ArrangementGAN arxitektura chizmalaridagi konstruktiv va me’moriy elementlarni semantik jihatdan ajratgandan so‘ng pix2pixHD asosidagi generativ raqib tarmoqdan foydalanib viskoz so‘ndirgichlarning tekislikdagi joylashuvini avtomatik hosil qiladigan chuqur o‘rganish dizayn yondashuvidir. Ushbu tadqiqotda ArrangementGAN yakka holda ishlatilmagan; avval genetik algoritm (GA) yordamida vertikal so‘ndirgich taqsimotlarining Pareto-optimal namunalari yaratilgan, keyin ko‘p qatlamli perseptron (Multilayer Perceptron, MLP) bu yechimlarni o‘rganib, qavatlar bo‘yicha so‘ndirgich sonlarini tez baholagan. Ikkinchi bosqichda arxitektura chizmalaridan ustun, eshik/deraza, to‘ldiruvchi devor va mos so‘ndirgich zonalari ajratib olinib, pix2pixHD asosidagi ArrangementGAN-ga berilgan. Manbada optimal MLP uchun \(R^2=0.961\), `<%5` bashorat xatosi va taxminan ikki tartibli hisoblash samaradorligi oshishi; butun dizayn ish jarayoni uchun esa an’anaviy yondashuvga nisbatan 10 martadan ortiq samaradorlik oshishi xabar qilingan. ArrangementGAN-ning 7 va 8 darajali seysmik loyihalash sharoitlaridagi muhandislik holatlarida me’yor talablarini bajargani bildirilgan. Biroq tadqiqot hali ekspert taqrizidan o‘tmagan preprint bo‘lib, o‘quv ma’lumotlari ko‘lami, mexanik-fizik bilimlarning o‘rganish modeliga cheklangan integratsiyasi va turli seysmik sharoitlar o‘rtasida modelning ko‘chiriluvchanligi muhim cheklovlardir.

Tadqiqotning muhim jihati “so‘ndirgich qayerga joylashtirilishi kerak?” savolini ikki alohida miqyosda ko‘rib chiqishidir. Vertikal joylashtirish binoning qaysi qavatiga nechta so‘ndirgich ajratilishi kerakligini belgilaydi. Tekislikdagi joylashtirish esa muayyan qavatning me’moriy/ko‘taruvchi rejasida bu so‘ndirgichlar qaysi oraliq va yo‘nalishlarga joylashtirilishini belgilaydi. GA–MLP zanjiri birinchi muammoni, ArrangementGAN esa ikkinchi muammoni hal qiladi.

Viskoz so‘ndirgich — inshootning zilzila yoki boshqa dinamik yuk ostidagi nisbiy harakati tufayli yuzaga keladigan mexanik energiyaning bir qismini viskoz qarshilik orqali tarqatish uchun qo‘llaniladigan energiya so‘ndirish elementidir. Biroq faqat so‘ndirgichlar sonini oshirishning o‘zi yetarli emas; qavatlar orasidagi taqsimot, simmetriya, kuch uzatish yo‘li, katta qavat siljishlari kuzatiladigan zonalar, keskin qattiqlik o‘zgarishlari, me’moriy funksiya va texnik xizmat ko‘rsatish imkoniyati birgalikda hisobga olinishi kerak.

Tadqiqot hal qilishga urinayotgan muammo

An’anaviy so‘ndirgich joylashuvini optimallashtirish ko‘pincha muhandislik tajribasi, iterativ tahlillar va genetik algoritm yoki zarrachalar to‘dasi kabi optimallashtirish usullariga tayanadi. Bu usullar yuqori sifatli natijalar berishi mumkin bo‘lsa-da, ayniqsa murakkab yoki baland inshootlarda ko‘p sonli variantlarni qayta-qayta tahlil qilish hisoblash vaqtini oshiradi.

Ikkinchi muammo — faqat bitta maqsadni optimallashtirish yetarli emasligidir. Faqat maksimal qavat siljishini kamaytirish yoki faqat xarajatni pasaytirish tezlanish, burilish, so‘ndirgichlar soni, simmetriya va amaliy bajarilish kabi boshqa maqsadlarni e’tibordan chetda qoldirishi mumkin. Shu sabab manba siljish, tezlanish va iqtisodiy samaradorlikni birgalikda baholaydigan ko‘p maqsadli yondashuvdan foydalanadi.

