<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0">
  <channel>
    <title>نشریه مهندسی عمران امیرکبیر</title>
    <link>https://ceej.aut.ac.ir/</link>
    <description>نشریه مهندسی عمران امیرکبیر</description>
    <atom:link href="" rel="self" type="application/rss+xml"/>
    <language>fa</language>
    <sy:updatePeriod>daily</sy:updatePeriod>
    <sy:updateFrequency>1</sy:updateFrequency>
    <pubDate>Fri, 20 Feb 2026 00:00:00 +0330</pubDate>
    <lastBuildDate>Fri, 20 Feb 2026 00:00:00 +0330</lastBuildDate>
    <item>
      <title>تأثیر بلوک روی سازه‌ی تونلی موجود در کلیدهای خروجی سرریز کلیدپیانویی بر آبشستگی موضعی پایین‌دست آن</title>
      <link>https://ceej.aut.ac.ir/article_6005.html</link>
      <description>سرریزهای کلیدپیانویی، شکل جدیدی از سرریزهای کنگره‌ای و به‌صورت غیر خطی هستند. به‌دلیل راندمان بالای این سرریزها در عبور جریان؛ بررسی آبشستگی موضعی و راهکار برای کاهش آن دارای اهمیت فراوانی است. در تحقیق حاضر از بلوک با هندسه متفاوت در کلیدهای خروجی تونل‌دار سرریز کلیدپیانویی مستطیلی نوع B استفاده شد. سرریز کلیدپیانویی مورد استفاده با ارتفاع 20/0 متر و دارای سه سیکل (سه کلید خروجی، دو کلید ورودی و دو نیم‌کلید ورودی) است. بلوک‌ها با هندسه‌های مکعب مستطیلی، ذوزنقه‌ای و استوانه‌ای در هر کلید خروجی سرریز و روی سازه‌ی تونلی نصب شدند. سازه‌ی تونلی، باعث عدم اختلاط جریان خروجی از کلیدهای ورودی و خروجی می‌شد. بلوک‌ها، جریان و بیشینه عمق آبشستگی را به فاصله‌ی دورتری از پنجه سرریز هدایت می‌کنند و مانند مانعی در برابر جریان عمل کرده و سرعت جریان خروجی از کلیدها را کاهش می‌دهند. فاصله دورتر بیشینه عمق آبشستگی از پنجه سرریز، می‌تواند باعث کاهش خطر واژگونی سرریز شود. در بلوک‌های مستطیلی، بیشینه عمق آبشستگی کاهش بیشتری یافته و محل آن از پنجه سرریز دورتر می‌گردد. همچنین با افزایش عدد فرود ذرات، با افزایش دبی جریان و کاهش عمق پایاب، بیشینه عمق آبشستگی افزایش می‌یابد. محدوده عدد فرود ذرات در تحقیق حاضر بین 43/0 تا 55/0 متغیر است. در نهایت از آنالیز ابعادی برای تعمیم نتایج به طبیعت و دیگر مدل‌های سرریزهای کلیدپیانویی استفاده شد.</description>
    </item>
    <item>
      <title>ارائه یک مدل هیبرید مرزی-محدود جهت مدلسازی توسعه انجماد مصنوعی در محیط خاک شامل ناهمگنی سنگی</title>
      <link>https://ceej.aut.ac.ir/article_6006.html</link>
