منارهای آجری تاریخی از عناصر اصلی معماری ایران هستند و در سراسر کشور در ابعاد و ارتفاع های مختلف وجود دارند. در این مقاله منار آجری گسکر به ارتفاع متر به کمک مدلسازی اجزای محدود توسط برنامه نویسی APDL و گسسته سازی دقیق به منظور دستیابی به الگوی آسیب دقیق انجام گرفته است. سپس تقاضای بار باد و بار زلزله مطابق مقررات ملی ساختمان تعیین و به سازه اعمال شده است. از ماکرومدل برای مدلسازی محیط مصالح بنایی استفاده شده است. خصوصیات غیرخطی نیز به مصالح اختصاص داده شده است. نتایج نشان داد که منار در برابر بارگذاری باد طرح و شدیدترین باد ثبت شده در دنیا ایمن است. در صورتی که تا 12 برابر فشار باد طرح به سطح بادگیر منار اعمال شود رفتار غیرخطی بنا آغاز میگردد. همچنین منار در برابر زلزله طرح آسیب پذیر بوده و آسیب های خفیف در پای منار ایجاد شده است و بیانگر این است که منار در معرض ریسک خرابی قرار دارد. Manuscript profile

هدف اساسی در مهندسی عمران ایجاد طرحی است که در برابر نیازهای مورد نظر و نیز شرایط موجود، بیشترین کارآیی را داشته باشد. در بهینه‌سازی سازه ها این عمل، معادل با تعیین گروهی از متغیرهای طراحی است که بر حسب بارهای اعمال شده و قیدها و پارامترهای از پیش تعیین شده، موجب کمینه شدن تابع هدف گردند. در این تحقیق جهت بدست آوردن طرح بهینه شبکه‌های تخت دولایه فضاکار از روش الگوریتم ژنتیک استفاده شده است. همچنین در این پژوهش سطح مقطع اعضاء و عمق شبکه دولایه به عنوان متغیرهای طراحی به صورت پیوسته بدست آورده شده، در ضمن وزن سازه نیز به عنوان تابع هدف انتخاب شده است. همچنین مقایسه شده کارآیی الگوریتم ژنتیک با برخی از روشهای دیگری با ذکر مثالی و برای بدست آوردن وزن بهینه با استفاده از الگوریتم ژنتیک از نرم‌افزار Matlab استفاده شده است. قیدهای که برای مسئله بهینه‌سازی در این پژوهش درنظر گرفته شده شامل تغییرمکان گره ها، تنش‌ها و ضریب لاغری اعضا می‌باشند. نتایج نشان داد که استفاده از روش بهینه‌سازی ژنتیک روشی مؤثر در بهینه سازی شبکه‌های تخت دولایه می باشد. Manuscript profile

Assessing the seismic vulnerability of existing buildings is one of the major concerns of governments in the world. Reducing the destructive and catastrophic consequences of earthquakes is necessary and inevitable. So far, various techniques have been presented to evaluate the seismic vulnerability of buildings. One of the fast and effective assessment techniques is the Rapid Visual Screening (RVS) technique with fastly identify high-risk buildings for a more accurate assessment. Among the RVS methods, the Hassan-Sozen PI method is the simplest method to evaluate the seismic vulnerability of low-rise RC buildings. The value of the priority index (PI) is determined from the simple geometric features of the building such as the number of stories, floors area, column area, area of concrete walls and infilled in the main directions of the building. In this article, the data collection have been gathered from Elyasi et al.'s reference such as geometrical information (with geometrical features provided by Hassan-Sozen) and earthquake features (peak ground acceleration and earthquake magnitude) for 658 low-rise RC buildings. The number of considered input features includes seven geometric features and two earthquake features (9 features in total) and the predicted output of Hassan-Sozen priority index. The machine learning technique utilized in this article for prediction seismic vulnerability is a probabilities random forest in which a simple Bayesian method is used to create forest trees. This method has had a slight improvement in accuracy criteria and considerable improvement in accuracy and recall criteria compared to other traditional random forest and ML methods.

Manuscript profile