Uchinchi muammo — aniqlangan optimal so‘ndirgichlar sonini haqiqiy arxitektura rejasiga qanday joylashtirishdir. Algoritm ma’lum bir qavatga oltita so‘ndirgich kerakligini aytishi mumkin; biroq ular eshik va derazalar bilan to‘qnashmasligi, mos to‘ldiruvchi devor zonalarida bo‘lishi, ko‘taruvchi elementlarga ishonchli ulanib, imkon qadar muvozanatli/simmetrik taqsimlanishi kerak. ArrangementGAN ana shu ikkinchi dizayn qatlamini nishonga oladi.

GA–MLP gibrid yondashuvi nima uchun qo‘llanilgan?

GA–MLP gibrid yondashuvi genetik algoritmning ko‘p maqsadli qidiruv imkoniyatini MLP-ning tezkor regressiya bashorati bilan birlashtirish uchun qo‘llanilgan: GA xavfsizlik, tezlanish va iqtisodiy maqsadlar o‘rtasida Pareto-optimal vertikal so‘ndirgich taqsimotlarini yaratadi, MLP esa hisoblash jihatdan qimmat bo‘lgan ushbu yechimlardan kirish–chiqish bog‘lanishini o‘rganib, yangi inshootlar uchun qavatlar bo‘yicha so‘ndirgich sonlarini ancha tez bashorat qiladi.

Genetik algoritmning roli

Genetik algoritm to‘g‘ridan-to‘g‘ri yakuniy real vaqt bashorat dvigateli sifatida emas, balki yuqori sifatli o‘quv ma’lumotlarini ishlab chiqaruvchi vosita sifatida joylashtirilgan. Inshootning dinamik javoblari hisoblangandan so‘ng siljish, tezlanish va iqtisodiy maqsadlar birgalikda ko‘rib chiqiladi. Takomillashtirilgan parallel tanlash strategiyasiga ega GA bitta yechim o‘rniga bir-biridan ustun bo‘lmagan Pareto yechimlari to‘plamini hosil qiladi.

Pareto-optimal yechim — bir maqsad yaxshilanganda boshqa bir maqsadni yomonlashtirmasdan yanada yaxshilab bo‘lmaydigan yechimdir. Shu tariqa, masalan, siljishni kamaytirish uchun cheksiz miqdorda so‘ndirgich qo‘shish o‘rniga xavfsizlik va xarajat o‘rtasida ko‘p maqsadli yechimlar fazosi olinadi.

Manbada dinamik javoblar Newmark usuli bilan hisoblangani aytiladi. Biroq mavjud metod matnida konstruktiv harakat tenglamasining aniq matematik yozuvi, Newmark \(\beta/\gamma\) parametrlari yoki GA-ning populyatsiya hajmi, mutatsiya koeffitsienti va krossover koeffitsienti kabi tafsilotlar ochiq tarzda keltirilmagan. Bu qiymatlar Verianla tomonidan to‘ldirilmagan.

MLP-ning oltita kirishi va o‘nta chiqishi

Tadqiqotda qo‘llanilgan MLP bitta kirish qatlami, ikkita yashirin qatlam va bitta chiqish qatlamidan tashkil topgan. Yashirin qatlamlar mos ravishda 64 va 32 neyronni o‘z ichiga oladi. Kirish vektori olti o‘lchovli; manbaning tajriba bo‘limida bu kirishlar qavat massasi, qavat qattiqligi, qavatlar soni, asosiy chastota va kutilayotgan siljish/tezlanish maqsadlari sifatida ta’riflanadi.

Chiqish vektori o‘n o‘lchovli. Manbaga ko‘ra har bir chiqish karkas inshootning tegishli qavatiga ajratiladigan so‘ndirgich soni bilan bog‘liq. Demak, tarmoqning maqsadi to‘g‘ridan-to‘g‘ri chizma yaratish emas, balki vertikal taqsimot qarorini regressiya orqali bashorat qilishdir.

MLP neyronini hisoblash

Manbaning 1 va 2-tenglamalari to‘liq bog‘langan MLP tugunidagi asosiy amalni quyidagicha beradi:

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

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

\(x_i\) kirish qiymatini, \(w_{ij}\) i kirish tuguni bilan j tuguni orasidagi og‘irlikni, \(b\) bias hadini, \(z_j\) chiziqli kombinatsiyani va \(y_j\) aktivatsiya funksiyasidan keyingi neyron chiqishini anglatadi.