      <description>در این تحقیق یک روش عددی موسوم به روش هیبرید مرزی-محدود برای مدلسازی فرآیند توسعه انجماد مصنوعی در خاک شامل ناهمگنی زیرسطحی پیشنهاد شده است. در این راستا با ترکیب روش اجزای مرزی و روش اجزای محدود و با استفاده از حل‌های اساسی مستقل از زمان، معادلات مرزی-حجمی منطبق بر مسئله انجماد مصنوعی توسعه داده شده است. در ادامه نوعی از المان مرزی-محدود مرکب از المان مرزی درجه دوم و المان محدود سه گره‌ای-مثلثی توسعه داده شده و روابط لازم برای بکارگیری آن در فرآیند حل شرح داده شده است. سپس با وارد کردن روابط و روش توسعه داده شده در یک کد محاسبات، با حل چندین مثال صحت‌سنجی دقت کد مزبور مورد ارزیابی قرار گرفته است. در نهایت نیز در یک مطالعه پارامتریک نحوه استفاده از روش مرزی-محدود برای مدلسازی توسعه انجماد مصنوعی در خاک که شامل ناهمگنی زیرسطحی از جنس توده سنگ غیر اشباع است شرح داده شده و اثر شکل ناهمگنی و همچنین فاصله آن از میله انجماد ارزیابی شده است. نتایج مطالعات پارامتریک نشان داده است که حضور ناهمگنی موجب کاهش حجم حباب انجماد تا 20 درصد شده و ناهمگنی با سطح گردگوشه اثرات نامطلوب‌تری بر توسعه انجماد مصنوعی در مقایسه با ناهمگنی با سطح تیزگوشه دارد.</description>
    </item>
    <item>
      <title>طبقه‌بندی آسیب در نمونه‌های ملات‌سیمانی حفره‌دار با استفاده از الگوریتم‌های یادگیری ماشین</title>
      <link>https://ceej.aut.ac.ir/article_6011.html</link>
      <description>این پژوهش به بررسی کارایی روش غیرمخرب فراصوتی در شناسایی و طبقه‌بندی آسیب در نمونه‌های ملات سیمانی با طرح‌های اختلاط مختلف می‌پردازد. بدین منظور، مجموعه‌ای از نمونه‌ها با مقادیر متفاوت محتوای سیمان (CC) تهیه و در دو وضعیت سالم و آسیب‌دیده مورد آزمایش قرار گرفتند. داده‌های حاصل از سیگنال‌های فراصوتی، پس از پیش‌پردازش و استخراج ویژگی‌های آماری و زمانی–فرکانسی، به‌عنوان ورودی به سه الگوریتم یادگیری ماشین شامل K نزدیک‌ترین همسایگان (KNN)، بیز ساده (Naïve Bayes) و جنگل تصادفی (Random Forest) اعمال شدند. نتایج تحلیل نشان داد که الگوریتم بیز ساده به‌دلیل توانایی در مدیریت ویژگی‌های مستقل و غیرهمبسته داده‌های فراصوتی، در مقایسه با سایر روش‌ها عملکرد دقیق‌تری دارد و با دقت 99.00 ± 3.16 درصد و یادآوری 97.50 ± 7.91 درصد بالاترین صحت طبقه‌بندی را ارائه کرد. نوآوری اصلی این تحقیق در ترکیب رویکردهای یادگیری ماشین با روش‌های غیرمخرب برای تحلیل تغییرات انرژی سیگنال‌های فراصوتی و تشخیص زودهنگام آسیب در ملات‌های سیمانی با نسبت‌های مختلف محتوای سیمان است. این چارچوب تحلیلی داده‌محور و تکرارپذیر، ضمن افزایش دقت و اطمینان در شناسایی آسیب، قابلیت توسعه برای پایش سلامت و ارزیابی مداوم سازه‌های بتنی در مقیاس‌های عملی را دارد و می‌تواند به‌عنوان ابزاری کارآمد در ارتقای دوام و ایمنی زیرساخت‌های عمرانی مورد استفاده قرار گیرد.</description>
    </item>
    <item>
      <title>توسعه‌ی یک سیستم کنترل تطبیقی دو‌لایه‌ی بلادرنگ برای کاهش پاسخ لرزه‌ای سازه‌های بلندمرتبه با بهره‌گیری از فراسازگاری و الگوریتم جستجوی اکسترمم</title>
