Shahrekord earthquake risk assessment by neuro-fuzzy way method using seismic evaluation of structures

Document Type : Research Article

Author

Islamic azad university shahr-e-kord branch

Abstract

Today, the science of risk analysis and seismic improvement of structures are from the earthquake engineering branches, whose process is very long, bulky, and costly. One of the most important problems in this field is the timeliness and the high error rate, so achieving a logical result can be used by decision-makers to solve problems. The goal is to provide a method to help accelerate earthquake risk analysis through refurbishment studies using neuro-fuzzy tools.400 schools were selected from Shahrekord and suburbs schools and then evaluated their seismic risk acceptance using a quick evaluation checklist based on the Rapid Assessment Guidelines of Buildings 364 and the ATC methodology. Also, with the help of wika software, among several structural data, the most effective ones were selected based on the number of replications and the value of the selection, then Anfis software was used to design the neuro-fuzzy system. To check the accuracy of the designed model, we first compared the level of risk obtained from the neuro-fuzzy system and the actual level of risk, and in the next step, we calculated the amount of dispersion of the outputs of the system and compared with the results in the data. This implies adopting the results of the neuro-fuzziness system and the results of the qualitative assessment and proper operation of the system. One of the main advantages of this method is the modeling of uncertainties, the entry of information from the structure by qualitative and quantitative methods, and the high speed of the risk analysis process.

Keywords

Main Subjects


[1] کوهی کمالی، مهران، « تحلیل خطر احتمالاتی شهرکرد»، پایان نامه،۱۳88.
[2] دستورالعمل ارزیابی لرزه­ای سریع ساختمان­هایموجود، نشریه­ی شماره 364 پژوهشگاه بین المللی، زلزله شناسی و مهندسی زلزله، .1387
[3] سلطانی، سعید، سرداری، سروش، شیخ پور، مژگان، (1389)، شبکه های عصبی مصنوعی، چاپ اول، انتشارات علمی، فرهنگی نص.
[4] سکاران، راجا، آلاکشمی پای، ویجی، (1391)، شبکه های عصبی،منطق فازیو الگوریتم ژنتیک و کاربرد، چاپ اول، انتشارات نورپردازان
[5] کیا، مصطفی (1389)، شبکه های عصبی در MATLAB، چاپ اول، انتشارات کیان رایانه سبز
[6] کیا، مصطفی (1390)، منطق فازی در MATLAB، چاپ دوم، انتشارات مرکز نشر دانشگاهی
[7] گرامی مقدم،رحیم، مقایسه روشهای شبکه عصبی مصنوعی و نروفازیANFIS در پیش بینیجریان سالانه رودخانه بشار، دانشگاه آزاد اسلامی واحد شیراز، 1393
[8] اثمری سعدآباد، سهیل، « تحلیل ریسک زلزله با سیستم استنتاج گر فازی و مطالعه موردی شهر تهران»، پایان نامه،۱۳۹2.
 [9] زینلی راستابی، صفدر،  قدرتی امیری، غلامرضا، «ارزیابی خطرپذیری شهرکرد»، نشریه مهندسی سازه و ساخت،۱۳۹۳
 [10] وانگ،لی، سیستم های فازی و کنترل فازی، ترجمه محمد تشنه لب، نیما صفاپور، داریوش افیونی . دانشگاه صنعتی خواجه نصیرالدین طوسی، مهر1380
[11] وانگ، لی، ترجمه محمد تشنه لب، نیما صفارپور، داریوش افیونی، « سیستم های فازی و کنترل فازی»
[12] آذر، عادل و حجت فرجی(1386)، علم مدیریت فازی، چاپ اول، انتشارات مرکز مطالعات مدیریت و بهره وری ایران، وابسته به دانشگاه تربیت مدرس.
[13] گودرزی، محمدرضا، کنگاوری، محمدرضا،(1383)، یادگیری درخت تصمیم فازی، پنجمین کنفرانس سیستمهای فازی ایران، ص 125
 [14]منهاج، محمد باقر،«محاسبات فازی (جلد سوم): هوش محاسباتی» تهران انتشارات دانش نگار،1388.
[15] WWW.iiees.ac.ir
[16] J. Yuan, “Dealing with stochastic dependence in the modeling of train delays and delay propagation”, International conference on transportation engineering, 2007.
[17] K. Briggs, C. Beck, “Modeling train delays with q-exponential functions”, Statistical Mechanics and its Applications, May 2007, pp. 498-504.
[18] V.T. Tran , B.S. Yang , M.S. Oh , and A.C. Chiow Tan, “Fault diagnosis of induction motor based on decision trees and adaptive neuro-fuzzy inference”, Expert Systems with Application, 2009, pp. 1840-1849.
 [19] M.A. Mashrei , N. Abdulrazzaq , T.Y. Abdalla , M.S. Rahman, “Neural networks model and adaptive neuro-fuzzy inference system for predicting the moment capacity of ferrocement members”, Engineering Structures, June 2010, pp.
[20] N.Bartoletti, F.Casagli,S.Marsili,Libelli, “Data-driven rainfall/runoff modelling based on a neuro-fuzzy inference system”, Elsevier, 2017.
[21] Zs.J.ViharosSurvey on Neuro-Fuzzy systems and their applications in technical diagnostics and measurement”, Elsevier, 2015.