تخمین وزن میلگرد و بتن مصرفی در ساختمانهای مسکونی بتنی، با استفاده از شبکه عصبی مصنوعی - دانشکده فنی و مهندسی
تخمین وزن میلگرد و بتن مصرفی در ساختمانهای مسکونی بتنی، با استفاده از شبکه عصبی مصنوعی
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: تخمین وزن میلگرد و بتن مصرفی در ساختمانهای مسکونی بتنی، با استفاده از شبکه عصبی مصنوعی
ارائه دهنده: Provider: سید علی مهدوی - مهندسی عمران
اساتید راهنما: Supervisors: دکتر جلال اکبری
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: دکتر محمد صادق کتابی و دکتر محرم منصوری زاده
زمان و تاریخ ارائه: Time and date of presentation: ساعت 14 - 1405/3/31
مکان ارائه: Place of presentation: آمفی تاتر
چکیده: Abstract: چکیده برآورد دقیق میزان مصالح مصرفی، بهویژه وزن میلگرد و حجم بتن، یکی از چالشهای اساسی در مراحل اولیه طراحی و مدیریت هزینه پروژههای ساختمانی به شمار میرود. نوسانات شدید قیمت مصالح در سالهای اخیر، ضرورت دستیابی به روشهای سریع و قابل اعتماد برای تخمین اولیه مصالح را دوچندان کرده است. روشهای سنتی متره و برآورد، مستلزم تکمیل فرآیند طراحی سازه و تهیه نقشههای اجرایی با جزئیات کامل بوده و در مراحل ابتدایی پروژه از دقت و کارایی کافی برخوردار نیستند. پژوهش حاضر با هدف تهیه مدلی هوشمند مبتنی بر شبکه عصبی مصنوعی برای تخمین وزن میلگرد و حجم بتن مصرفی در ساختمانهای مسکونی با سیستم قاب خمشی متوسط بتنآرمه انجام شده است. در این تحقیق، دادههای مورد نیاز با استفاده از ۱۱۵ ساختمان واقعی طراحی شده مطابق با ضوابط استاندارد ۲۸۰۰ ایران و مبحث نهم مقررات ملی ساختمان گردآوری شد. یکی از ساختمانها بهصورت مستقل توسط نگارنده از مرحله مدلسازی تا طراحی نهایی با نرمافزارهای ETABS و SAFE انجام و کنترلهای آییننامهای شامل کنترل نامنظمی پیچشی، ضریب نامعینی ρ، زمان تناوب، شاخص پایداری، جابجایی نسبی طبقات، برش چشمه اتصال و کنترلهای پی بر روی آن اعمال شد تا صحت دادهها تضمین گردد. پارامترهای ورودی مدل شامل تعداد دهانهها در دو جهت، مساحت پلان، تعداد طبقات، ارتفاع سازه، تعداد ستونها در هر طبقه و برش پایه لرزهای بوده و وزن کل میلگرد و حجم کل بتن مصرفی بهعنوان خروجی مدل در نظر گرفته شدند. پس از نرمالسازی دادهها، مدل پیشنهادی بر پایه شبکه عصبی پرسپترون چندلایه با معماری بهینه ۷-۱۰-۸-۲ (۷ نرون در لایه ورودی، دو لایه پنهان با ۱۰ و ۸ نرون و ۲ نرون در لایه خروجی) و الگوریتم آموزش گرادیان نزولی تصادفی با مومنتوم توسعه یافت. دادهها به سه بخش آموزش (۷۰ درصد)، اعتبارسنجی (۱۵ درصد) و آزمون (۱۵ درصد) تقسیم شدند و عملکرد مدل با استفاده از شاخصهای ضریب همبستگی (R) و خطای میانگین مربعات (MSE)، ارزیابی گردید. نتایج نشان داد که مدل از دقت بالایی برخوردار است؛ بهطوری که میانگین مربعات خطا برای دادههای آموزش، اعتبارسنجی و آزمون به ترتیب ۰۰۱۵۵/۰، ۰۰۱۷۷/۰ و ۰۰۱۳۳/۰ و ضرایب همبستگی معادل ۹۷۶۲/۰، ۹۷۳۷/۰ و ۹۸۱۷/۰ بهدست آمد. درصد خطای نسبی در اغلب نمونهها کمتر از ۱۰ درصد بوده و تحلیل همبستگی نشان داد که برش پایه، تعداد طبقات و ارتفاع سازه بیشترین تأثیر را بر خروجیها دارند. همچنین روابط رگرسیون غیرخطی با ضرایب تعیین حدود ۹۲/۰ برای برآورد سریعتر مصالح استخراج گردید. بر اساس یافتههای پژوهش، استفاده از شبکههای عصبی مصنوعی میتواند بهعنوان ابزاری کارآمد در مراحل ابتدایی طراحی سازه، امکان برآورد سریع و نسبتاً دقیق میزان میلگرد و بتن مصرفی را بدون نیاز به طراحی تفصیلی فراهم سازد. تطابق مناسب میان مقادیر واقعی و پیشبینیشده و پایداری عملکرد مدل در کل دامنه تغییرات دادهها، بیانگر قابلیت تعمیمپذیری مطلوب آن به پروژههای جدید با مشخصات متفاوت است. این رویکرد علاوه بر کاهش زمان و هزینه، میتواند در تصمیمگیریهای اقتصادی، امکانسنجی پروژه، انتخاب گزینههای بهینه طراحی و برنامهریزی تأمین مصالح نقش مؤثری ایفا نماید.