      <link>https://ceej.aut.ac.ir/article_6013.html</link>
      <description>در این پژوهش، یک چارچوب کنترل تطبیقی بلادرنگ با معماری دولایه برای کاهش پاسخ‌های لرزه‌ای سازه‌های بلند و دارای رفتار غیرخطی ارائه می‌شود. ساختار پیشنهادی شامل یک کنترل‌کننده تطبیقی پایه و یک لایه فراسازگار است که با بهره‌گیری از یک الگوریتم جستجوی اکسترمم فیلترگذاری‌شده، پارامترهای تطبیق را به‌صورت برخط تنظیم می‌کند. کنترل‌کننده پایه سیگنال کنترلی را بر اساس قوانین تطبیقی خروجی‌محور تولید کرده و لایه فراسازگار با تخمین لحظه‌ای گرادیان تقریبی تابع عملکرد، جهت و نرخ به‌روزرسانی ضرایب کنترلی را تعیین می‌نماید. این سازوکار بدون اتکا به مدل دقیق سازه و بدون نیاز به شناسایی اولیه، امکان سازگاری بلادرنگ با تغییرات ناگهانی یا تدریجی مشخصات دینامیکی، رفتارهای غیرخطی نظیر هیسترزیس و نامعینی‌های ساختاری را فراهم می‌آورد. ساختار iRT-SAC به‌گونه‌ای طراحی شده است که کران‌داری پارامترهای تطبیق و پایداری حلقه‌بسته تحت شرایط عملیاتی دشوار حفظ شود و درعین‌حال نیاز به بازتنظیم دستی یا بازمدل‌سازی کاهش یابد. برای ارزیابی عملکرد، روش پیشنهادی روی سازه ۲۰ طبقه بنچمارک اوهتوری و همکارانش شبیه‌سازی و با کنترل‌کننده‌های مرجع از جمله LQG، H_∞، کنترل فازی و Clipped-LQG مقایسه شده است. نتایج بیانگر کاهش حدود %۶۰ در جابه‌جایی نسبی بین‌طبقه‌ای و حفظ پایداری حلقه‌بسته در حضور عدم‌قطعیت‌های شدید و رفتار غیرخطی است. به‌طور کلی، iRT-SAC یک رویکرد تطبیقی کم‌وابسته به مدل، مقاوم و مناسب برای پیاده‌سازی عملی در سازه‌های بلند و پیچیده محسوب می‌شود.</description>
    </item>
    <item>
      <title>بررسی آزمایشگاهی عملکرد لرزه‌ای اتصال مقطع فولادی محاط در ستون بتن‌آرمه و تیر بتن‌آرمه</title>
      <link>https://ceej.aut.ac.ir/article_6016.html</link>
      <description>در سال‌های اخیر استفاده از ستون‌های فولادی-بتن‌آرمه در سازه‌های بلند افزایش یافته است. یکی از مهم‌ترین موضوعات در بحث اتصالات، اتصال مناسب بین مقطع فولادی محاط در ستون بتن‌آرمه و تیر بتن‌آرمه (اتصال کامپوزیت) می‌باشد. در این مطالعه به بررسی آزمایشگاهی عملکرد لرزه‌ای اتصال مقطع فولادی محاط در ستون بتن‌آرمه و قطعه انتقالی محاط در تیر بتن‌آرمه و مقایسه آن با دیگر اتصالات پرداخته شده است. سه نمونه آزمایشگاهی (تیر و ستون بتن-آرمه، تیر بتن‌آرمه و ستون فولادی محاط در بتن‌آرمه و تیر بتن‌آرمه به همراه قطعه انتقالی و ستون فولادی محاط در بتن‌آرمه) ساخته و تحت بارگذاری چرخه‌ای و بار محوری، قرار گرفته است. پارامترهای اصلی آزمایش، تاثیر مقطع فولادی در ستون بر ظرفیت باربری، شکل‌پذیری، سختی و اثر استفاده از قطعه انتقالی در ناحیه اتصال تیر به ستون بر