Journal of Computing in Civil Engineering· 2026Q1
Düzensiz Betonarme Perde Duvarlarda Stokastik Histerezis Tepkisinin CNN-KAN ve Manifold Rastgele Alanlar Kullanılarak Vekil Modellenmesi
Surrogate Modeling of Stochastic Hysteresis Response in Irregular RC Shear Walls Using CNN-KAN and Manifold Random Fields
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir CNN-KAN derin öğrenme modeli, düzensiz betonarme (RC) perde duvarlarda stokastik histerezis tepkilerini, rastgeleliği ortadan kaldıran CNN-LSTM ve CNN-MLP modellerinin aksine, tepki çeşitliliğini koruyarak doğru bir şekilde tahmin eder.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Düzensiz betonarme perde duvarlarda stokastik histerezis tepkilerini tahmin etmek için bir CNN-KAN derin öğrenme modeli önerilmiştir.
- Model, malzeme özelliği değişkenliğini temsil etmek için isomap yöntemiyle oluşturulan manifold rastgele alanları kullanır.
- CNN-KAN, sonuçları ortalama alan CNN-LSTM ve CNN-MLP'nin aksine, yapısal tepkilerdeki stokastik çeşitliliği başarıyla korur.
- CNN-KAN vekil modeli, Monte Carlo simülasyonları için geleneksel SFEM'e kıyasla hesaplama süresini 300 kat azaltır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Accurately predicting the hysteretic response of irregular reinforced concrete (RC) shear walls is essential for seismic performance assessment. However, spatial variability in material properties and geometric complexity introduce significant stochasticity, making conventional stochastic finite element (SFEM) methods computationally inefficient due to difficulties in random field assignment and the high cost of nonlinear analyses. This study proposes an efficient deep learning framework that uses a convolutional neural network-Kolmogorov–Arnold network (CNN-KAN) model to predict stochastic hysteresis responses of irregular shear walls with manifold random fields. The random field is constructed using the isometric mapping (isomap) method to accurately represent the spatial variability of material properties in SFEM. Then, hysteresis curves obtained from SFEM analysis are used to train the CNN-KAN model, the CNN-long short-term memory (LSTM) model, and the CNN-multilayer perceptron (MLP) model. While all three models achieve high prediction accuracy, only CNN-KAN successfully preserves the stochastic diversity of structural responses. The traditional CNN-MLP and CNN-LSTM models suffer from an averaging effect, failing to capture the inherent randomness. The trained CNN-KAN model is then used as a surrogate model for Monte Carlo simulation in large-scale sample analysis. The results demonstrated that it can efficiently generate hysteresis curves and energy dissipation distributions to study the influence of spatial correlation on structure stochastic responses. The proposed model significantly enhances computational efficiency, reducing the computing time to only 1/300 of the conventional SFEM analysis. Further, the proposed framework enables efficient uncertainty quantification and is extensible to other complex structural systems involving spatial randomness.
Yazarların özeti; kaynağından alınmıştır. Journal of Computing in Civil Engineering, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Statistics, Probability and UncertaintyDecision Sciences