ArrangementGAN як равиши тарроҳии омӯзиши амиқ аст, ки пас аз ҷудокунии маъноии унсурҳои сохторӣ ва меъморӣ дар нақшаҳои меъморӣ, бо истифода аз шабакаи рақобатии тавлидӣ дар асоси pix2pixHD ҷойгиршавии ҳамвории демпферҳои часпакро ба таври худкор месозад. Дар ин таҳқиқот ArrangementGAN танҳо истифода нашудааст; аввал бо алгоритми генетикӣ (GA) намунаҳои Pareto-optimal-и тақсимоти амудии демпферҳо тавлид шуда, сипас персептрони бисёрқабата (Multilayer Perceptron, MLP) ин ҳалҳоро омӯхта, шумораи демпферҳоро барои ҳар ошёна зуд пешгӯӣ кардааст. Дар марҳилаи дуюм аз нақшаҳои меъморӣ сутун, дар/тиреза, девори пуркунанда ва минтақаҳои мувофиқи демпфер ҷудо карда шуда, ба ArrangementGAN дар асоси pix2pixHD дода шудаанд. Дар манбаъ барои MLP-и оптималӣ \(R^2=0.961\), хатои пешгӯии `<%5` ва афзоиши самаранокии ҳисоббарорӣ тақрибан ба андозаи ду тартиб; барои тамоми ҷараёни тарроҳӣ бошад нисбат ба равиши анъанавӣ афзоиши самаранокии бештар аз 10 маротиба гузориш шудааст. Гуфта мешавад, ки ArrangementGAN дар ҳолатҳои муҳандисӣ таҳти шароити тарроҳии сейсмикии дараҷаҳои 7 ва 8 талаботи кодро иҷро кардааст. Бо вуҷуди ин, таҳқиқот preprint-и аз баррасии ҳамтоён нагузашта мебошад; миқёси маълумоти омӯзишӣ, ҳамгироии маҳдуди донишҳои физикаи механикӣ ба модели омӯзишӣ ва интиқолпазирии модел байни шароити гуногуни сейсмикӣ маҳдудиятҳои муҳим мебошанд.

Хусусияти муҳими таҳқиқот дар он аст, ки саволи «демпферро дар куҷо ҷойгир кардан лозим?» дар ду миқёси ҷудогона баррасӣ мешавад. Ҷойгиркунии амудӣ муайян мекунад, ки ба кадом ошёнаи бино чанд демпфер ҷудо карда шавад. Ҷойгиркунии ҳамворӣ бошад муайян мекунад, ки дар нақшаи меъморӣ/борбардори ошёнаи муайян ин демпферҳо дар кадом кушодагӣ ва самтҳо ҷойгир карда шаванд. Занҷири GA–MLP масъалаи аввал ва ArrangementGAN масъалаи дуюмро ҳал мекунад.

Демпфери часпак унсури коҳиши энергия аст, ки барои пароканда кардани қисми энергияи механикӣ, ки аз ҳаракати нисбии иншоот зери зилзила ё бори дигари динамикӣ ба вуҷуд меояд, тавассути муқовимати часпак истифода мешавад. Аммо танҳо зиёд кардани шумораи демпферҳо кофӣ нест; тақсимоти байни ошёнаҳо, симметрия, роҳи интиқоли қувва, минтақаҳои дорои ҷойивазкунии зиёди байниошёнагӣ, тағйироти ногаҳонии сахтӣ, вазифаи меъморӣ ва дастрасӣ барои нигоҳдорӣ бояд якҷо ба назар гирифта шаванд.

Масъалае, ки таҳқиқот кӯшиш мекунад ҳал намояд

Оптимизатсияи анъанавии ҷойгиркунии демпферҳо асосан ба таҷрибаи муҳандисӣ, таҳлилҳои итеративӣ ва усулҳои оптимизатсия ба монанди алгоритми генетикӣ ё тӯдаи зарраҳо такя мекунад. Гарчанде ин усулҳо метавонанд натиҷаҳои босифат диҳанд, махсусан дар иншооти мураккаб ё баланд таҳлили такрории шумораи зиёди алтернативаҳо вақти ҳисоббарориро зиёд мекунад.

Масъалаи дуюм он аст, ки оптимизатсияи танҳо як ҳадаф кофӣ нест. Танҳо кам кардани ҷойивазкунии ҳадди аксари ошёна ё танҳо коҳиш додани хароҷот метавонад ҳадафҳои дигар, ба монанди шитоб, тобхӯрӣ, шумораи демпферҳо, симметрия ва қобили татбиқро аз назар дур кунад. Аз ин рӯ, манбаъ равиши бисёрҳадафаро истифода мебарад, ки ҷойивазкунӣ, шитоб ва самаранокии иқтисодиро якҷоя арзёбӣ мекунад.

