کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6736102 | 1429055 | 2018 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Computationally efficient framework for probabilistic collapse analysis of structures under extreme actions
ترجمه فارسی عنوان
چارچوب کارآمد محاسباتی برای تحلیل احتمالات فروپاشی ساختارها تحت اقدامات شدید
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
روش عنصر محدود شبکه عصبی، بار ضربه قابلیت اطمینان، حساسیت، تردی،
ترجمه چکیده
در حال حاضر نیاز فزاینده ای به چارچوب همه کاره وجود دارد که متشکل از مدل های تحلیلی و جایگزین برای اطمینان از دقت و کارایی محاسباتی تجزیه و تحلیل فروپاشی تحت اقدامات شدید است. با این حال آموزش متامول ها برای پاسخ های ساختاری بسیار غیر خطی نیاز به تعداد زیادی نمونه برای دستیابی به دقت کافی دارد. در این تحقیق، یک روش برای دستیابی به کارایی محاسباتی بوسیله تطبیق تکنولوژی یکپارچه سازی گاوس سازگار با همراه با یک متامودل شبکه هسته ای توسعه داده شده است. مدل تحلیلی با داده های آزمایشی معتبر است و دقت آن با تجزیه و تحلیل دقیق عناصر مفصل ارزیابی می شود. کاربرد و کارایی ابزار ارائه شده برای تجزیه و تحلیل های بسیار غیر خطی با استفاده از ارزیابی فروپاشی یک ساختار قاب فولادی مورد بررسی قرار می گیرد. تجزیه و تحلیل احتمالاتی کامل شامل ارزیابی قابلیت اطمینان، تجزیه و تحلیل شکنندگی و دو آزمون حساسیت مختلف انجام می شود. نتایج تجزیه و تحلیل نتایج برتر و دقیق این چارچوب را در مقایسه با تحلیل دقیق عناصر محدود نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه
علوم زمین و سیارات
مهندسی ژئوتکنیک و زمین شناسی مهندسی
چکیده انگلیسی
Currently there is a growing need for a versatile framework consisting of analytical and surrogate models to ensure both accuracy and computational efficiency of collapse analysis under extreme actions. However training metamodels for highly nonlinear structural responses requires large number of samples to achieve enough accuracy. In this research a method is developed to achieve computational efficiency by implementing the adaptively shifted integration-Gauss technique in conjunction with a core neural network metamodel. The analytical model is validated by experimental data and its accuracy is further evaluated by detailed finite-element analysis. The applicability and efficiency of the provided tool for highly nonlinear analyses are investigated using collapse assessment of a steel framed structure subjected to code-stipulated vehicle impact loads. Thorough probabilistic analyses are carried out including reliability assessment, fragility analysis, and two different sensitivity tests. The analysis results show the superiority and precision of this framework compared to detailed finite-element analysis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Structures - Volume 172, 1 October 2018, Pages 440-452
Journal: Engineering Structures - Volume 172, 1 October 2018, Pages 440-452
نویسندگان
Mohammad Mahdi Javidan, Hyungoo Kang, Daigoro Isobe, Jinkoo Kim,