Matematik jihatdan birinchi tenglama kirishlarni og‘irliklar bilan birlashtiradi. Ikkinchi tenglama esa bu chiziqli kombinatsiyaga nochiziqli aktivatsiya qo‘llaydi. Natijada tarmoq faqat chiziqli bog‘lanishlarni emas, balki konstruktiv parametrlar bilan optimal so‘ndirgich taqsimoti o‘rtasidagi murakkabroq bog‘lanishlarni ham taxminan ifodalay oladi.

Aktivatsiya funksiyalari

Manba giperbolik tangens va Rectified Linear Unit (ReLU) funksiyalarini beradi:

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

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

Manbada ularning hosilalari ham ko‘rsatilgan:

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

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

Bu hosilalarning vazifasi orqaga tarqatish vaqtida og‘irliklar qaysi yo‘nalishda va qanday miqdorda yangilanishini hisoblashdir. Manba o‘qitish izohida Levenberg–Marquardt orqaga tarqatish usuliga to‘xtalar ekan, tajribaviy giperparametrlar bo‘limida tanlangan tarmoq tuzilishi va o‘rganish tezligini alohida baholaydi.

ArrangementGAN nima va nimani avtomatlashtiradi?

ArrangementGAN semantik ishlov berilgan arxitektura chizmasidan muhandislik tamoyillariga mos tekislikdagi so‘ndirgich joylashuvini yaratish uchun pix2pixHD image-to-image translation arxitekturasidan foydalanadigan generativ raqib tarmoqqa asoslangan dizayn tizimidir; tizim Architectural Drawing Interpreter orqali chizmani ajratadi, Arrangement Generator orqali so‘ndirgich sxemasini yaratadi va Structural Modeler orqali konstruktiv parametrlarni ajratib, SAP2000 asosidagi chekli elementlar baholashiga bog‘laydi.

Manba 1-rasmining ilmiy ma’nosi

Manbaning 6-sahifasidagi 1-rasm uch qismli ma’lumot va muhandislik oqimini ko‘rsatadi. Birinchi qism arxitektura chizmasini semantik modelga aylantirishni, ikkinchi qism mavjud/optimal so‘ndirgich joylashuvi bilan bog‘liq konstruktiv model ma’lumotini, uchinchi qism esa pix2pixHD asosidagi ArrangementGAN-ning generator va diskriminator tarmoqlarini ko‘rsatadi.

Bu rasmning ilmiy xabari GAN bo‘sh vizual generator emasligidir. Kirish chizmasi avval konstruktiv ma’noga ega toifalarga ajratiladi va yakuniy dizayn keyin konstruktiv tahlil muhitiga bog‘lanadi.

Semantik chizmani dastlabki qayta ishlash

Manba arxitektura chizmasida faqat model uchun zarur elementlarni saqlaydi:

Semantik segmentatsiyaning maqsadi keraksiz chizma tafsilotlarini kamaytirish va GAN-ga faqat muhandislik nuqtai nazaridan mazmunli geometrik xususiyatlarni o‘rganishni osonlashtirishdir.

U-Net va pix2pixHD taqqoslanishi

Tadqiqot ikki tasvir yaratish arxitekturasini bir xil so‘ndirgich joylashuvi ma’lumotlar to‘plamida taqqoslaydi. U-Net klassik CNN asosidagi tasvir sintezi yondashuvi sifatida; pix2pixHD esa adversarial training-ni o‘z ichiga olgan yuqori aniqlikdagi image-to-image translation modeli sifatida baholangan.

Manbaning 3-rasmidagi vakillik holatida:

Bu ikki son faqat bitta vakillik namunasiga tegishli; butun test ma’lumotlar to‘plamining umumiy o‘rtachasi sifatida talqin qilinmasligi kerak.

\(\gamma_{FM}\) giperparametri

pix2pixHD-da \(\gamma_{FM}\) feature-matching loss komponentining umumiy yo‘qotishdagi og‘irligiga ta’sir qiluvchi giperparametrdir. Tadqiqot turli \(\gamma_{FM}\) qiymatlarida yaratilgan chizmalarni taqqoslab, 20 test holatida bir nechta metrikadan foydalangan.

Manbada \(\gamma_{FM}=0\) yoki 1 bo‘lganda chizmalar ko‘proq shovqinli va joylashuv qoidalarini ushlashda zaif ekani; qiymat oshgani sari natijalar yaxshilanib, ma’lum oraliqda barqarorlashgani xabar qilinadi. Yakuniy ArrangementGAN sozlamasida:

\[ \gamma_{FM}=10 \]

tanlangan. Boshqa pix2pixHD parametrlari standart tarmoq sozlamalarida saqlangan.

