بررسی عملکرد مدلهای یادگیری ماشین مختلف در پیشبینی نشست فونداسیون توربینهای بادی فراساحل با استفاده از پارامترهای لرزه ای متفاوت

چکیده مقاله

با توسعه روزافزون توربینهای بادی فراساحلی بررسی رفتار لرزه ای فونداسیونهای مونوپایل به عنوان بخش کلیدی این سازه ها اهمیت ویژه ای دارد در این تحقیق با بهره گیری از دادههای حاصل از مدل سازی عددی نشست مونوپایل تحت ۳۴ رکورد زلزله در نرم افزار OpenSees، عملکرد پنج مدل یادگیری ماشین شامل XGBoost SVR، Random Forest، شبکه عصبی پرسپترون چندلایه MLP و K Nearest Neighbors KNN در محیط پایتون برای پیش بینی نشست ماندگار ارزیابی شد برای این منظور پنج پارامتر لرزه ای شامل حداکثر شتاب زلزله PGA ، حداکثر سرعت زلزله PGV ، شدت آریاس IA و همچنین شتاب طیفی S و سرعت طیفی S در پریود طبیعی سازه ۳ ۶ ثانیه به عنوان ورودی مدلها مورد استفاده قرار گرفتند نتایج نشان داد شدت آریاس IA به دلیل ماهیت انرژی محور خود موثرترین پارامتر در پیش بینی نشست است همچنین مدلهای MLP و XGBoost بهترین عملکرد را در ترکیب با IA ارائه کردند به طوری که R۲ بالاتر از ۰/۹۷ و MSE کمتر از ۰/۰۰۰۳ به دست آمد در عین حال پارامترهای PGA و PGV نیز پیش بینیهای قابل قبولی ارائه دادند یافته ها بیانگر آن است که مدلهای یادگیری ماشین با انتخاب ویژگی های مناسب و تنظیم،ساختار ابزاری دقیق و پایدار برای پیشبینی پاسخ لرزه ای فونداسیون مونوپایل هستند

کلیدواژه‌ها

نویسندگان

محمدعلی معصومی

کارشناسی ارشد مهندسی زلزله، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی شیراز

سید محمد صادق صحرائیان

استادیار دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی شیراز

معصومی، محمدعلی و صحرائیان، سید محمد صادق،1404،بررسی عملکرد مدلهای یادگیری ماشین مختلف در پیشبینی نشست فونداسیون توربینهای بادی فراساحل با استفاده از پارامترهای لرزه ای متفاوت،چهاردهمین کنگره بین المللی مهندسی عمران،تهران

ارائه‌شده در

مجموعه مقالات چهاردهمین کنگره بین المللی مهندسی عمران29 مهر 1404 · تهران