تحلیل حساسیت قابلیت اعتماد سازه ای با استفاده از شبکه های فازی- عصبی و درونیابی شعاعی در روش مونت کارلو

روش مونت کارلو از قدرتمندترین روشهای تحلیل احتمال خرابی در سازه هاست که برای توابع شرایط حدی دارای هرگونه پیچیدگی و برای متغیرهای تصادفی با هر نوع توزیع احتمالاتی استفاده گردد. اما افزایش تعداد تحلیلها برای شبیه سازی مسایلی که دارای احتمال خرابی بسیار کمی هستند، مانند اغلب سازه های اجرایی، سبب گشته که کاربرد آن در مسایل پیچیده نیازمند حجم محاسباتی بسیار بالایی شود. در این تحقیق، ابتدا با استفاده از شبکه های فازی – عصبی و نیز روش درونیابی موسوم به روش درونیابی پایه ای شعاعی یا کانزا، کارآیی روش مونت کارلو ارتقا می یابد. در شبکه های فازی – عصبی، روشی برای همگرایی خطای شبکه معرفی میشود تا تعداد الگوهای آموزشی و حلقه های آموزشی بصورت بهینه مشخص شوند. این امر موجب آن می شود که نوساناتی که در تقریب سازی توابع در تحقیقات پیشین دیده شده بود، حذف گردد. در روش کانزا نیز روشی برای تعیین پارامتر شکل بهین در تابع پایه ای شعاعی ارایه می شود تا عملکرد این روش ارتقا یابد. سپس با استفاده از روش مونت کارلوی بهبود یافته، بهینه یابی با قیود احتمالاتی بررسی می شود و کارآیی یک روش بهینه یاب کلی به نام الگوریتم جامعه پرندگان نیز در آن بررسی می گردد. برای آنکه بتوان از نتایج روش مونت کارلو در بحث تحلیل حساسیت پارامترهای آماری متغیرهای تصادفی، که مهمترین مبحث احتمالاتی در سازه هاست، استفاده نمود، دو روش نوین معرفی می گردد. روش اول مبتنی بر شبکه های فازی – عصبی با تعریف جدیدی از تحلیل حساسیت معرفی می گردد. در روش دوم، بر اساس روابط ریاضی که اثبات می گردد و نتایج روش مونت کارلو مبتنی بر تقریب سازی شعاعی، روابط تحلیل حساسیت ارایه می گردد. با تکیه بر این روشها، مسایل متنوعی در زمینه سازه ای مورد بررسی قرار می گیرد و کارآیی و توانایی این روشها در تحلیل حساسیت احتمال خرابی سازه ها، با تعداد بسیار محدودی تحلیل، برای هر نوع مساله سازه ای نشان داده می شود.