ArrangementGAN o‘qitish muhiti

IoU so‘ndirgich joylashuvida nimani o‘lchaydi?

Intersection over Union (IoU) ArrangementGAN yaratgan so‘ndirgich zonasi bilan muhandis yaratgan maqsad so‘ndirgich zonasining geometrik jihatdan qanchalik ustma-ust tushishini kesishma maydonini birlashma maydoniga bo‘lish orqali o‘lchaydi; qiymat kattalashgan sari ikki joylashuvning fazoviy ustma-ust tushishi ortadi, ammo bu metrika o‘z-o‘zicha haqiqiy zilzila samaradorligining bevosita o‘lchovi emas.

Konturga asoslangan baholash

Manbada yaratilgan va maqsad chizmalar avval kichik subtasvirlarga bo‘linadi. HSV rang fazosidan so‘ndirgich konturlari ajratiladi va OpenCV kontur aniqlash funksiyalari orqali koordinatalar belgilanadi.

Manbaning 12-tenglamasi:

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

va birlashma maydoni:

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

ko‘rinishidadir.

\(A_{\mathrm{target}}\) muhandis dizaynidagi so‘ndirgich joylashuv maydonini; \(A_{\mathrm{GAN}}\) GAN yaratgan maydonni; \(A_{\mathrm{intersection}}\) esa ikki maydonning kesishmasini bildiradi. O‘lchov birliksizdir.

Ikki joylashuv to‘liq ustma-ust tushsa, nisbat 1 ga yaqinlashadi. Kesishma bo‘lmasa 0 bo‘ladi. Biroq bir xil IoU qiymatiga ega ikki dizaynning konstruktiv dinamik xatti-harakati bir xil bo‘lishi shart emas; shuning uchun tadqiqot IoU-ni dizayner baholashi va muhandislik mezonlari bilan birgalikda qo‘llaydi.

Inson idroki nima uchun alohida baholangan?

GAN chiqishining maqsad chizmaga piksel darajasida o‘xshashi uning muhandislik nuqtai nazaridan tabiiy va amaliy ko‘rinishini kafolatlamaydi. Shu sabab manba 30 tajribali konstruksiya muhandisi va 10 magistrantdan iborat paneldan foydalangan.

Ishtirokchilarga semantik so‘ndirgich joylashuvlari ko‘rsatilgan va ikkita vazifa berilgan:

1. Chizma inson tomonidanmi yoki ArrangementGAN tomonidanmi tayyorlanganini taxmin qilish.
2. Joylashuvning mantiqiyligini 1 = mantiqsiz dan 5 = mantiqli gacha baholash.

Inson baholashi uchun 7–11-tenglamalar

Manba AI–insonni farqlash metrikasini quyidagicha ta’riflaydi:

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

Bu yerda \(N_{ex}\) ekspertlar sonini, \(N_{nonex}\) ekspert bo‘lmagan baholovchilar sonini, \(N_T\) to‘g‘ri AI/manual tasniflarini va \(N_F\) noto‘g‘ri tasniflarni anglatadi. Shuning uchun 7-tenglama asosan baholovchilarning noto‘g‘ri farqlash ulushi bilan bog‘liq.

Mantiqiylik bahosi manbada:

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

ko‘rinishida berilgan. \(S_j\) j-chi dizaynga berilgan 1–5 ballni bildiradi.

Guruh og‘irliklari manbada quyidagicha aniqlanadi:

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

O‘rtacha qiymat va standart og‘ish esa:

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

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

ko‘rinishida yozilgan.

Manba ichidagi izoh: 9-tenglama ekspert va ekspert bo‘lmagan guruhlarning og‘irligini variatsiya koeffitsientlariga ko‘ra belgilaydi, ayni bo‘limdagi matnda esa “equal weighting applied to both groups” iborasi ishlatiladi. Formula bilan og‘zaki izoh aynan bir narsani ochiq aytmagani uchun bu farq bartaraf etilmasdan saqlanishi kerak.

Inson baholashining natijasi

Natijalar bo‘limida AI yaratgan joylashuvlarning %39,36 qismi ekspertlar tomonidan qo‘lda tayyorlangan muhandislik dizayni deb o‘ylangani xabar qilingan. Bu natija “AI dizaynlarining %39,36 qismi to‘g‘ri” degani emas; u faqat baholovchilarning dizayn manbasini farqlash vazifasiga taalluqlidir.

