کنترل نیمه فعال سازه سه طبقه محک به کمک الگوریتم LQG همراه با یک سیستم فازی-ژنتیک

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی سازه، دانشکده مهندسی، گروه مهندسی عمران، دانشگاه فردوسی مشهد، مشهد، ایران

2 دانشیار، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

خسارات حوادث طبیعی مانند زلزله، علوم مهندسی را به تحقیق و گسترش استفاده از سیستم های مقاوم در برابر زلزله سوق داده است. سیستم های کنترل نیمه فعال به دلیل توانایی تغییر خصوصیات مکانیکی سیستم خود و استفاده از منابع انرژی محدود مورد توجه قرار گرفته اند. از طرفی بهره جوئی از محاسبات نرم و سیستم های استنتاج فازی به دلیل جبران عدم قطعیت های موجود، کمک شایانی به کاهش پاسخ های سازه در حین زلزله دارد. در این مقاله روشی برای کنترل سازه سه طبقه غیرخطی محک که مجهز به میراگر مغناطیسی MR می‌باشد، ارائه شده است. ولتاژ مورد نیاز میراگر از طراحی یک سیستم کنترل کننده خطی LQG به همراه یک سیستم استنتاج فازی بدست می‌آید. در این سیستم نیروی کنترل کننده خطی LQG و نیروی گام قبل میراگر وارد سیستم فازی تاکاگی سوگنو شده و ولتاژ مطلوب میراگر حاصل می‌شود. به منظور بهینه سازی عملکرد کنترل کننده، قوانین سیستم استنتاج فازی توسط الگوریتم ژنتیک آموزش داده می‌شود. مدل سازی میراگر نیز بر مبنای مدل بوک-ون صورت گرفته است. نتایج حاصل از معیارهای ارزیابی و نمودارهای تاریخچه زمانی نشان از کارائی بالای کنترل کننده پیشنهادی در کاهش پاسخهای لرزه ای در برابر دیگر سیستم های پیشنهاد شده دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Semi-active control of three-story benchmark structure using LQG algorithm with a fuzzy-genetic system

نویسندگان [English]

  • Hossein Fazaeli Hosseini Nejad 1
  • Abbas Karamodin 2
1 Ph.D. Candidate in Structural Engineering, Faculty of Engineering, Department of Civil Engineering, Ferdowsi University of Mashhad, Mashhad, Iran
2 Associate Professor, Department of Civil Engineering, Ferdowsi University of Mashhad, Mashhad, Iran
چکیده [English]

Damages of natural disasters such as earthquakes has led engineering sciences to research and expand the use of earthquake-resistant systems. Semi-active control systems have been considered due to their ability to change the mechanical properties of their system and the use of limited energy sources. On the other hand, taking advantage of soft computing and fuzzy inference systems due to the compensation for existing uncertainties, considerably helps to reduce structure’s responses during earthquakes. In this paper, a method for controlling a three-story nonlinear benchmark structure equipped with an MR magnetic damper is presented. The required voltage of the damper is obtained from the design of a LQG linear control system with a fuzzy inference system. In this system, the linear control force of LQG and the force of the previous step of the damper enter the Takaki-Sugeno fuzzy system and the desired voltage of the damper is obtained. In order to optimize the controller performance, the rules of the fuzzy inference system are taught by a genetic algorithm. Modeling of the damper is based on the Bouc-wen model. The results of the evaluation criteria and time history charts show the high efficiency of the proposed controller in reducing seismic responses against other proposed systems

کلیدواژه‌ها [English]

  • Structural control
  • semi-active control
  • fuzzy logic
  • LQG controller
  • Genetic algorithm

مراجع

[1] Raeesi F, Azar BF, Veladi H, Talatahari S (2020). An inverse TSK model of MR damper for vibration control of nonlinear structures using an improved grasshopper optimization algorithm. In: Structures. Vol 26. Elsevier, pp 406-416
[2] Guclu R, Yazici H (2007). Fuzzy logic control of a non-linear structural system against earthquake induced vibration. Journal of Vibration and Control 13(11): pp 1535-1551
[3] Lin TK, Lu LY, Chang H (2015). Fuzzy logic control of a stiffness‐adaptable seismic isolation system. Structural Control and Health Monitoring 22(1): pp 177-195
[4] Azizi M, Ghasemi SAM, Ejlali RG, Talatahari S (2020). Optimum design of fuzzy controller using hybrid ant lion optimizer and Jaya algorithm. Artificial Intelligence Review 53(3): pp 1553-1584
[5] Holland J (1975) Adaptation in natural and artificial systems, university of mich. Press. Ann Arbor
[6] Karamodin A, Khajekaramodin S (2017). Structural damage control using Neuro-GA algorithm. Journal of civil engineering, Journal of school of engineering vol. 29, no. 1 (17), pp. -, 2017. [Online]. Available: https://www.sid.ir/en/journal/ViewPaper.aspx?ID=538024.
[7] Uz ME, Hadi MN (2014). Optimal design of semi active control for adjacent buildings connected by MR damper based on integrated fuzzy logic and multi-objective genetic algorithm. Engineering Structures 69: pp 135-148
[8] Hejazi F, Toloue I, Jaafar M, Noorzaei J (2013). Optimization of earthquake energy dissipation system by genetic algorithm. Computer‐Aided Civil and Infrastructure Engineering 28(10): pp 796-810
[9] K-Karamodin A, H-Kazemi H (2010). Semi-active control of structures using neuro-predictive algorithm for MR dampers. Structural Control and Health Monitoring 17(3): pp 237-253. 10.1002/stc.278
[10] Hashemi SMA, Haji Kazemi H, Karamodin A (2016). Localized genetically optimized wavelet neural network for semi‐active control of buildings subjected to earthquake. Structural Control and Health Monitoring 23(8): pp 1074-1087
[11] Ohtori Y, Christenson R, Spencer Jr B, Dyke S (2004). Benchmark control problems for seismically excited nonlinear buildings. Journal of engineering mechanics 130(4): pp 366-385
[12] Yoshida O, Dyke SJ (2004). Seismic control of a nonlinear benchmark building using smart dampers. Journal of engineering mechanics 130(4): pp 386-392
[13] Dyke SJ, Yi F, Frech S, Carlson JD (1999). Application of magnetorheological dampers to seismically excited structures. In: SPIE proceedings series, pp 410-416
[14] Spencer Jr B, Dyke S, Sain M, Carlson J (1997). Phenomenological model for magnetorheological dampers. Journal of engineering mechanics 123(3): pp 230-238
[15] Zadeh LA (1965). Fuzzy sets. Information and control 8(3): pp 338-353
[16] Karamodin A (2008). Damage control of structures. PhD. Ferdowsi university of Mashhad

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 خرداد 1399
  • تاریخ بازنگری: 04 آبان 1399
  • تاریخ پذیرش: 23 آبان 1400

هم رسانی

ارجاع به این مقاله

آمار