقال خطاها
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

۲. روش شناسایی آسیب

۲.۱ رویکرد کلی

۲.۲ شبکه های عصبی

۲.۳ مدل تحلیلی

۲.۳.۱ توضیحات

۲.۳.۲ مقادیر شروع

۲.۳.۳ تعریف آسیب

۲.۴ مدل سازی متغیر های فضایی

۲.۴.۱ سختی

۲.۴.۲ مدل سازی جرم (انبوه)

۳. شبیه سازی یک ساختمان ۵ طبقه

۳.۱ تشریح ساختمان

۳.۲ کاربرد روش

۳.۳ تحلیل حساسیت جرم

۳.۴ تاثیر خطاهای داده های مودال

۳.۵ نتیجه گیری

نمونه متن انگلیسی

Abstract

A seismic damage identification method intended for buildings with steel moment-frame structure is presented in this paper. The method has a statistical approach and is based on artificial neural networks and modal variables. It consists of two main stages. The initial one is devoted to the calibration of the undamaged structure and the final one to the identification of the damaged structure after an earthquake. The inputs of the nets are the first flexural modes (frequencies and mode shapes) at each principal direction of the structure and the outputs are the spatial variables (mass and stiffness). A damage index at each storey is determined by comparing the initial and final stiffness. A simplified finite element model was used to generate the data needed to train the nets. This model is consistent with available modal data and damage definition. The method was simulated on a 5-storey office building under conditions as close as possible to reality. The robustness of the method was verified with simulated data. Latter on, a sensitivity analysis of the mass variability was also carried out. Finally, the influence of modal error in the accuracy of damage predictions was statistically studied. Results are successful as concern as the robustness of the method. However, it is found that this approach is quite sensitive to modal errors. 2007 Elsevier Ltd. All rights reserved.

نمونه متن ترجمه

چکیده

روش شناسایی آسیب لرزه ای برای ساختمان های با سازه ی قاب خمشی در این مقاله ارایه شده است. این روش یک رویکرد آماری دارد و بر مبنای شبکه های عصبی مصنوعی و متغیرهای مودال قرار دارد. و شامل دو مرحله می باشد. مرحله ی اولیه اختصاص به کالیبره کردن ( درجه بندی) سازه ی سالم و دومین مرحله اختصاص به شناسایی سازه ی آسیب دیده پس از زلزله دارد. ورودی های شبکه ها اولین مودهای خمشی ( فرکانس ها و شکل مودها ) در هر جهت اصلی سازه هستند و خروجی ها متغیرهای فضایی (جرم و سختی ) می باشند. شاخص خسارت در هر طبقه با مقایسه ی سختی اولیه و نهایی تعیین می گردد. یک مدل المان محدود ساده شده برای تولید داده های مورد نیاز برای آماده کردن شبکه ها مورد استفاده قرار گرفته است. این مدل با داده های مودال در دسترس و تعریف آسیب سازگار است. این روش برای یک ساختمان اداری پنج طبقه تحت شرایطی که ه چه نزدیکتر به واقعیت باشد، شبیه سازی کرده است. استحکام روش با داده های شبیه سازی شده تایید شده است. و پس از آن تحلیل حساسیت تغییر پذیری جرم نیز انجام شده است. در نهایت، تاثیر خطای مودال در دقت و صحت پیش بینی های آسیب به صورت آماری مورد مطالعه قرار گرفت. نتایج در مورد استحکام روش موفقیت آمیز بودند. با این حال، به این موضوع پی برده شده است که این رویکرد به خطاهای مودال کاملا حساس است.