Manba, shuningdek, ArrangementGAN bilan qo‘lda tayyorlangan dizayn o‘rtasidagi mantiqiylik balli farqini %12,01 deb bildiradi va natijalar “uniform, dispersed, peripheral” joylashtirish tamoyillariga mos ekanini aytadi.

Tadqiqot qo‘llab-quvvatlaydigan va qo‘llab-quvvatlamaydigan jihatlar

Tadqiqot qo‘llab-quvvatlaydi: Ko‘rib chiqilgan ma’lumotlar to‘plami va muhandislik holatlarida GA tomonidan yaratilgan vertikal optimal joylashuvlar MLP tomonidan yuqori moslik bilan bashorat qilinishi mumkinligi; pix2pixHD asosidagi ArrangementGAN arxitektura chizmalaridan qo‘lda tayyorlangan dizaynga o‘xshash semantik so‘ndirgich joylashuvlarini yaratishi mumkinligi; sharoitga xos o‘qitish qo‘llanganda 7 va 8 daraja holatlarida samaradorlik yuqoriroq bo‘lishi qo‘llab-quvvatlanadi.

Tadqiqot qo‘llab-quvvatlamaydi: Tizim har qanday bino turida, har qanday zilzila hududida yoki har qanday me’yor ostida tekshiruvsiz xavfsiz dizayn yaratishini isbotlamaydi. Model chiqishi litsenziyalangan konstruksiya muhandisining dizayn, tahlil va me’yoriy mas’uliyati o‘rnini bosadi deb talqin qilinmasligi kerak. Bundan tashqari, manba to‘liq masshtabli inshootni haqiqiy zilzila ostida jismonan sinovdan o‘tkazmaydi.

Tadqiqot Usuli va Natijalari

1. Umumiy ish jarayoni

2. MLP giperparametrlarini skanerlash

Beshta tarmoq konfiguratsiyasi taqqoslangan:

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

Har bir tuzilma uchun to‘rtta o‘rganish tezligi sinovdan o‘tkazilgan: 0,1; 0,01; 0,001 va 0,0001. Manba 0,1 o‘rganish tezligida sezilarli tebranishlarni kuzatganini; 0,001 va 0,0001 barqarorroq yaqinlashganini, biroq 0,0001 da muvaffaqiyat pasayganini bildiradi. Yakunda 0,001 tanlangan.

3. O‘n martalik MLP tajribalari

Manbaning 9-rasmidagi quti diagrammalar beshta MLP konfiguratsiyasini 10 marta takrorlangan tajriba sharoitida o‘qitish va test xatosi bo‘yicha taqqoslaydi. O‘qitish va test xatolarining bir-biriga yaqinligi manba tomonidan yaxshi umumlashtirish ko‘rsatkichi sifatida talqin qilingan.

[64,32] arxitekturasi o‘qitish va test ma’lumotlarida pastroq median RMSE hamda pastroq o‘zgaruvchanlik bilan ajralib turgani uchun yakuniy MLP sifatida tanlangan.

Manba regressiya muammosi uchun “precision” va “accuracy” terminlarini ishlatadi. Bu foizlar tasniflash accuracy metrikasiga avtomatik tenglashtirilmasligi kerak; ular manbaning o‘z hisobot terminologiyasi sifatida baholanishi lozim.

Manbada ishlatilgan \(R^2\) tenglamasi qanday talqin qilinishi kerak?

Manbaning 13-tenglamasi bashoratlarning haqiqiy qiymatlar o‘rtachasi atrofidagi kvadratlar yig‘indisini haqiqiy qiymatlarning umumiy variatsiyasiga nisbatlaydigan \(R^2\) ifodasi sifatida chop etilgan va jadval natijalarida qiymat 1 ga yaqinlashgan sari yaxshiroq moslik sifatida talqin qilinadi; tenglama keng tarqalgan \(1-\mathrm{SSE}/\mathrm{SST}\) yozuvi bilan aynan bir xil shaklda berilmagani sabab Verianla bu formulani jimlik bilan standart shaklga aylantirmaydi.

Manbada 13-tenglama quyidagicha:

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

\(n\) namunalar sonini, \(\hat{y}_i\) bashorat qilingan qiymatni, \(y_i\) haqiqiy qiymatni va \(\bar{y}\) haqiqiy qiymatlar o‘rtachasini ifodalaydi.

Manba 4-jadval va 10-rasmda 0,9610 qiymatini model o‘zgarishning taxminan %96,1 qismini tushuntiradi deb talqin qiladi. Bu talqin manba mualliflarining talqinidir va tenglama shakli o‘zgartirilmasdan keltirilgan.

