فهرست نشریات علمی دسترسی آزاد ایران

اهداف و پیشینه: تخمین و تعیین ابعاد اجزای سازه در مراحل اولیۀ طراحی همیشه از مسائل مهمی است که طراحان معمار با آن درگیر هستند. این موضوع تا حد زیادی بر اساس تجربۀ شخصی و در اکثر موارد از سوی افراد دارای اندک پشتوانۀ علمی صورت می‌پذیرد. این روش دارای خطای زیاد و بازدهی بسیار پایین است که طراحان را وامی‌دارد تا با زمان محاسبۀ ابعاد دقیق اجزای سازه، متکی بر مفروضات خود، طراحی و ساخت را پیش ببرند. تخمین اشتباه می‌تواند منجر به دوباره‌کاری و افزایش هزینه‌های پروژه شود. از طرف دیگر، اگرچه امروزه برای تعیین ابعاد سازه‌ها از ابزارهای تحلیل و طراحی سازه با تنوع و گستردگی بسیار بالا استفاده می‌شود، اما برای تصمیم‌گیری در مراحل اولیۀ طراحی، روش و ابزار خاصی وجود ندارد. درنتیجه امکان مقایسۀ گزینه‌های مختلف که لازمۀ طراحی دقیق و کارآمد است، در این مرحله ممکن نیست. هدف اصلی در اینجا دستیابی به روش و ابزاری برای تخمین ابعاد حدودی اجزای سازه‌ای (در این پژوهش سازه‌های قاب خمشی فولادی و بتنی)، بدون نیاز به استفاده از فرمول‌های زمان‌بر و پیچیده یا استفاده از نرم‌افزارهای شبیه‌سازی است؛ ابزاری که بتواند فاصلۀ تصمیم‌گیری در مورد اجزای سازه‌ای بین طراح و محاسب سازه را بکاهد و از بسیاری از دعاوی در زمان ساخت جلوگیری کند.مواد و روش‌ها: به‌طورکلی، فرایند تصمیم‌گیری و طراحی سازه‌ای شامل متغیرهای متعدد و متنوعی نظیر انتخاب نوع سیستم سازه‌ای، انتخاب نوع مصالح، انتخاب مقاطع مناسب سازه‌ای، انتخاب آیین‌نامه‌های مناسب هر منطقه، و سایر عواملی است که این فرایند را پیچیده‌تر و انتخاب پاسخ بهینه و مناسب را دشوارتر می‌کند. در پژوهش حاضر تلاش شده است تا برخی از این پارامترهای مهم در قالب چارچوبی نسبتاً محدود گنجانده شود تا ابزاری تصمیم‌یار عرضه گردد که بتواند فاصلۀ میان معمار و مهندس سازه را از منظر دیدگاه مشترک بکاهد. در گام نخست، یک مجموعه داده از سازه‌های شبیه‌سازی‌شده در حالت‌های مختلف ایجاد گردید و در گام بعد، چندین مدل یادگیری ماشین با استفاده از دو الگوریتم شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان توسعه داده شد. نتایج حاکی از آن است که در ساختمان‌های فولادی، الگوریتم شبکۀ عصبی مصنوعی نسبت به الگوریتم ماشین بردار پشتیبان عملکرد بهتری دارد و میانگین ضریب تعیین (R²) برابر با 0٫93 و میانگین درصد خطای مطلق (MAPE) برابر با 0٫05 حاصل شده است. درحالی‌که در ساختمان‌های بتنی، الگوریتم ماشین بردار پشتیبان عملکرد مطلوب‌تری نشان داده و ضریب تعیین 0٫93 و میانگین درصد خطای مطلق 0٫06 را کسب کرده است.نتایج و جمع‌بندی: در حدود پنجاه سال گذشته، نمودارهای تقریبی مختلفی برای راهنمایی کاربران عرضه شده است که اطلاعات بسیار ساده و کاربردی را برای برآورد اولیۀ ابعاد بر اساس تجربه و برخی تحلیل‌ها در اختیار قرار می‌دهد. اگرچه آگاهی از مبانی نظری این اجزا اهمیت دارد، توانایی ارزیابی سریع پیامدهای انتخاب یک دهانۀ خاص، آرایش ستون‌ها، یا بارگذاری مشخص نیز بسیار حایز اهمیت است.در این پژوهش با هدف کمک به جامعۀ مهندسی، به‌ویژه طراحان معماری، ابزاری معرفی شده است. ابزاری که با دریافت ورودی‌هایی نظیر ابعاد زمین، ابعاد دهانه‌ها، تعداد طبقات، و نوع مصالح مورد استفاده، می‌تواند برآورد اولیه‌ای عرضه کند که به نتایج حاصل از تحلیل و طراحی سازه‌ای بسیار نزدیک باشد، اما زمان و هزینۀ کمتری نیاز دارد. متدولوژی به‌کاررفته در این مطالعه قابلیت گسترش دارد و می‌توان با افزودن متغیرهایی نظیر انواع مختلف مصالح مورد استفاده در صنعت ساخت‌وساز، بررسی فرم‌ها و سازه‌های معماری پیچیده با آرایش‌های نامنظم اعضای سازه‌ای، افزایش تعداد طبقات مورد بررسی، و همچنین با بررسی سقف‌هایی با سیستم‌های متفاوت، دامنۀ کاربری آن را توسعه داد.