ارزیابی لرزه‌ای احتمالاتی پل‌ های بتن‌ آرمه جعبه‌ ای با یادگیری ماشین قابل تفسیر

مشخصات مقاله  

مشخصات کتاب‌شناختی مقاله علمی مرتبط با این دستاورد، به‌صورت خلاصه در جدول زیر آمده است.

شناسنامه مقاله

عنوان مقاله	منحنی های شکنندگی پل های منظم و نامنظم بر مبنای تحلیل های دینامیکی غیرخطی
	Probabilistic seismic fragility analysis of RC box-girder bridges based on symbolic regression method
نویسندگان	Hossein Rezaei, Panam Zarfam, Emadaldin Mohammadi Golafshani, Gholamreza Ghodrati Amiri
مجله	Structures (Elsevier)
سال انتشار	2022
جلد / صفحات	Volume 38, pp. 306–322
DOI	https://doi.org/10.1016/j.istruc.2021.12.058
حوزه تخصصی	هوش مصنوعی در مهندسی سازه یادگیری ماشین، رگرسیون سمبولیک پل جعبه ای بتنی مهندسی مبتنی بر ریسک
	Artificial Intelligence in Structural Engineering, Machine Learning, Symbolic Regression, Seismic Fragility Analysis RC Box-Girder Bridges Risk-Based Engineering

خلاصه اجرایی (Executive Summary)

ارزیابی لرزه‌ای مبتنی بر منحنی‌های شکنندگی، به‌طور سنتی وابسته به تحلیل‌های غیرخطی گسترده، پرهزینه و زمان‌بر است. این پژوهش نشان می‌دهد که با استفاده هدفمند از هوش مصنوعی در شاخه یادگیری ماشین (Machine Learning)  می‌توان این فرآیند را به‌صورت هوشمندانه ساده‌سازی کرد، بدون آن ‌که اعتبار مهندسی نتایج کاهش یابد.

در این مقاله، رگرسیون نمادین به‌عنوان یک روش پیشرفته یادگیری ماشین قابل تفسیر (Explainable AI) به کار گرفته شده است تا روابط تحلیلی صریح و قابل دفاع برای برآورد شکنندگی لرزه‌ای پل‌های بتن‌آرمه جعبه‌ای استخراج شود. این رویکرد، یکی از مبانی علمی مورد استفاده در توسعه چارچوب‌های تصمیم‌سازی مبتنی بر ریسک در شرکت بهسازان لرزه‌ای رعد است.

معرفی دستاورد علمی

این پژوهش یک چارچوب AI-driven Probabilistic Seismic Assessment  ارائه می‌دهد که در آن، به‌جای اتکای صرف به شبیه‌سازی‌های عددی سنگین، از الگوریتم‌های یادگیری ماشین قابل تفسیر استفاده شده است.

رگرسیون نمادین، به‌عنوان یکی از شاخه‌های یادگیری ماشین تکاملی، قادر است روابط غیرخطی پیچیده بین پارامترهای هندسی و سازه‌ای پل و پاسخ لرزه‌ای آن را شناسایی کرده و آن‌ها را به‌صورت روابط ریاضی شفاف و قابل قضاوت مهندسی ارائه دهد. این ویژگی، تفاوت اصلی این رویکرد با مدل‌های «جعبه سیاه» یادگیری ماشین است و آن را برای کاربردهای مهندسی واقعی مناسب می‌سازد.

مسئله مهندسی که مقاله حل می‌کند

در پروژه‌های واقعی ارزیابی لرزه‌ای پل‌ها، مهندسان با یک چالش اساسی مواجه‌اند:

چگونه می‌توان شکنندگی لرزه‌ای پل‌ها را با دقت قابل قبول، اما بدون صرف زمان و هزینه بسیار بالا برآورد کرد؟

این مقاله نشان می‌دهد که:

• یادگیری ماشین می‌تواند جایگزین بخشی از تحلیل‌های غیرخطی پرهزینه شود
• مدل‌های مبتنی بر هوش مصنوعی الزاماً نباید غیرقابل توضیح باشند
• ترکیب تحلیل سازه‌ای و AI یک مسیر عملی و قابل دفاع برای مهندسی ریسک است

 

روش‌شناسی و نوآوری پژوهش

در این پژوهش:

• داده‌های حاصل از تحلیل‌های غیرخطی لرزه‌ای به‌عنوان داده آموزشی استفاده شده‌اند
• الگوریتم Symbolic Regression  (به‌عنوان یک روش Machine Learning) برای کشف روابط بین:
  • پارامترهای هندسی و سازه‌ای پل (طول دهانه، ارتفاع ستون، عرض عرشه، نسبت آرماتور و …)
  • و شاخص‌های پاسخ لرزه‌ای و پارامترهای شکنندگی

به‌کار گرفته شده است.