4. MLP va GA konstruktiv javoblarini taqqoslash

11-rasmda to‘rtta test to‘plami uchun GA asosidagi so‘ndirgich dizayni bilan MLP bashorat qilgan dizaynning konstruktiv javoblari taqqoslangan. Manba egri chiziqlar bir-biriga yaqin ekanini va MLP yondashuvi ayniqsa qisqa muhandislik dizayn sikllarida hisoblash afzalligi berishini bildiradi.

Natijalar bo‘limida MLP bosqichi uchun:

• \(R^2 = 0.961\),
• bashorat xatosi < %5,
• hisoblash samaradorligida taxminan ikki tartib yaxshilanish

xabar qilingan.

5. ArrangementGAN giperparametr testi

Manbaning 4-rasmi \(\gamma_{FM}\) qiymatlari o‘zgartirilganda pix2pixHD chiqishlari vizual jihatdan qanday o‘zgarishini ko‘rsatadi. Past qiymatlarda shovqin va joylashuv xatolari kuzatilsa, yuqoriroq qiymatlarda maqsad chizmaga o‘xshashlik va so‘ndirgich taqsimotining mantiqiyligi oshadi.

5-rasmda 20 test holati bo‘yicha \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) va manbada \(\alpha\) deb ta’riflangan qo‘shimcha metrikalar taqqoslangan. Yakuniy sozlama \(\gamma_{FM}=10\).

6. 7 va 8 darajali seysmik loyihalash sharoitlari

Manba turli seysmik mustahkamlash darajalariga tegishli namunalarni bitta o‘quv to‘plamida birlashtirganda pix2pixHD asosidagi model taqsimotning o‘rtachasiga intilib, har bir sharoitning o‘ziga xos so‘ndirgich ehtiyojini to‘g‘ri ushlashda qiynalishini bildiradi.

Shu sabab uchta model o‘qitilgan:

• M-Group7: faqat 7 daraja sharoitlariga tegishli ma’lumot,
• M-Group8: faqat 8 daraja sharoitlariga tegishli ma’lumot,
• M-Mix Group: aralash 7–8 daraja ma’lumot.

O‘qitishda ishlatilmagan bitta 7 daraja va bitta 8 daraja haqiqiy konstruktiv holat test uchun tanlangan.

7 va 8 daraja dizayn sharoitlari nima uchun alohida model o‘qitishni talab qiladi?

Tadqiqotda seysmik dizayn darajasi zarur so‘ndirgichlar soni va joylashuv taqsimotini o‘zgartirgani sabab aralash 7–8 daraja o‘quv ma’lumotlari modelning sharoitlar o‘rtasidagi farqlarni o‘rtachalashtirishga moyil bo‘lishiga olib kelgan; jadval natijalari ham test sharoiti bilan bir xil seysmik sinfda o‘qitilgan M-Group7 va M-Group8 modellari o‘z mos test to‘plamlarida eng yuqori \(W_{cv}\) qiymatlarini berganini ko‘rsatadi.

Manba ichidagi nomuvofiqlik: Matn izohida Group7 uchun M-Mix qiymati 0,5 dan yuqori ekani aytilgan bo‘lsa-da, 6-jadvaldagi qiymat 0,427. Xuddi shu izoh Group8 uchun M-Group8 0,5 dan oshmaganini aytadi, holbuki 6-jadvaldagi qiymat 0,595. Verianla jadvalda ko‘rsatilgan sonlarni o‘zgartirmagan va bu ziddiyatni yashirmagan.

Jadvalning o‘zidagi aniq tendensiya test sharoitiga mos model eng yaxshi natija berishidir: Group7 testida M-Group7 = 0,670; Group8 testida M-Group8 = 0,595. Bu natija manbaning kelajakda turli dizayn sharoitlarini ifodalovchi ma’lumotlar to‘plamlarini tasniflab o‘qitish kerakligi haqidagi izohini qo‘llab-quvvatlaydi.

7. Muhandislik tekshiruvi

Manba natijalar bo‘limida ArrangementGAN 7 va 8 darajali seysmik mustahkamlash sharoitlaridagi muhandislik holatlarida qo‘llanganini va tez-tez uchraydigan, dizayn hamda kam uchraydigan zilzila darajalarida qavatlararo siljish nisbati va tezlanish kabi asosiy konstruktiv javoblar me’yor talablarini bajarganini bildiradi.