Масъалаи сеюм ин аст, ки шумораи оптималии демпферҳои бадастомада дар нақшаи воқеии меъморӣ чӣ гуна ҷойгир карда шавад. Алгоритм метавонад бигӯяд, ки дар ошёнаи муайян шаш демпфер лозим аст; аммо онҳо набояд бо дару тирезаҳо бархӯранд, бояд дар минтақаҳои мувофиқи девори пуркунанда ҷойгир шаванд, ба унсурҳои борбардор боэътимод пайваст гарданд ва то ҳадди имкон мутавозин/симметрӣ тақсим карда шаванд. ArrangementGAN маҳз ҳамин қабати дуюми тарроҳиро ҳадаф қарор медиҳад.

Чаро равиши гибридии GA–MLP истифода шудааст?

Равиши гибридии GA–MLP барои якҷо кардани қобилияти ҷустуҷӯи бисёрҳадафаи алгоритми генетикӣ бо пешгӯии босуръати регрессии MLP истифода шудааст: GA байни ҳадафҳои амният, шитоб ва иқтисод тақсимоти амудии Pareto-optimal-и демпферҳоро тавлид мекунад, дар ҳоле ки MLP аз ин ҳалҳои аз ҷиҳати ҳисоббарорӣ гарон робитаи вуруд–баромадро меомӯзад ва шумораи демпферҳоро барои ҳар ошёнаи иншооти нав хеле зудтар пешгӯӣ мекунад.

Нақши алгоритми генетикӣ

Алгоритми генетикӣ на ҳамчун муҳаррики ниҳоии пешгӯии вақти воқеӣ, балки ҳамчун тавлидкунандаи маълумоти омӯзишии босифат ҷойгир карда шудааст. Пас аз ҳисоб кардани ҷавобҳои динамикии иншоот, ҷойивазкунӣ, шитоб ва ҳадафҳои иқтисодӣ якҷоя баррасӣ мешаванд. GA бо стратегияи такмилёфтаи интихоби параллелӣ ба ҷойи як ҳал маҷмӯи ҳалҳои Pareto-ро, ки аз ҳам бартарӣ надоранд, тавлид мекунад.

Ҳалли Pareto-optimal ҳале мебошад, ки ҳангоми беҳтар кардани як ҳадаф бидуни бад кардани ҳадафи дигар дигар беҳтар карда намешавад. Ҳамин тавр, масалан, ба ҷойи илова кардани шумораи номаҳдуди демпферҳо барои кам кардани ҷойивазкунӣ, фазои ҳалҳои бисёрҳадафа байни амният ва хароҷот ба даст меояд.

Манбаъ нишон медиҳад, ки ҷавобҳои динамикӣ бо усули Newmark ҳисоб шудаанд. Бо вуҷуди ин, дар матни дастрас навишти возеҳи математикии муодилаи ҳаракати сохторӣ, параметрҳои Newmark \(\beta/\gamma\) ё тафсилоте монанди андозаи популятсия, сатҳи мутация ва сатҳи кроссовери GA ба таври намоён гузориш нашудаанд. Ин арзишҳо аз ҷониби Verianla пур карда нашудаанд.

Шаш вуруд ва даҳ баромади MLP

MLP-и истифодашуда аз як қабати вуруд, ду қабати пинҳон ва як қабати баромад иборат аст. Қабатҳои пинҳон мутаносибан 64 ва 32 нейрон доранд. Вектори вуруд шашченака аст; манбаъ дар қисми таҷрибавӣ ин вурудҳоро ҳамчун массаи ошёна, сахтии ошёна, шумораи ошёнаҳо, басомади асосӣ ва ҳадафҳои интизоршавандаи ҷойивазкунӣ/шитоб муайян мекунад.

Вектори баромад даҳченака аст. Тибқи манбаъ, ҳар як баромад бо шумораи демпферҳое алоқаманд аст, ки ба ошёнаи дахлдори иншооти каркасӣ таъин мешаванд. Аз ин рӯ, ҳадафи шабака мустақиман тавлиди нақша нест, балки пешгӯии қарори тақсимоти амудӣ тавассути регрессия мебошад.

Ҳисобкунии нейрони MLP

Муодилаҳои 1 ва 2-и манбаъ амали асосиро дар гиреҳи пурра пайвастшудаи MLP чунин медиҳанд:

\[ z_j=\sum_i (w_{ij}x_i+b) \tag{1} \]

\[ y_j=f(z_j) \tag{2} \]

\(x_i\) арзиши вуруд, \(w_{ij}\) вазни байни гиреҳи вуруди i ва гиреҳи j, \(b\) ҳади bias, \(z_j\) комбинатсияи хаттӣ ва \(y_j\) баромади нейрон пас аз функсияи фаъолсозиро ифода мекунад.

Аз ҷиҳати математикӣ, муодилаи аввал вурудҳоро бо вазнҳо якҷо мекунад. Муодилаи дуюм бошад ба ин комбинатсияи хаттӣ фаъолсозии ғайрихаттӣ татбиқ мекунад. Бо ин роҳ шабака метавонад на танҳо робитаҳои хаттӣ, балки робитаҳои мураккабтари байни параметрҳои сохторӣ ва тақсимоти оптималии демпферҳоро низ тақрибан ифода намояд.