نوآوری‌های کلیدی پژوهش:

• استفاده از هوش مصنوعی قابل تفسیر (Explainable AI) در مهندسی زلزله
• استخراج روابط تحلیلی بسته (Closed-form Equations) از داده‌های عددی
• کاهش چشمگیر نیاز به شبیه‌سازی‌های سنگین بدون افت معنا‌دار دقت

 

نتایج کلیدی (با ارزش اجرایی بالا)

نتایج این پژوهش نشان می‌دهد که:

• پارامترهای هندسی و سازه‌ای پل، در کنار شاخص شدت زلزله، نقش تعیین‌کننده‌ای در شکنندگی لرزه‌ای دارند
• مدل‌های مبتنی بر یادگیری ماشین دقت مناسبی در پیش‌بینی رفتار لرزه‌ای از خود نشان می‌دهند
• روابط استخراج‌شده امکان کنترل، کالیبراسیون و قضاوت مهندسی را فراهم می‌کنند
• این روش برای غربالگری سریع ریسک و مطالعات اولیه بسیار کارآمد است

 

کاربرد مستقیم در پروژه‌های رعد

این دستاورد به‌صورت مستقیم در مسیر توسعه راهکارهای AI-Based Engineering  در شرکت بهسازان لرزه‌ای رعد استفاده می‌شود، از جمله:

• طراحی ابزارهای هوشمند غربالگری لرزه‌ای پل‌ها و سازه ها
• توسعه مدل‌های یادگیری ماشین برای ارزیابی سریع ریسک
• کاهش هزینه و زمان فاز مطالعاتی پروژه‌های زیرساختی
• پشتیبانی تصمیم‌گیری کارفرما با خروجی‌های قابل توضیح و قابل دفاع فنی

 

Executive Summary

Probabilistic seismic fragility assessment traditionally relies on computationally intensive nonlinear simulations.
This study demonstrates that artificial intelligence, specifically machine learning, can be effectively integrated into seismic risk assessment to significantly improve efficiency without compromising engineering credibility.
Using symbolic regression as an interpretable machine learning technique, explicit analytical expressions are derived for estimating the seismic fragility of RC box-girder bridges.

Scientific Contribution

This research presents an AI-driven probabilistic seismic assessment framework in which symbolic regression—a branch of machine learning—is used to identify nonlinear relationships between bridge characteristics and seismic response.
Unlike black-box AI models, the proposed approach delivers transparent, physics-consistent equations suitable for practical engineering applications.

Engineering Problem Addressed

The study addresses a fundamental question:
How can machine learning support seismic fragility assessment while maintaining interpretability and trust?

The results confirm that explainable AI can successfully replace part of traditional numerical simulations in seismic risk analysis.

Methodology and Innovation

The methodology combines:

• Nonlinear seismic response data generation
• Machine learning–based symbolic regression
• Feature–response relationship discovery

Key innovations include:

• Integration of explainable AI into bridge seismic assessment
• Closed-form fragility-related expressions derived from data
• Significant reduction in computational demand

Key Findings with Practical Value

The study shows that:

• Machine learning models capture key fragility trends with acceptable accuracy
• Bridge geometry and reinforcement ratios significantly influence vulnerability
• Symbolic regression enables rapid and reliable fragility estimation

Direct Application in Ra’d Retrofit Projects

The outcomes directly support AI-assisted engineering workflows at Ra’d Retrofit, including:

• Rapid seismic risk screening of bridge inventories
• Data-driven retrofit prioritization
• Development of intelligent decision-support tools for infrastructure management

خلاصه کوتاه

این مقاله با استفاده از هوش مصنوعی در شاخه یادگیری ماشین و روش رگرسیون نمادین، یک چارچوب کارآمد برای برآورد شکنندگی لرزه‌ای پل‌های بتن‌آرمه جعبه‌ای ارائه می‌دهد. نتایج نشان می‌دهد که می‌توان با حفظ اعتبار مهندسی، زمان و هزینه ارزیابی لرزه‌ای را به‌طور چشمگیری کاهش داد.

Short Summary

This study proposes an AI-based, machine learning–driven framework using symbolic regression for efficient probabilistic seismic fragility assessment of RC box-girder bridges, enabling accurate and interpretable vulnerability estimation with reduced computational effort.

 

این مقاله نمونه‌ای از رویکرد Integrated, Risk-Driven Engineering در شرکت بهسازان لرزه‌ای رعد است که پژوهش دانشگاهی را مستقیماً به تصمیم‌سازی اجرایی متصل می‌کند.