Biroq manbaning mavjud matnida ushbu me’yorning to‘liq nomi yoki barcha limit qiymatlari batafsil jadval shaklida keltirilmagan. Shu sabab Verianla muayyan me’yor nomi yoki chegara qiymatini qo‘shmaydi.

Natijalar bo‘limidagi yana ikki son:

Taxminan ikki tartibli tezlashuv bilan 10 martadan ortiq umumiy dizayn samaradorligini bir xil o‘lchov sifatida birlashtirmaslik kerak. Manba ularni turli kontekstlarda xabar qiladi.

8. Tadqiqotning kuchli tomonlari

Birinchi kuchli tomon — optimallashtirish va generativ chuqur o‘rganish vazifalarini ajratishidir. GA yuqori sifatli Pareto yechimlarini topadi; MLP ularni tez bashorat qilishni o‘rganadi; ArrangementGAN esa ularni arxitektura rejasiga aylantiradi.

Ikkinchi kuchli tomon — faqat tasvir o‘xshashligiga tayanmasligidir. Kompyuter ko‘rishi metrikalari, inson baholashi va muhandislik tamoyillari birgalikda ishlatilgan.

Uchinchi kuchli tomon — seysmik dizayn sharoiti model xatti-harakatini o‘zgartirishini tajribaviy ravishda hisobga olishi va aralash ma’lumotlar to‘plami har doim eng yaxshi natijani bermasligini ko‘rsatishidir.

To‘rtinchi kuchli tomon — o‘qitish apparati, tasvir o‘lchami, o‘rganish tezligi, batch size, epoch, dastur versiyalari va asosiy giperparametrlarning muhim qismi hisobot qilinganidir.

9. Asosiy cheklovlar

Manba hali ekspert taqrizidan o‘tmagan.

Chuqur o‘rganish modelining muvaffaqiyati o‘quv ma’lumotlarining qamroviga bog‘liq. Manba ham model yetukligi va ma’lumotlar to‘plami ko‘lamini bevosita cheklov sifatida ko‘rsatadi.

Mavjud o‘rganish tizimi konstruktiv mexanikaning barcha fizik tamoyillarini to‘g‘ridan-to‘g‘ri neyron tarmoqqa singdirmaydi. Mualliflar kelajakda soddalashtirilgan mexanik modellarning o‘rganish doirasiga integratsiya qilinishini alohida tavsiya qiladilar.

7 va 8 daraja sharoitlarini aralash o‘qitish modelning sharoitga xos taqsimotni o‘rtacha tomonga yo‘naltirish moyilligini ko‘rsatadi. Shuning uchun bir o‘quv taqsimotida muvaffaqiyatli bo‘lgan model boshqa seysmik dizayn sinfida xuddi shu samaradorlikni saqlaydi deb taxmin qilib bo‘lmaydi.

Manbada ma’lumotlar to‘plamidagi jami namunalar soni, GA-ning barcha optimallashtirish giperparametrlari va dinamik yechimda ishlatilgan Newmark parametrlari aniq keltirilmagan. Bu kamchiliklar to‘liq mustaqil qayta ishlab chiqarish imkoniyatini cheklaydi.

Manbaning \(W_{cv}\) haqidagi bayoni bilan 6-jadval o‘rtasida bevosita sonli ziddiyat mavjud.

Inson baholashi 30 ekspert va 10 ekspert bo‘lmagan baholovchi bilan o‘tkazilgan. Bu panel ArrangementGAN-ning vizual va muhandislik ishonarliligi haqida foydali ma’lumot beradi; biroq u butun konstruksiya muhandisligi hamjamiyati qarashini ifodalovchi keng populyatsion tadqiqot emas.

10. Kelajakdagi tadqiqot yo‘nalishlari

Mualliflar uchta asosiy tadqiqot yo‘nalishini taklif qiladilar:

• o‘rganish doirasiga soddalashtirilgan mexanik modellarni integratsiya qilish,
• tasvir yaratish sifati bilan haqiqiy konstruktiv samaradorlikni birgalikda baholaydigan kengroq metrikalarni ishlab chiqish,
• turli dizayn sharoitlarida bitta model ishlashini o‘rganish uchun matn–tasvir birlashtirilgan o‘quv ma’lumotlarini tadqiq qilish.

Bu takliflar amaldagi tadqiqotda tasdiqlangan yangi natijalar emas; ular mualliflarning kelajakdagi tadqiqot rejalari.

