Papyrus Press رویکردهای نوین در مهندسی عمران 2588-7122 6 2 2022 08 23 Investigation of Parameters Affects on the Phenomenon of Progressive Collapse in Steel Structures Using Artificial Neural Network (ANN) بررسی پارامترهای تاثیرگذار بر پدیده فروپاشی پیشرونده در سازه های فولادی به کمک شبکه عصبی مصنوعی 27 44 157825 10.30469/jnace.2022.157825 FA محمد امامی کورنده استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران بهرام عسگری کارشناسی ارشد مهندسی عمران-سازه، گروه مهندسی عمران، واحد صفادشت، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2022 05 25 According to the American Building Loading Code, progressive failure is defined as the spread of failure in a structure from one element to another, which ultimately leads to the failure of the entire structure or a large part of it. Lead to this type of failure are: car impact, gas explosion, aircraft collision, construction error, fire, accidental overloading of members, explosion, etc. Most of these accidents have a short impact time that in The result leads to dynamic responses. In this research, 100 types of models will be considered and the progressive collapse reference codes will be used for analysis and the application software will be used to achieve the answer under nonlinear static analysis by removing the column and performing nonlinear static analysis. The behavior of structural members against this phenomenon will be evaluated and finally the results will be controlled by the rules in the regulations and the final behavior of the structure against this phenomenon will be examined. Artificial neural networks have been used as a powerful tool in various fields of engineering and their use is increasing. Civil engineering and the study of the behavior of structures are no exception to this rule and neural methods have been used in it. In this study, three types of neural networks have been used to investigate the phenomenon of progressive collapse. Input and output parameters are selected and modeled with the help of evaluation indicators of this phenomenon. Finally, by comparing the performance of artificial neural networks, the most successful type of neural network has been proposed. بر اساس آیین نامه بارگذاری ساختمان‌ آمریکا خرابی پیش رونده به صورت گسترش خرابی در یک سازه از یک المان به المان دیگر به طوری که در نهایت منجر به خرابی کل سازه و یا بخش عمده ای از آن می شود، تعریف می شود عواملی که می توانند منجر به این نوع خرابی شوند، عبارتند از: ضربه اتومبیل، انفجار گاز، برخورد هواپیما، خطای ساخت، آتش سوزی، بارگذاری تصادفی بیش از اندازه روی اعضاء، انفجار و... اکثر این حوادث دارای مدت زمان تأثیر کوتاهی می باشند که در نتیجه منجر به پاسخ های دینامیکی می شوند. در این تحقیق 100 نوع مدل در نظر گرفته خواهد شد و از آئین نامه های مرجع فروریزش پیش رونده جهت تحلیل و از نرم افزار کاربردی برای رسیدن به پاسخ تحت تحلیل استاتیکی غیر خطی استفاده خواهد شد با حذف ستون و انجام آنالیز استاتیکی غیر خطی، پارامترهای رفتاری اعضای سازه در برابر این پدیده مورد ارزیابی قرار خواهند گرفت و در نهایت نتایج با ضوابط موجود در آئین نامه کنترل خواهد شد و رفتار نهایی سازه در برابر این پدیده بررسی خواهد شد. شبکه‌های عصبی مصنوعی به عنوان ابزاری توانمند در زمینه‌های مختلف مهندسی استفاده شده است و کاربرد آنها به صورت روزافزونی در حال افزایش است. مهندسی عمران و بررسی رفتار سازه‌ها نیز از این قاعده مستثنی نبوده و به مراتب از روشهای عصبی در آن استفاده شده است. در این تحقیق از سه نوع شبکه عصبی جهت بررسی پدیده فروپاشی پیشرونده استفاده شده است. پارامترهای ورودی و خروجی انتخاب شده و به کمک شاخصهای ارزیابی این پدیده مدلسازی شده است. در نهایت با مقایسه عملکرد شبکه‌های عصبی مصنوعی موفقترین نوع شبکه عصبی پیشنهاد شده است. https://www.jnace.ir/article_157825_bd9b5dcef81718c3b31b57bfc393f30a.pdf