TY - JOUR ID - 139565 TI - برآورد وزن میلگرد مصرفی در ساختمان‌های مسکونی قاب خمشی متوسط بتنی، با استفاده از شبکه عصبی مصنوعی JO - مهندسی سازه و ساخت JA - JSCE LA - fa SN - 2476-3977 AU - عفتی, میثم AU - ابراهیمی, حامد AU - فرجی, مجتبی AD - استادیار دانشکده فنی، دانشگاه گیلان AD - دانشجوی دکتری مهندسی سازه، دانشکده فنی دانشگاه گیلان، رشت، ایران AD - دانشجوی دکتری مهندسی سازه، پردیس دانشگاهی دانشگاه گیلان، رشت، ایران Y1 - 2022 PY - 2022 VL - 9 IS - 3 SP - 134 EP - 148 KW - محاسبات نرم" KW - شبکه عصبی مصنوعی" KW - وزن اسکلت سازه" KW - قاب خمشی بتنی" KW - " KW - تخمین وزن سازه" DO - 10.22065/jsce.2021.279806.2425 N2 - برآورد هزینه‌های احداث ساختمان به‌ویژه در مراحل اولیه مطالعاتی، از موضوعات موردعلاقه و حائز اهمیت برای کارفرمایان و سرمایه‌گذاران هست. تورم بالای حاکم بر اقتصاد کشور در سال‌های اخیر و نوسان شدید قیمت مصالح ساختمانی، اهمیت برآورد هزینه‌های احداث ساختمان حتی در پروژه‌های کوچک شهری را دوچندان کرده است. اما تا زمانی که طراحی ساختمان به اتمام نرسیده و نقشه‌های نهایی با تمام جزئیات تهیه نشده باشند امکان متره پروژه و برآورد هزینه‌های احداث با دقت قابل‌قبول میسر نیست. از طرفی روش‌های تقریبی ارائه‌شده جهت برآوردهای اولیه، با اختلافات زیادی نسبت به واقعیت همراه هستند که با فلسفه وجودی برآورد اقتصادی پروژه سازگاری ندارد. لذا در این پژوهش با استفاده از محاسبات مبتنی بر هوش مصنوعی و قابلیت یادگیری از داده‌های آموزشی شبکه عصبی مصنوعی وزن میلگرد مصرفی در ساختمان‌های مسکونی قاب خمشی بتنی، بدون طراحی کامل و تهیه نقشه‌های اجرایی محاسبه‌شده و نتایج با مقادیر واقعی مقایسه می‌شوند. مدل شبکه عصبی مصنوعی پیشنهادی پژوهش از نوع از نوع پرسپترون چندلایه پیش‌خور با الگوریتم یادگیری پس انتشار هست و بر اساس پارامترهای تعداد دهانه در راستای طولی و عرضی، ارتفاع طبقه، تعداد طبقات، تعداد ستون در هر طبقه، مساحت طبقه و برش پایه لرزه‌ای وزن میلگرد مصرفی در ساختمان‌های موردمطالعه برآورد شده است. نتایج پژوهش حاکی از این است که مدل شبکه عصبی پیشنهادی می‌تواند وزن میلگرد مصرفی را در ساختمان‌های منظم با دقت 95 درصد و در ساختمان‌های نامنظم با دقت 80 درصد برآورد نماید. UR - https://www.jsce.ir/article_139565.html L1 - https://www.jsce.ir/article_139565_e5bb1753c790ed1d3aa87b8f562cade9.pdf ER -