توسعه مدل‌های هوشمند پیش‌بینی تقاضای لرزه‌ای پل‌ها با استفاده از هوش مصنوعی و یادگیری ماشین

 مشخصات مقاله  

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

 شناسنامه مقاله

خلاصه اجرایی

پیش‌بینی دقیق تقاضای لرزه‌ای سازه‌ها، به ‌ویژه پل‌های چنددهانه، یکی از چالش‌های اساسی در طراحی سازه‌های تاب‌آور و ارزیابی ایمنی سازه‌های موجود است. روش‌های کلاسیک مبتنی بر تحلیل تاریخچه زمانی غیرخطی، اگرچه دقیق‌اند، اما به‌شدت پرهزینه، زمان‌بر و وابسته به مدل‌سازی پیچیده هستند.

این مقاله نشان می‌دهد که با استفاده هدفمند از هوش مصنوعی در شاخه یادگیری ماشین تکاملی (Evolutionary Machine Learning)  می‌توان مدل‌های هوشمندی توسعه داد که قادرند تقاضای لرزه‌ای پل‌ها را با دقت مناسب و هزینه محاسباتی بسیار کمتر پیش‌بینی کنند.

این دستاورد، یکی از پایه‌های علمی رویکرد شرکت بهسازان لرزه‌ای رعد در استفاده از AI برای تصمیم‌سازی مهندسی مبتنی بر ریسک است.

معرفی دستاورد علمی

در این پژوهش، به‌جای تمرکز صرف بر شبیه‌سازی‌های عددی سنگین سازه و زلزله، از یادگیری ماشین مبتنی بر برنامه‌نویسی ژنتیک (Genetic Programming)  و روش رگرسیون نمادین (Symbolic Regression) برای استخراج روابط ریاضی صریح بین ویژگی‌های پل و پاسخ لرزه‌ای آن استفاده شده است.

برخلاف بسیاری از مدل‌های هوش مصنوعی که به‌صورت «جعبه سیاه» عمل می‌کنند، مدل‌های ارائه‌شده در این مقاله:

• قابل تفسیر هستند
• به‌صورت روابط تحلیلی بسته بیان می‌شوند
• امکان کنترل و قضاوت مهندسی را حفظ می‌کنند

این ویژگی دقیقاً همان نقطه‌ای است که یادگیری ماشین را برای کاربردهای مهندسی واقعی قابل اعتماد می‌کند.

 

مسئله مهندسی که مقاله حل می‌کند

مسئله اصلی که مقاله به آن پاسخ می‌دهد، به‌صورت دقیق چنین است:
چگونه می‌توان تقاضای لرزه‌ای پل‌های چنددهانه را بدون اتکا به تحلیل‌های سنگین، اما با دقت قابل قبول مهندسی پیش‌بینی کرد؟

نتایج پژوهش حاکی از آن است که:

• یادگیری ماشین می‌تواند نقش جایگزین یا مکمل تحلیل‌های عددی را ایفا کند
• روابط داده‌محور می‌توانند رفتار غیرخطی پیچیده سازه را تقریب بزنند
• استفاده از این مدل‌ها برای ارزیابی احتمالاتی و تولید منحنی‌های شکنندگی کاملاً امکان‌پذیر است

 

روش‌شناسی و نوآوری پژوهش

بر اساس محتوای مقاله (بخش‌های روش شناسی و نتایج):

• داده‌های آموزشی از تحلیل‌های غیرخطی لرزه‌ای پل‌های چنددهانه استخراج شده‌اند
• عدم‌قطعیت‌های لرزه‌ای و سازه‌ای به‌صورت احتمالاتی وارد تحلیل شده‌اند
• الگوریتم Symbolic Regression  مبتنی بر Multi-Gene Genetic Programming برای:
  • کشف الگوهای غیرخطی
  • تولید روابط ریاضی صریح بین پارامترهای ورودی و تقاضای لرزه‌ای

به‌کار گرفته شده است.