Функсияҳои фаъолсозӣ

Манбаъ функсияҳои тангенси гиперболикӣ ва Rectified Linear Unit (ReLU)-ро медиҳад:

\[ f(x)=\tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}} \tag{3} \]

\[ f(x)=\max(0,x) \tag{4} \]

Дар манбаъ ҳосилаҳои онҳо низ нишон дода шудаанд:

\[ f'(x)=1-\tanh^2(x) \tag{5} \]

\[ f'(x)= \begin{cases} 1, & x>0\\ 0, & \text{aksi halde} \end{cases} \tag{6} \]

Нақши ин ҳосилаҳо ҳисоб кардани самт ва бузургии навсозии вазнҳо ҳангоми паҳнкунии баръакс мебошад. Манбаъ дар шарҳи омӯзиш ба паҳнкунии баръакси Levenberg–Marquardt ишора мекунад ва дар қисми гиперпараметрҳои таҷрибавӣ сохтори интихобшудаи шабака ва суръати омӯзишро алоҳида арзёбӣ менамояд.

ArrangementGAN чист ва чиро автоматӣ мекунад?

ArrangementGAN як низоми тарроҳии бар асоси шабакаи рақобатии тавлидӣ аст, ки барои тавлиди ҷойгиршавии ҳамвории демпферҳо мувофиқи принсипҳои муҳандисӣ аз нақшаи меъмории аз ҷиҳати семантикӣ коркардшуда меъмории image-to-image translation-и pix2pixHD-ро истифода мебарад; низом нақшаро бо Architectural Drawing Interpreter ҷудо мекунад, бо Arrangement Generator тарҳи демпферҳоро месозад ва бо Structural Modeler параметрҳои сохториро гирифта, онҳоро ба арзёбии унсурҳои ниҳоӣ дар асоси SAP2000 мепайвандад.

Маънои илмии Расми 1-и манбаъ

Расми 1 дар саҳифаи 6-и манбаъ ҷараёни сеқисмии маълумот ва муҳандисиро нишон медиҳад. Қисми аввал табдили нақшаи меъмориро ба модели семантикӣ, қисми дуюм маълумоти модели сохториро, ки бо ҷойгиршавии мавҷуда/оптималии демпферҳо алоқаманд аст, ва қисми сеюм шабакаҳои генератор ва дискриминатори ArrangementGAN дар асоси pix2pixHD-ро нишон медиҳад.

Паёми илмии ин расм дар он аст, ки GAN тавлидкунандаи оддии тасвир нест. Нақшаи вуруд аввал ба категорияҳои аз ҷиҳати сохторӣ маънодор ҷудо мешавад ва тарҳи ниҳоӣ баъдан ба муҳити таҳлили сохторӣ пайваст карда мешавад.

Коркарди пешакии семантикии нақша

Манбаъ дар нақшаи меъморӣ танҳо унсурҳои барои модел заруриро нигоҳ медорад:

Ҳадафи сегментатсияи семантикӣ кам кардани тафсилоти нолозими нақша ва осон кардани омӯзиши танҳо хусусиятҳои геометрии аз ҷиҳати муҳандисӣ маънодор аз ҷониби GAN мебошад.

Муқоисаи U-Net ва pix2pixHD

Таҳқиқот ду меъмории тавлиди тасвирро дар як маҷмӯи додаҳои ҷойгиркунии демпферҳо муқоиса мекунад. U-Net ҳамчун равиши классикии синтези тасвир дар асоси CNN ва pix2pixHD ҳамчун модели image-to-image translation-и ҳалли баланд, ки adversarial training-ро дар бар мегирад, арзёбӣ шудааст.

Дар ҳолати намояндагии Расми 3-и манбаъ:

Ин ду рақам танҳо ба як намунаи намояндагӣ тааллуқ доранд; онҳо набояд ҳамчун миёнаи умумии тамоми маҷмӯи додаҳои тестӣ тафсир шаванд.

Гиперпараметри \(\gamma_{FM}\)

Дар pix2pixHD \(\gamma_{FM}\) гиперпараметрест, ки ба вазни ҷузъи feature-matching loss дар талафоти умумӣ таъсир мерасонад. Таҳқиқот нақшаҳои дар арзишҳои гуногуни \(\gamma_{FM}\) тавлидшударо муқоиса карда, дар 20 ҳолати тестӣ аз якчанд метрика истифода кардааст.

Манбаъ гузориш медиҳад, ки ҳангоми \(\gamma_{FM}=0\) ё 1 нақшаҳо пурғавғотар ва дар гирифтани қоидаҳои ҷойгиршавӣ заифтаранд; бо зиёд шудани арзиш натиҷаҳо беҳтар шуда, дар як диапазони муайян устувор мегарданд. Дар танзими ниҳоии ArrangementGAN:

\[ \gamma_{FM}=10 \]

интихоб шудааст. Дигар параметрҳои pix2pixHD бо танзимоти стандартии шабака нигоҳ дошта шудаанд.

Муҳити омӯзиши ArrangementGAN

IoU дар ҷойгиркунии демпфер чиро чен мекунад?

