رفتار پیچشی ساختمان های بلند تحت اثر زلزله های حوزه نزدیک و استفاده از شبکه عصبی

ساختار تحلیلی این پایان نامه بر اساس موضوعات پایه در مشخصات فیزیکی زلزله های حوزه نزدیک، شناخت ویژگی های جنبش های نیرومند زمین، مفاهیم مدل سازی ساختمان های بلند، پارامترهای رفتار دینامیکی ساختمان های کوتاه، میان مرتبه و بلند و نیز کاربرد شبکه هاس عصبی در دسته بندی و پیش بینی سریع پاسخ سازه ها، استوار می باشد. شایان ذکر است که سه المان تنش مستوی جدید با قابلیت مدل سازی کارامد برای تبیین رفتار ساختمان های بلند ارایه شده است. روش پارامتری تحلیل و رابطه سازی سه المان محدود پیشنهادی، ارضا کننده فرضیات اساسی رفتاری ساختارهای مقاوم در برابر بارهای جانبی در ساختمان های بلند است. ویژگی خاص این المانها، قابلیت همگرایی سریع در تحلیل و نیز قابلیت ساخت مدل المان ستون با عرض مقطع زیاد است. همچنین یک ساختار مطالعاتی جامع و گسترده در زمینه شناخت مشخصات فیزیکی رکوردهای حوزه نزدیک زلزله های بزرگ تدوین گردیده است. این ساختار مطالعاتی در برگیرنده تفاوت های اساسی میان انواع اثرات ناشی از شکست ساختار زمین بصورت گسلش های پیشرو، پسرو و نیز گسلش ساکن می باشد. ماهیت فیزیکی هر دو دسته پالس های پردامنه و بلند مدت سرعت و تغییر مکان، مورد بحث و بررسی قرار گرفته است. نشان داده شده است که تفاوت های اساسی در پارامترهای پاسخ سازه نسبت به دو دسته رکوردهای حوزه دور و نیز حوزه نزدیک حاوی پالس های پرانرژی شتاب و سرعت، چگونه خواهد بود. این موضوع از جنبه ارزیابی و مقایسه ویژگی های رفتار دینامیکی ساختمان های متقارن و نامتقارن با سیستم سازه ای قاب محیطی خمشی و قاب محیطی مهاربندی شده، تحت اثر گونه های مختلف رکوردهای سه مولفه ای حوزه نزدیک، مورد بررسی تحلیلی قرار گرفته است. شایان ذکر است که بخش دیگری از نتایج این پایان نامه، در برگیرنده روش ساخت و آموزش دو شبکه عصبی تدوین یافته بر پایه شبکه های رقابتی است. نشان داده شده است که می توان بر پایه تدوین و گسترش این نوع شبکه های عصبی، ابزاری مناسب به جهت دسته بندی و پیش بینی سریع پاسخ دینامیکی ساختمان تحت اثر ارتعاشات شدید ناشی از رکوردهای نیرومند زلزله های بزرگ، در اختیار داشت. تدوین و توسعه این ساختار تحلیلی بر پایه استفاده از رکوردهای حوزه نزدیک حاوی پالس های پردامنه و بلند مدت سرعت و نیز پالس های پیوسته تغییر مکان زمین صورت گرفته است.