شکل‌پذیری و سختی می‌باشند. براساس نتایج آزمایشگاهی، استفاده از قطعه انتقالی در ناحیه اتصال تیر، سبب بهبود عملکرد این اتصال، نسبت به نمونه‌های تیر و ستون بتن‌آرمه و تیر بتن‌آرمه و مقطع فولادی محاط در ستون بتن‌آرمه شده است. استفاده از قطعه انتقالی در ناحیه اتصال تیر، سبب افزایش ظرفیت باربری جانبی نسبت به نمونه‌های تیر و ستون بتن‌آرمه و تیر بتن‌آرمه و ستون فولادی محاط در بتن‌آرمه به ترتیب در جهت کششی 1% و 15%، در جهت فشاری به ترتیب 20% و 8% شده است. نتایج شکل‌پذیری نمونه‌ها، نشان می‌دهد نمونه دارای قطعه انتقالی نسبت به نمونه‌های تیر و ستون بتن‌آرمه و تیر بتن‌آرمه و ستون فولادی محاط در بتن‌آرمه، به ترتیب 44% و 24% افزایش یافته است.</description>
    </item>
    <item>
      <title>تحلیل پارامترهای آسیب سنگ مرمریت تحت بارگذاری فشاری تک‌محوری با استفاده از شبیه‌سازی المان محدود دانه‌مبنا و مدل ساختاری آسیب</title>
      <link>https://ceej.aut.ac.ir/article_6017.html</link>
      <description>در پژوهش حاضر، به بررسی آسیب در یک نوع سنگ مرمریت تحت بار فشاری تک‌محوری با استفاده از شبیه‌سازی‌های المان محدود دانه‌مبنا و یک مدل سازنده آسیب پرداخته شده است. بر این اساس، ابتدا 40 شبکه‌ با ساختارهای متفاوت ورونویی با تراکم‌های کم و زیاد با استفاده از نرم‌افزار Phase2 ایجاد شدند. سپس، بر اساس پارامترهای کالیبره شده از آزمون‌های آزمایشگاهی، آزمون فشاری تک‌محوری بر روی شبکه‌های ایجاد شده شبیه‌سازی شدند. در نهایت، با استفاده از منحنی‌های تنش-کرنش بدست آمده از شبیه‌سازی‌های عددی و استخراج مدول‌های الاستیک اولیه و آسیب، مقادیر متغیر آسیب بر مبنای کرنش‌ها محاسبه شدند. نتایج نشان داد که اولاً با افزایش تراکم درزه ورونویی‌های شبکه‌ها، میانگین مدول‌های الاستیک اولیه و آسیب کاهش یافته‌اند. ثانیاً، مشخص شد که با افزایش مقدار کرنش تا یک حد معین، مقادیر متغیر آسیب با روند آرامی افزایش می‌یابد. اما؛ در ادامه پس از رسیدن به یک مقدار مشخصی از کرنش، مقادیر آسیب با یک شیب بسیار تندی افزایش می‌یابند. این نقطه که در آن میزان آسیب به یکباره با شیب بسیار تندی شروع به روند افزایشی می‌کند، نقطه شروع آسیب جدی متحمل شده توسط نمونه‌سنگ تحت شرایط فشار تک‌محوری است. همچنین، بررسی الگوهای شکست شبکه‌ها نشان داد که شکست‌های کششی در شبکه‌های با تراکم ورونویی زیاد، درصد بیشتری نسبت به شبکه‌های با تراکم کم دارد. لذا، می‌توان گفت که ساختار داخلی شبکه‌ دانه‌بندی سنگ‌ها نقش بسزایی در تعیین آسیب وارده بر ساختار داخلی، الگوهای شکست و نوع شکست‌ها سنگ‌ها تحت شرایط فشاری تک‌محوری ایفا می‌کنند.</description>
    </item>
    <item>
      <title>مدل‌سازی عددی تأثیر لایه‌های اکسیدی و هیدروکسیدی بر خواص مکانیکی نانوالیاف فولادی با به‌کارگیری مدل هسته-پوسته</title>
