%0 Journal Article %T توسعه منحنی های شکنندگی فروریزش با در نظرگرفتن عدم قطعیت های مدل سازی با استفاده از شبیه سازی LHS و شبکه های عصبی مصنوعی %J مهندسی سازه و ساخت %I انجمن مهندسی سازه ایران %Z 2476-3977 %A بیاری, محمدامین %A شابختی, ناصر %A ایزدی زمان آبادی, اسماعیل %D 2021 %\ 08/23/2021 %V 8 %N 6 %P 59-80 %! توسعه منحنی های شکنندگی فروریزش با در نظرگرفتن عدم قطعیت های مدل سازی با استفاده از شبیه سازی LHS و شبکه های عصبی مصنوعی %K منحنی شکنندگی فروریزش %K عدم قطعیت مدل سازی %K شبیه سازیLHS %K شبکه های عصبی %K روش سطح پاسخ %R 10.22065/jsce.2020.187419.1871 %X ارزیابی عملکرد فروریزش سازه ها به دلیل پیچیدگی این پدیده و وجود عدم قطعیت های مدل سازی برای شبیه سازی پاسخ فروریزش سازه ها همواره مورد توجه محققین بوده است. مدل های مفصل پلاستیک متمرکز به عنوان بهترین کاندید برای مدل سازی رفتار فروریزش سازه ها مورد استفاده قرار می گیرد. منحنی های شکنندگی فروریزش تحت تاثیر منابع مختلف عدم قطعیت قرار دارند. در این مطالعه عدم قطعیت های موجود در پارامترهای مدل ممان چرخش اصلاح شده ایبارا-کراوینکلر در سازه های قاب خمشی بتنی به عنوان عدم قطعیت های مدل سازی مورد استفاده قرار گرفته و برای آنالیز عدم قطعیت از روش شبیه سازی LHS برای تولید متغیرهای تصادفی با در نظر گرفتن همبستگی بین عدم قطعیت های مدل سازی در یک جز و بین دو جز سازه ای استفاده شده است. با تولید نمونه های تصادفی برای عدم قطعیت ها با استفاده از آنالیزهای دینامیکی افزایشی پاسخ های فروریزش یعنی میانگین ظرفیت فروریزش و انحراف استاندارد فروریزش برای هر شبیه سازی بدست آمده است. با توجه به تلاش محاسباتی بسیار بالا استفاده از تحلیل های دینامیکی افزایشی، جهت تخمین و پیش بینی پاسخ های فروریزش سازه از شبکه های عصبی مصنوعی MLP، شبکه عصبی GMDH و روش سطح پاسخ استفاده شده است و میزان خطای هر روش بدست آمده است. نتایج نشان می دهند که استفاده از روش های نامبرده باعث ایجاد پیش بینی هایی با دقت بسیار بالا و خطای کمتر از 10% برای شبکه عصبی GMDH و خطای کمتر از 7% برای شبکه عصبی MLP  و روش سطح پاسخ می شود. %U https://www.jsce.ir/article_102738_f49d87612dafe0337ecbf9b9dd34d05c.pdf