Intersection over Union (IoU) бо тақсим кардани масоҳати буриш ба масоҳати иттиҳод чен мекунад, ки минтақаи демпфери тавлидкардаи ArrangementGAN аз ҷиҳати геометрӣ то чӣ андоза бо минтақаи ҳадафии демпфер, ки муҳандис сохтааст, ҳампӯш мешавад; бо зиёд шудани арзиш ҳампӯшии фазоии ду ҷойгиршавӣ меафзояд, аммо ин метрика худ аз худ ченаки мустақими кори воқеӣ ҳангоми зилзила нест.

Арзёбии бар асоси контур

Дар манбаъ нақшаҳои тавлидшуда ва ҳадаф аввал ба зер-тасвирҳои хурд тақсим мешаванд. Контурҳои демпфер аз фазои ранги HSV ҷудо шуда, координатҳо бо истифода аз функсияҳои муайянкунии контури OpenCV муқаррар карда мешаванд.

Муодилаи 12-и манбаъ:

\[ S_{DIoU}= \frac{A_{\mathrm{intersection}}} {A_{\mathrm{union}}} \tag{12} \]

ва масоҳати иттиҳод:

\[ A_{\mathrm{union}} = A_{\mathrm{target}} + A_{\mathrm{GAN}} - A_{\mathrm{intersection}} \]

чунин аст.

\(A_{\mathrm{target}}\) масоҳати ҷойгиршавии демпфер дар тарҳи муҳандисиро; \(A_{\mathrm{GAN}}\) масоҳати тавлидкардаи GAN-ро; \(A_{\mathrm{intersection}}\) буриши ду масоҳатро ифода мекунад. Ченак бевоҳид аст.

Агар ду ҷойгиршавӣ пурра ҳампӯш шаванд, нисбат ба 1 наздик мешавад. Агар буриш набошад, 0 мешавад. Аммо рафтори динамикии сохтории ду тарҳ бо арзиши якхелаи IoU ҳатман яксон нест; аз ин рӯ, таҳқиқот IoU-ро якҷоя бо арзёбии тарроҳ ва меъёрҳои муҳандисӣ истифода мебарад.

Чаро идроки инсон алоҳида арзёбӣ шудааст?

Монандии баромади GAN ба нақшаи ҳадаф дар сатҳи пиксел кафолат намедиҳад, ки он аз ҷиҳати муҳандисӣ табиӣ ва қобили татбиқ ба назар мерасад. Аз ин рӯ, манбаъ панели иборат аз 30 муҳандиси ботаҷрибаи сохтор ва 10 донишҷӯи таҳсилоти баъдидипломиро истифода кардааст.

Ба иштирокчиён ҷойгиршавиҳои семантикии демпфер нишон дода шуда, ду вазифа дода шудааст:

1. Тахмин кардан, ки нақша аз ҷониби инсон ё ArrangementGAN омода шудааст.
2. Мантиқии ҷойгиршавиро аз 1 = ғайримантиқӣ то 5 = мантиқӣ баҳогузорӣ кардан.

Муодилаҳои 7–11 барои арзёбии инсон

Манбаъ метрикаи фарқкунии AI–инсонро чунин муайян мекунад:

\[ R_{EP-1} = \frac{1}{N_{ex}+N_{nonex}} \sum_i^{N_{ex}+N_{nonex}} \frac{N_F}{N_F+N_T} \tag{7} \]

Дар ин ҷо \(N_{ex}\) шумораи коршиносон, \(N_{nonex}\) шумораи арзёбони ғайрикоршинос, \(N_T\) таснифоти дурусти AI/manual ва \(N_F\) таснифоти нодурустро ифода мекунад. Аз ин рӯ, Муодилаи 7 аслан бо сатҳи фарқкунии нодурусти арзёбандагон алоқаманд аст.

Арзёбии мантиқӣ дар манбаъ:

\[ R_{EP-2} = \gamma_{ex} \frac{1}{N_{ex}} \sum_i^{N_{ex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) + \gamma_{nonex} \frac{1}{N_{nonex}} \sum_i^{N_{nonex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) \tag{8} \]

оварда шудааст. \(S_j\) холе аз 1–5 аст, ки ба тарҳи j-ум дода шудааст.

Вазнҳои гурӯҳӣ дар манбаъ чунин муайян мешаванд:

\[ \gamma_{ex} = \frac{\sigma_{nonex}/\mu_{nonex}} {\sigma_{ex}/\mu_{ex}+\sigma_{nonex}/\mu_{nonex}}, \qquad \gamma_{nonex}=1-\gamma_{ex} \tag{9} \]

Миёна ва инҳирофи стандартӣ бошад:

\[ \mu=\frac{\sum_{i=1}^{N}x_i}{N} \tag{10} \]

\[ \sigma= \sqrt{ \frac{\sum_{i=1}^{N}(x_i-\mu)^2}{N} } \tag{11} \]

чунин навишта шудаанд.

Ёддошти дохилии манбаъ: Ҳангоме ки Муодилаи 9 вазни гурӯҳҳои коршинос ва ғайрикоршиносро аз рӯи коэффисиентҳои тағйирёбӣ муайян мекунад, матни ҳамон бахш ибораи “equal weighting applied to both groups”-ро истифода мебарад. Азбаски формула ва шарҳи матнӣ як чизро ба таври равшан намегӯянд, ин фарқ бояд бидуни ислоҳ нигоҳ дошта шавад.