Manba va Usul Haqida Izoh

Asl sarlavha: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

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

Muallif ma’lumoti manbasi: Yuklangan PDF-ning ko‘rinadigan birinchi sahifasida mualliflar qatori yo‘q; mualliflar tartibi SSRN-ning rasmiy bibliografik qaydidan tasdiqlangan.

Mas’ul / aloqa muallifi: SSRN qaydida Dongsheng Du “Contact Author” sifatida ko‘rsatilgan.

Affiliatsiya: SSRN Dongsheng Du, Yunlong Zhang, Weizhi Xu va Shuguang Wang uchun Nanjing Tech University ma’lumotini beradi. Zhengyu Luo, Yan Geng va Xi Chen uchun SSRN qaydida affiliatsiya berilmagan; Verianla yetishmayotgan muassasa ma’lumotini o‘ylab topmagan.

Platforma: SSRN.

SSRN raqami: 7180412.

DOI: 10.2139/ssrn.7180412.

SSRN qayd sanasi: 25 iyul 2026.

Uzunligi: 33 sahifa.

Manba turi: Mashinaviy o‘rganish / chuqur o‘rganishga asoslangan konstruksiya muhandisligi dizayni preprinti.

Taqriz holati: Manba PDF tadqiqot hali ekspert taqrizidan o‘tmaganini ochiq ko‘rsatadi.

Litsenziya: SSRN rasmiy qayd indeksida “License Information” bo‘limi ko‘rinadi; biroq mavjud qayd aniq qayta foydalanish shartlarini ochiq ko‘rsatmagani sabab ochiq litsenziya deb taxmin qilinmagan. Manbadagi rasmlar aynan ko‘chirib qayta ishlatilmasligi kerak.

Asosiy algoritmlar: takomillashtirilgan genetik algoritm; Pareto ko‘p maqsadli optimallashtirish; Multilayer Perceptron; pix2pixHD; ArrangementGAN; semantik segmentatsiya; IoU/kontur tahlili.

Konstruktiv tahlil bog‘lanishi: Manba ArrangementGAN ish jarayonidagi Structural Modeler moduli SAP2000 orqali chekli elementlar tahliliga bog‘langanini bildiradi.

MLP ma’lumot taqsimoti: %80 o‘qitish, %20 test.

ArrangementGAN o‘qitilishi: 2048 × 1024 piksel uch kanalli tasvir; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; yakuniy \(\gamma_{FM}=10\).

Inson baholashi: 30 tebranish nazorati bo‘yicha tajribali konstruksiya muhandisi va 10 magistrant.

Manfaatlar to‘qnashuvi: Mualliflar ma’lum moliyaviy manfaat yoki tadqiqotga ta’sir qilishi mumkin bo‘lgan shaxsiy munosabat mavjud emasligini bildiradilar.

Ma’lumotlarning mavjudligi: “Data will be made available on request.”

Moliyalashtirish: Manbada alohida moliyalashtirish bo‘limi ko‘rinmaydi; moliyalashtirish yo‘q deb taxmin qilinmagan.

CRediT / muallif hissalari: Manbada alohida muallif hissalari bo‘limi ko‘rinmaydi.

Asosiy qayta ishlab chiqarish cheklovlari: Jami o‘quv ma’lumotlar to‘plami hajmi, GA-ning barcha optimallashtirish giperparametrlari, ochiq harakat tenglamasi/Newmark parametrlari va ishlatilgan zilzila me’yorining barcha limit qiymatlari mavjud asosiy metodda to‘liq berilmagan.

Manba ichidagi hisobot cheklovi: \(W_{cv}\) bo‘yicha 25-sahifadagi bayon bilan 27-sahifadagi 6-jadval o‘rtasida bevosita ziddiyat mavjud. Bundan tashqari, ekspert/ekspert bo‘lmagan baholashdagi “equal weighting” iborasi 9-tenglamadagi variatsiya-koeffitsienti asosidagi og‘irliklar bilan to‘liq mos kelmaydi.

Asosiy talqin cheklovi: Tadqiqot AI yordamidagi muhandislik dizayn tizimining ko‘rib chiqilgan ma’lumot va holat sharoitlaridagi samaradorligini ko‘rsatadi. Natijalar AI yaratgan joylashuvlarni turli konstruktiv tizimlar, mamlakatlar, me’yorlar va seysmik sharoitlarda qo‘shimcha muhandislik tekshiruvisiz bevosita qo‘llash mumkinligini ko‘rsatmaydi.