      <link>https://ceej.aut.ac.ir/article_6023.html</link>
      <description>اکسیداسیون و هیدروکسیداسیون سطحی تأثیر بسزایی بر رفتار مکانیکی نانوالیاف فولادی دارند. این فرآیندهای شیمیایی که در اثر تماس با اکسیژن، رطوبت و محیط‌های خورنده رخ می‌دهند، ساختار اتمی سطح نانوالیاف را تغییر داده و باعث تشکیل لایه‌هایی با خواص متفاوت از فولاد اولیه می‌شوند. در این پژوهش، تأثیر این فرایندها بر خواص مکانیکی نانوالیاف فولادی تحت بارگذاری کششی و فشاری با استفاده از روش دینامیک مولکولی، پتانسیل میدان نیروی واکنشی (ReaxFF) و مدل هسته-پوسته بررسی شده است. شبیه‌سازی‌ها با نرم‌افزار LAMMPS و با به‌کارگیری روش بارگذاری شبه‌استاتیکی جزء‌به‌جزء انجام شد تا تنش‌های دینامیکی کاهش یابد. نتایج نشان می‌دهد که افزایش ضخامت لایه اکسیدی منجر به کاهش مدول یانگ، تنش تسلیم و مقاومت نهایی نانوالیاف می‌شود. به طوری که افزایش ضخامت لایه اکسیدی تا ۲۰ درصد می‌تواند مدول یانگ را تا ۴۰ درصد و تنش تسلیم را تا ۳۴ درصد کاهش دهد. فرآیند هیدروکسیداسیون به دلیل تشکیل پیوندهای ضعیف‌تر و ناپایدارتر، این پارامترها را بیشتر کاهش می‌دهد. بررسی نمودارهای تنش-کرنش نشان می‌دهد که لایه‌های اکسیدی و هیدروکسیدی منجر به تسهیل تمرکز تنش و تسریع گسیختگی مواد می‌شوند. مقایسه نتایج شبیه‌سازی با داده‌های تجربی، دقت قابل قبول مدل عددی را تایید می‌کند. یافته‌های این پژوهش نشان می‌دهد که در صورت قرارگیری نانوالیاف فولادی در محیط قلیایی بتن، کاهش قابل توجهی در تنش تسلیم و مدول یانگ رخ می‌دهد که باید در کاربرد این اجزا مورد توجه قرار گیرد.</description>
    </item>
    <item>
      <title>پیش‌بینی پارامترهای بهینه میراگر جرمی مایع تنظیم‌شونده با استفاده از مدل‌های دسته‌بندی یادگیری ماشین</title>
      <link>https://ceej.aut.ac.ir/article_6024.html</link>
      <description>در این پژوهش، یک چارچوب یکپارچه مبتنی بر مدل‌سازی دینامیکی، بهینه‌سازی عددی و یادگیری ماشین برای پیش‌بینی پارامترهای بهینه میراگر جرمی مایع تنظیم‌شونده (Tuned Liquid Mass Damper &amp;amp;ndash; TLMD) ارائه می‌شود. دو پارامتر کلیدی طراحی شامل نسبت فرکانسی بهینه و نسبت میرایی بهینه، با استفاده از شش الگوریتم یادگیری ماشین شامل رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، الگوریتم k نزدیک‌ترین همسایه (k-Nearest Neighbors)، ماشین بردار پشتیبان (Support Vector Machine) و بیز ساده (Naive Bayes) مورد بررسی قرار گرفته‌اند. این مطالعه برای دو سازه برشی یک‌طبقه و پنج‌طبقه مجهز به TLMD نصب‌شده بر روی بالشتک‌های الاستومری انجام شده است. پاسخ دینامیکی سازه‌ها تحت اثر شش رکورد زلزله با استفاده از تحلیل تاریخچه زمانی شبیه‌سازی شده و رفتار نوسانی مایع درون مخزن بر