نوآوری‌ های کلیدی:

• استفاده عملی از هوش مصنوعی تکاملی در مهندسی زلزله پل‌ها
• استخراج مدل‌های تحلیلی قابل استفاده در ارزیابی ریسک
• تولید منحنی‌های شکنندگی با پراکندگی کمتر نسبت به روش‌های سنتی

 

نتایج کلیدی (با ارزش اجرایی بالا)

طبق نتایج مقاله:

• مدل‌های مبتنی بر یادگیری ماشین دقت مناسبی در پیش‌بینی تقاضای لرزه‌ای دارند
• روابط استخراج‌شده نسبت به روش‌های سنتی، پراکندگی کمتری در منحنی‌های شکنندگی ایجاد می‌کنند
• پارامترهای هندسی و سازه‌ای نقش تعیین‌کننده‌ای در پاسخ لرزه‌ای دارند، نه فقط شاخص شدت زلزله
• روش پیشنهادی برای مطالعات منطقه‌ای ریسک (Regional Risk Assessment) بسیار مناسب است

 

کاربرد مستقیم در پروژه‌های رعد

این دستاورد به‌طور مستقیم در مسیر توسعه راهکارهای AI-Based Seismic Engineering  در شرکت بهسازان لرزه‌ای رعد قابل استفاده است، از جمله:

• پیش‌بینی سریع تقاضای لرزه‌ای پل‌ها در فاز مطالعات اولیه
• تولید منحنی‌های شکنندگی برای ارزیابی ریسک شبکه‌ای
• کاهش زمان و هزینه تحلیل در پروژه‌های زیرساختی
• پشتیبانی تصمیم‌گیری کارفرما با مدل‌های قابل توضیح و قابل دفاع

 

Executive Summary

Accurate prediction of seismic demands is essential for designing resilient bridges and assessing existing ones. Conventional nonlinear time-history analyses, while accurate, are computationally expensive and time-consuming.
This study demonstrates that artificial intelligence, specifically evolutionary machine learning, can be effectively used to develop efficient and reliable seismic demand prediction models for multispan bridges.

 

Scientific Contribution

The paper introduces an AI-driven probabilistic framework based on symbolic regression and genetic programming to derive explicit mathematical relationships between bridge characteristics and seismic demand parameters.
Unlike black-box machine learning models, the proposed approach provides interpretable analytical expressions, making it suitable for practical engineering applications.

 

Engineering Problem Addressed

The study addresses the following question:
How can seismic demand of bridges be predicted efficiently while maintaining acceptable engineering accuracy?

The results confirm that machine learning–based symbolic regression can successfully approximate nonlinear seismic behavior and support fragility analysis.

 

Methodology and Innovation

The methodology includes:

• Nonlinear seismic response data generation
• Probabilistic treatment of uncertainties
• Application of multi-gene genetic programming–based symbolic regression

Key innovations:

• Integration of evolutionary machine learning into seismic demand prediction
• Derivation of closed-form demand models
• Reduced dispersion in resulting fragility curves

 

Key Findings with Practical Value

The study shows that:

• AI-based models achieve reliable demand prediction accuracy
• Structural and geometric parameters significantly influence seismic demand
• Symbolic regression enables efficient fragility curve generation

 

Direct Application in Ra’d Retrofit Projects

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

• Rapid seismic demand estimation
• Regional bridge risk assessment
• Data-driven decision support for retrofit prioritization

 

 خلاصه کوتاه

این مقاله با استفاده از هوش مصنوعی و یادگیری ماشین تکاملی، مدل‌های هوشمندی برای پیش‌بینی تقاضای لرزه‌ای پل‌های چنددهانه ارائه می‌دهد. نتایج نشان می‌دهد که می‌توان با دقت مناسب و هزینه محاسباتی کمتر، تحلیل‌های ریسک و شکنندگی لرزه‌ای را انجام داد.

 

Short Summary

This study develops AI-based seismic demand prediction models for multispan bridges using symbolic regression and genetic programming, enabling efficient and interpretable fragility and risk assessment.

 

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.

Rezaei, H., Zarfam, P., Golafshani, E. M., & Amiri, G. G. (2023). Development of seismic demand prediction models for bridges based on probability approach using symbolic regression method. Computers & Structures, 282, 106991.