Натиҷаи арзёбии инсон

Дар бахши натиҷаҳо гузориш шудааст, ки %39,36-и ҷойгиршавиҳои тавлидкардаи AI аз ҷониби коршиносон ҳамчун тарҳи муҳандисии дастӣ қабул шудаанд. Ин натиҷа маънои онро надорад, ки «%39,36-и тарҳҳои AI дурустанд»; он танҳо ба вазифаи фарқ кардани манбаи тарҳ аз ҷониби арзёбандагон марбут аст.

Манбаъ инчунин фарқи холҳои мантиқӣ байни ArrangementGAN ва тарҳи дастиро %12,01 гузориш медиҳад ва мегӯяд, ки натиҷаҳо бо принсипҳои ҷойгиркунии “uniform, dispersed, peripheral” мувофиқанд.

Он чизе, ки таҳқиқот дастгирӣ мекунад ва намекунад

Таҳқиқот дастгирӣ мекунад: Дар маҷмӯи додаҳо ва ҳолатҳои муҳандисии баррасишуда ҷойгиршавиҳои оптималии амудии тавлидкардаи GA метавонанд аз ҷониби MLP бо мутобиқати баланд пешгӯӣ шаванд; ArrangementGAN дар асоси pix2pixHD метавонад аз нақшаҳои меъморӣ ҷойгиршавиҳои семантикии демпфер ба тарҳи дастӣ монанд тавлид кунад; ҳангоми омӯзиши махсуси шароитӣ нишондиҳанда дар ҳолатҳои дараҷаи 7 ва 8 баландтар аст.

Таҳқиқот дастгирӣ намекунад: Низом исбот намекунад, ки дар ҳар навъи бино, ҳар минтақаи зилзила ё зери ҳар гуна меъёр бидуни санҷиш тарҳи бехатар тавлид мекунад. Баромади модел набояд ҳамчун ҷойгузини масъулияти тарроҳӣ, таҳлил ва меъёрии муҳандиси литсензиядори сохторӣ тафсир шавад. Илова бар ин, манбаъ иншооти пурраҳаҷмро зери зилзилаи воқеӣ ба таври ҷисмонӣ озмоиш намекунад.

Усул ва Натиҷаҳои Таҳқиқот

1. Ҷараёни умумии кор

2. Ҷустуҷӯи гиперпараметрҳои MLP

Панҷ конфигуратсияи шабака муқоиса шудаанд:

• [30,25]
• [30,40]
• [40,30]
• [64,32]
• [128,64]

Барои ҳар сохтор чор суръати омӯзиш санҷида шудааст: 0,1; 0,01; 0,001 ва 0,0001. Манбаъ мегӯяд, ки дар суръати омӯзиши 0,1 лаппишҳои равшан мушоҳида шуданд; 0,001 ва 0,0001 устувортар ҳамгаро шуданд, аммо муваффақияти 0,0001 коҳиш ёфт. Дар натиҷа 0,001 интихоб шудааст.

3. Таҷрибаҳои MLP бо даҳ такрор

Диаграммаҳои қуттии Расми 9-и манбаъ панҷ конфигуратсияи MLP-ро дар доираи таҷрибаи 10-маротиба такроршуда аз рӯи хатои омӯзиш ва тест муқоиса мекунанд. Наздик будани хатогиҳои омӯзиш ва тест аз ҷониби манбаъ ҳамчун нишондиҳандаи умумисозии хуб тафсир шудааст.

Меъмории [64,32] азбаски ҳам дар маълумоти омӯзишӣ ва ҳам тест медианаи пасттари RMSE ва тағйирпазирии камтар дошт, ҳамчун MLP-и ниҳоӣ интихоб шудааст.

Манбаъ барои масъалаи регрессия истилоҳҳои “precision” ва “accuracy”-ро истифода мебарад. Ин фоизҳо набояд ба таври худкор бо метрикаи accuracy-и таснифот баробар дониста шаванд; онҳо бояд ҳамчун истилоҳоти худи манбаъ барои гузориш арзёбӣ шаванд.

Муодилаи \(R^2\), ки дар манбаъ истифода шудааст, чӣ гуна бояд тафсир шавад?

Муодилаи 13-и манбаъ ҳамчун ифодаи \(R^2\) чоп шудааст, ки маҷмӯи квадратҳои пешгӯиҳоро дар атрофи миёнаи арзишҳои воқеӣ ба вариатсияи умумии арзишҳои воқеӣ нисбат медиҳад ва дар натиҷаҳои ҷадвал ҳар қадар арзиш ба 1 наздик шавад, мутобиқати беҳтар тафсир мешавад; азбаски муодила бо шакли маъмули \(1-\mathrm{SSE}/\mathrm{SST}\) яксон дода нашудааст, Verianla ин формуларо хомӯшона ба шакли стандартӣ табдил намедиҳад.

