Yapay sinir ağları ile binaların dinamik analizi

Abstract

ÖZET Anahtar Kelimeler: Yapay sinir ağlan, Dinamik analiz, Eğitim seti, Test seti, Geri yayınım, Konjuge gradyan, Ölçeklenmiş konjuge gradyan yöntemi Binalarda depremden meydana gelen etkilerin zamana bağlı değerlerini veya doğrudan doğruya bunların maksimumlarını bulmak binaların dinamik analizi olarak adlandırılır. Binaların dinamik analizi için kullanılan bir çok yöntem vardır. Bu yöntemlerle analitik olarak hesapladığımız yapı davranışı ile inşa edilmiş yapıların deprem etkileri altında göstereceği gerçek davranış birbirinden farklıdır. Ayrıca tasarım problemlerinde optimal sonuçlan elde etmek için analiz ve optimizasyon programlarım içeren pek çok iterasyon gereklidir. Bu süreç genellikle oldukça uzun bir hesaplama zamanı gerektirir. Bina davranışını gerçekçi bir şekilde yansıtabilecek ve çok kısa sürede sonuca ulaşabilecek yeni bir dinamik analiz yöntemine gereksinim vardır. Yapay Sinir Ağlan (YSA), binaların dinamik analizi için alternatif bir yöntemdir. Bu çalışmada, üç boyutlu dinamik analiz yapabilen daha güvenli, daha hızlı, daha gürbüz (robust) bir yöntem geliştirmek ve bu konuda YSA kullanımının yeterli olduğunu göstermek amaçlanmıştır. Bu amaçla YSA tekniğine dayalı çalışan yeni bir yöntem sunulmuştur. Bu yöntemle, binanın hakim yanal titreşim peryodu, her iki doğrultudaki taban kesme kuvveti, taban devrilme momenti, kat kesme kuvvetleri, kat eğilme momentleri, kat yatay yer değiştirmelerinin zaman tanım alanındaki en büyük değerleri hesaplanmıştır. YSA modellerinin eğitim ve test seti örnekleri, ekonomik şartlar ve laboratuar olanaklan sınırlı olduğundan deneysel sonuçlardan oluşturulamamıştır. Bu çalışmada örneklerin zaman tanım alanındaki dinamik analizleri SAP2000 paket programı ile yapılmıştır. Test setinin performansı değerlendirilirken YSA sonuçlan SAP2000 sonuçlanyla doğrulanmıştır. Test setinin performansı açıkça göstermiştir ki eğitim ve test seti örnekleri deneysel sonuçlardan oluşturulabilirse gerçek yapı davranışı yakalanabilecektir. YSA paralel çalışması nedeniyle çok kısa surede sonuca ulaştığından zaman problemi çözülmüştür. Yapılan literatür çalışmasında pek rastlanmayan, tek girdi katmam ile üç ayn ve farklı YSA modeli kurulmuş ve sonuca ulaşılmıştır.

ARTIFICIAL NEURAL NETWORKS IN DYNAMIC ANALYSIS OF BUILDINGS SUMMARY Keywords: Artificial neural networks, Dynamic analysis, training set, test set, Backpropagation, Conjugate gradient backpropagation, Scaled conjugate gradient backpropagation Dynamic analysis is to determine the values of earthquake effects on buildings either time dependently or straightforwardly their maximums. There are several methods used in dynamic analysis. The analytically estimated behaviours of buildings by such methods would differ from the real one under the earthquake. In addition, we need to many more iterations including analysis and optimisation programs to optimise the design problems. So this is a time consumer process. Artificial Neural Network (ANN) is an alternative method for dynamic analysis of buildings such that it provides to find more realistic estimation of behaviours in a shorter time. The aim of this study is to discuss the sufficiency of ANN as a securer, quicker and more robust method to be used 3-D dynamic analysis. For this purpose, an ANN based method has been implemented to estimate the dominant lateral vibration period of building, bi-directional maximum values of base shear-forces, base bending moments, story shear-forces, story bending moments and story displacements time histories. Because of economical limitations, the training and test sets for ANN could not be obtained from the real world or experimental results, but instead, SAP2000 package has been used for this purpose getting dynamic analysis of each instance used in both sets. The performance of test sets clearly show that if the training and test sets could be obtained from the experimental results, the system would give more realistic estimation of building behaviours. There no remained time problem by means of parallel processing feature of ANN. The established model is not so usual that has one input layer to be used for 3 different ANN models. xv