اساس مدل هازنر مدل‌سازی گردیده است. پارامترهای بهینه سیستم با استفاده از الگوریتم جستجوی الگو (Pattern Search) استخراج شده و پس از تقسیم‌بندی داده‌ها به سه کلاس عملکردی، به‌عنوان ورودی مدل‌های یادگیری ماشین به کار رفته‌اند. نتایج نشان می‌دهد که در پیش‌بینی نسبت فرکانسی بهینه، الگوریتم‌های k نزدیک‌ترین همسایه و جنگل تصادفی برای سازه یک‌طبقه بهترین عملکرد را با F1-score حدود 73 % ارائه می‌دهند، در حالی که در سازه پنج‌طبقه، به‌دلیل افزایش پیچیدگی رفتاری، الگوریتم بیز ساده با F1-score حدود 68 % عملکرد مناسب‌تری دارد. همچنین، بیز ساده در پیش‌بینی نسبت میرایی بهینه برای هر دو سازه عملکردی پایدار نشان داده و در سازه پنج‌طبقه دقتی در حدود 84 % به‌دست آمده است که کارایی چارچوب پیشنهادی را تأیید می‌کند.</description>
    </item>
    <item>
      <title>پیش‌بینی مقاومت فشاری بتن حاوی خاکستر بادی با استفاده از مدل‌های یادگیری ماشین</title>
      <link>https://ceej.aut.ac.ir/article_6026.html</link>
      <description>خاکستر بادی در نتیجه فرایند احتراق ذغال‌سنگ در نیروگاه ‌های حرارتی به عنوان یکی از محصولات جانبی به دست می‌آید. خاکستربادی ذرات بسیار ریز و میکروسکوپی دارد که معمولاً از ترکیب مواد معدنی مانند سیلیسیم دی ‌اکسید، آلومینیوم اکسید و آهن اکسید تشکیل شده است. این ترکیبات باعث می‌شوند که از خاکستربادی در صنایع مختلف، به ویژه در صنعت بتن، استفاده شود. ازکاربرد های خاکستربادی میتوان به افزودنی به بتن، پرکننده در آسفالت، ساخت آجر و بلوک‌های بتنی و جذب آلاینده ‌ها اشاره نمود. خاکستربادی به عنوان یک ماده پوزولانی، به کاهش تولید کربن دی‌اکسید در فرآیند تولید سیمان کمک می‌کند. در این مطالعه ابتدا یک پایگاه داده ای جامع از مطالعات گذشته در خصوص بتن حاوی خاکستر بادی جمع آوری شد. این داده ها شامل ۵۹۹ نمونه از مطالعات آزمایشگاهی معتبر بود. مجموعه داده‌های جمع‌آوری ‌شده شامل متغیرهای ورودی مختلفی از جمله نسبت آب به سیمان، مقدار خاکستر بادی، میزان سیمان، مقدار درشت‌دانه‌ ها، مقدار ریزدانه‌ ها، میزان روان‌کننده و سن عمل‌آوری بتن می‌باشد. برای پیش‌بینی مقاومت فشاری بتن ‌ها، از الگوریتم‌ های مختلف یادگیری ماشین از جمله برنامه‌ریزی ژنتیک)1(GP، سیستم استنتاج منطق فازی- عصبی)2(ANFIS، پرسپترون چندلایه)3(MLP، شبکه عصبی شعاعی پایه)4(RBF، کریجینگ(Kriging) و شبکه‌های عصبی تک لایه)5(ELM استفاده شده است. همچنین، دقت هر مدل با استفاده از شاخص‌های آماری ارزیابی شده و بهترین مدل معرفی گردید. نتایج نشان می‌دهد که مدل‌های مختلف یادگیری ماشین عملکردهای متفاوتی در پیش‌بینی مقاومت فشاری دارند. به ویژه روش کریجینگ (Kriging)با ضریب همبستگی 96/0 به عنوان بهترین مدل انتخاب گردید.</description>
    </item>
  </channel>
</rss>