Дар манбаъ Муодилаи 13 чунин аст:

\[ R^2= \frac{ \sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2 }{ \sum_{i=1}^{n}(y_i-\bar{y})^2 } \tag{13} \]

\(n\) шумораи намунаҳо, \(\hat{y}_i\) арзиши пешгӯишуда, \(y_i\) арзиши воқеӣ ва \(\bar{y}\) миёнаи арзишҳои воқеиро ифода мекунад.

Манбаъ дар Ҷадвали 4 ва Расми 10 арзиши 0,9610-ро чунин тафсир мекунад, ки модел тақрибан %96,1 тағйиротро шарҳ медиҳад. Ин тафсир тафсири муаллифони манбаъ аст ва шакли муодила бидуни тағйир интиқол дода шудааст.

4. Муқоисаи ҷавоби сохторӣ байни MLP ва GA

Дар Расми 11 ҷавобҳои сохтории тарҳи демпфер дар асоси GA ва тарҳи пешгӯишудаи MLP барои чор маҷмӯи тест муқоиса мешаванд. Манбаъ мегӯяд, ки каҷҳо ба ҳам наздиканд ва равиши MLP махсусан дар давраҳои кӯтоҳи тарроҳии муҳандисӣ бартарии ҳисоббарорӣ медиҳад.

Дар бахши натиҷаҳо барои марҳилаи MLP:

• \(R^2 = 0.961\),
• хатои пешгӯӣ < %5,
• беҳбудии самаранокии ҳисоббарорӣ тақрибан ба андозаи ду тартиб

гузориш шудааст.

5. Санҷиши гиперпараметрии ArrangementGAN

Расми 4-и манбаъ нишон медиҳад, ки бо тағйир додани арзишҳои \(\gamma_{FM}\) баромадҳои pix2pixHD аз ҷиҳати визуалӣ чӣ гуна тағйир меёбанд. Дар арзишҳои паст садо ва хатогиҳои ҷойгиркунӣ мушоҳида мешаванд, дар арзишҳои баландтар монандӣ ба нақшаи ҳадаф ва мантиқии тақсимоти демпфер зиёд мегардад.

Дар Расми 5 барои 20 ҳолати тестӣ \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) ва метрикаҳои иловагӣ, ки дар манбаъ ҳамчун \(\alpha\) муайян шудаанд, муқоиса шудаанд. Танзими ниҳоӣ \(\gamma_{FM}=10\) аст.

6. Шароити тарроҳии сейсмикии дараҷаҳои 7 ва 8

Манбаъ мегӯяд, ки ҳангоми якҷо кардани намунаҳои дараҷаҳои гуногуни таҳкими сейсмикӣ дар як маҷмӯи омӯзишӣ, модели pix2pixHD ба миёнаи тақсимот майл мекунад ва дар дуруст гирифтани талаботи хоси демпфер барои ҳар шароит мушкилӣ мекашад.

Аз ин рӯ, се модел омӯзонида шудаанд:

• M-Group7: танҳо маълумоти шароити дараҷаи 7,
• M-Group8: танҳо маълумоти шароити дараҷаи 8,
• M-Mix Group: маълумоти омехтаи дараҷаҳои 7–8.

Барои тест як ҳолати воқеии сохтории дараҷаи 7 ва як ҳолати дараҷаи 8, ки дар омӯзиш истифода нашуда буданд, интихоб шудаанд.

Чаро шароити тарроҳии дараҷаҳои 7 ва 8 омӯзиши моделҳои ҷудогонаро талаб мекунад?

Дар таҳқиқот дараҷаи тарроҳии сейсмикӣ шумораи зарурии демпферҳо ва тақсимоти ҷойгиршавиро тағйир медиҳад, бинобар ин маълумоти омӯзишии омехтаи 7–8 дараҷа боис шудааст, ки модел фарқиятҳои байни шароитҳоро ба миёна барад; натиҷаҳои ҷадвал низ нишон медиҳанд, ки моделҳои M-Group7 ва M-Group8, ки дар ҳамон синфи сейсмикии шароити тест омӯзонида шудаанд, дар маҷмӯи тестии мувофиқи худ баландтарин арзишҳои \(W_{cv}\)-ро медиҳанд.

Номувофиқии дохилии манбаъ: Гарчанде шарҳи матнӣ мегӯяд, ки барои Group7 арзиши M-Mix аз 0,5 зиёд аст, арзиши Ҷадвали 6 0,427 мебошад. Ҳамон шарҳ мегӯяд, ки барои Group8 M-Group8 аз 0,5 гузашта наметавонад, дар ҳоле ки арзиши Ҷадвали 6 0,595 аст. Verianla рақамҳои дар ҷадвал дидашударо тағйир надода ва ин зиддиятро пинҳон накардааст.

Тамоюли возеҳи дохили худи ҷадвал ин аст, ки модели мувофиқ ба шароити тест натиҷаи беҳтарин медиҳад: дар тести Group7, M-Group7 = 0,670; дар тести Group8, M-Group8 = 0,595. Ин натиҷа шарҳи манбаъро дастгирӣ мекунад, ки дар оянда маҷмӯи додаҳои намояндаи шароити гуногуни тарроҳӣ бояд тасниф ва алоҳида омӯзонида шаванд.

7. Санҷиши муҳандисӣ

Манбаъ дар бахши натиҷаҳо мегӯяд, ки ArrangementGAN дар ҳолатҳои муҳандисии шароити таҳкими сейсмикии дараҷаҳои 7 ва 8 татбиқ шуда, ҷавобҳои асосии сохторӣ ба монанди таносуби ҷойивазкунии байниошёнагӣ ва шитоб дар сатҳҳои зилзилаи зуд-зуд, тарроҳӣ ва нодир талаботи кодро қонеъ кардаанд.

Бо вуҷуди ин, дар матни дастрас манбаъ номи пурраи ин код ё ҳамаи арзишҳои ҳаддиро дар шакли ҷадвали муфассал намедиҳад. Аз ин рӯ, Verianla номи меъёри мушаххас ё арзиши ҳаддиро илова намекунад.

Ду рақами дигари бахши натиҷаҳо:

Суръатёбии тақрибан ду тартиб ва самаранокии умумии тарроҳии бештар аз 10 маротиба набояд ҳамчун як ченак якҷоя карда шаванд. Манбаъ онҳоро дар заминаҳои гуногун гузориш медиҳад.

8. Ҷиҳатҳои қавии таҳқиқот

Ҷиҳати қавии аввал ҷудо кардани вазифаҳои оптимизатсия ва омӯзиши амиқи тавлидӣ мебошад. GA ҳалҳои босифати Pareto-ро меёбад; MLP пешгӯии босуръати онҳоро меомӯзад; ArrangementGAN бошад онҳоро ба нақшаи меъморӣ табдил медиҳад.

Ҷиҳати қавии дуюм ин аст, ки таҳқиқот танҳо ба монандии тасвир такя намекунад. Метрикаҳои диди компютерӣ, арзёбии инсон ва принсипҳои муҳандисӣ якҷоя истифода шудаанд.

Ҷиҳати қавии сеюм ин аст, ки таъсири шароити тарроҳии сейсмикӣ ба рафтори модел ба таври таҷрибавӣ ба назар гирифта шуда, нишон дода шудааст, ки маҷмӯи додаҳои омехта дар ҳама ҳолат натиҷаи беҳтарин намедиҳад.

Ҷиҳати қавии чорум гузориш шудани қисми муҳими таҷҳизоти омӯзишӣ, андозаи тасвир, суръати омӯзиш, batch size, epoch, версияҳои нармафзор ва гиперпараметрҳои асосӣ мебошад.

9. Маҳдудиятҳои асосӣ

Манбаъ ҳанӯз аз баррасии ҳамтоён нагузаштааст.

Муваффақияти модели омӯзиши амиқ аз фарогирии маълумоти омӯзишӣ вобаста аст. Манбаъ низ камолоти модел ва миқёси маҷмӯи додаҳоро мустақиман ҳамчун маҳдудият зикр мекунад.

Низоми омӯзишии мавҷуда ҳамаи принсипҳои физикии механикаи сохториро мустақиман ба шабакаи нейронӣ ҷой намедиҳад. Муаллифон махсусан пешниҳод мекунанд, ки дар оянда моделҳои содашудаи механикӣ ба чаҳорчӯбаи омӯзиш ҳамгиро карда шаванд.

Омӯзиши омехтаи шароити дараҷаҳои 7 ва 8 майли моделро ба бурдани тақсимоти хоси шароит ба миёна нишон медиҳад. Бинобар ин, наметавон фарз кард, ки моделе, ки дар як тақсимоти омӯзишӣ муваффақ аст, дар синфи дигари тарроҳии сейсмикӣ ҳамон нишондиҳандаро нигоҳ медорад.

Дар манбаъ шумораи умумии намунаҳои маҷмӯи додаҳо, ҳамаи гиперпараметрҳои оптимизатсияи GA ва параметрҳои Newmark, ки дар ҳалли динамикӣ истифода шудаанд, ба таври возеҳ гузориш нашудаанд. Ин камбудиҳо бозтавлидпазирии пурраи мустақилро маҳдуд мекунанд.

Байни баёни \(W_{cv}\)-и манбаъ ва Ҷадвали 6 зиддияти мустақими рақамӣ мавҷуд аст.

Арзёбии инсон бо 30 коршинос ва 10 арзёбандаи ғайрикоршинос гузаронида шудааст. Ин панел дар бораи эътимоднокии визуалӣ ва муҳандисии ArrangementGAN маълумоти муфид медиҳад; аммо таҳқиқоти васеи популятсионӣ нест, ки идроки тамоми ҷомеаи муҳандисии сохториро намояндагӣ кунад.

10. Самтҳои таҳқиқоти оянда

Муаллифон се самти асосии таҳқиқотро пешниҳод мекунанд:

• ҳамгиро кардани моделҳои содашудаи механикӣ ба чаҳорчӯбаи омӯзиш,
• таҳияи метрикаҳои фарогиртаре, ки сифати тавлиди тасвир ва кори воқеии сохториро якҷоя арзёбӣ мекунанд,
• баррасии маълумоти омӯзишии муттаҳидаи матн–тасвир барои омӯхтани имкони кори як модел дар шароити гуногуни тарроҳӣ.

Ин пешниҳодҳо натиҷаҳои нави дар таҳқиқоти мавҷуда тасдиқшуда нестанд; онҳо нақшаҳои таҳқиқоти ояндаи муаллифон мебошанд.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

Муаллифон: Dongsheng Du; Yunlong Zhang; Weizhi Xu; Zhengyu Luo; Shuguang Wang; Yan Geng; Xi Chen.

Манбаи маълумоти муаллифон: Дар саҳифаи аввали намоёни PDF-и боршуда сатри муаллифон вуҷуд надорад; тартиби муаллифон аз сабти расмии библиографии SSRN тасдиқ шудааст.

Муаллифи масъул / иртиботӣ: Дар сабти SSRN Dongsheng Du ҳамчун “Contact Author” нишон дода шудааст.

Аффилиатсия: SSRN барои Dongsheng Du, Yunlong Zhang, Weizhi Xu ва Shuguang Wang маълумоти Nanjing Tech University-ро медиҳад. Барои Zhengyu Luo, Yan Geng ва Xi Chen дар сабти SSRN аффилиатсия дода нашудааст; Verianla маълумоти норасои муассисаро аз худ набофтааст.

Платформа: SSRN.

Рақами SSRN: 7180412.

DOI: 10.2139/ssrn.7180412.

Санаи сабти SSRN: 25 июли 2026.

Ҳаҷм: 33 саҳифа.

Навъи манбаъ: Preprint-и тарроҳии муҳандисии сохторӣ дар асоси омӯзиши мошинӣ / омӯзиши амиқ.

Ҳолати баррасии ҳамтоён: PDF-и манбаъ ба таври равшан мегӯяд, ки таҳқиқот аз баррасии ҳамтоён нагузаштааст.

Литсензия: Дар индекси сабти расмии SSRN бахши “License Information” дида мешавад; аммо азбаски сабти дастрас шартҳои мушаххаси истифодаи такрориро равшан нишон намедиҳад, литсензияи кушода фарз нашудааст. Расмҳои манбаъ набояд айнан аз нав истифода шаванд.

Алгоритмҳои асосӣ: алгоритми генетикии такмилёфта; оптимизатсияи бисёрҳадафаи Pareto; Multilayer Perceptron; pix2pixHD; ArrangementGAN; сегментатсияи семантикӣ; таҳлили IoU/контур.

Пайванди таҳлили сохторӣ: Манбаъ мегӯяд, ки модули Structural Modeler дар ҷараёни ArrangementGAN ба таҳлили унсурҳои ниҳоӣ бо SAP2000 пайваст мешавад.

Тақсимоти маълумоти MLP: %80 омӯзиш, %20 тест.

Омӯзиши ArrangementGAN: тасвири се-каналӣ 2048 × 1024 пиксел; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; \(\gamma_{FM}=10\)-и ниҳоӣ.

Арзёбии инсон: 30 муҳандиси сохторӣ бо таҷрибаи назорати ларзиш ва 10 донишҷӯи таҳсилоти баъдидипломӣ.

Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки манфиати молиявии маълум ё муносибати шахсие, ки метавонад ба таҳқиқот таъсир расонад, вуҷуд надорад.

Дастрасии маълумот: “Data will be made available on request.”

Маблағгузорӣ: Дар манбаъ бахши алоҳидаи маблағгузорӣ дида намешавад; набудани маблағгузорӣ фарз нашудааст.

CRediT / саҳми муаллифон: Дар манбаъ бахши алоҳидаи саҳми муаллифон дида намешавад.

Маҳдудиятҳои асосии бозтавлидпазирӣ: Андозаи умумии маҷмӯи маълумоти омӯзишӣ, ҳамаи гиперпараметрҳои оптимизатсияи GA, муодилаи возеҳи ҳаракат/параметрҳои Newmark ва ҳамаи арзишҳои ҳаддии меъёри зилзилаи истифодашуда дар усули асосии дастрас пурра дода нашудаанд.

Маҳдудияти дохилии гузориш: Барои \(W_{cv}\) байни баёни саҳифаи 25 ва Ҷадвали 6 дар саҳифаи 27 зиддияти мустақим вуҷуд дорад. Илова бар ин, ибораи “equal weighting” дар арзёбии коршинос/ғайрикоршинос бо вазнҳои бар асоси коэффисиенти тағйирёбии Муодилаи 9 пурра мувофиқ нест.

Маҳдудияти асосии тафсир: Таҳқиқот кори як низоми тарроҳии муҳандисии дастгиришаванда аз AI-ро дар доираи маълумот ва шароити ҳолатҳои баррасишуда нишон медиҳад. Натиҷаҳо нишон намедиҳанд, ки ҷойгиршавиҳои тавлидкардаи AI метавонанд дар системаҳои гуногуни сохторӣ, кишварҳо, меъёрҳо ва шароити сейсмикӣ бидуни санҷиши иловагии муҳандисӣ мустақиман татбиқ шаванд.