Parameter optimization, shaking table test, and intelligent response prediction of adjacent structures connected by viscous dampers

Stel je twee hoge gebouwen voor die vlak naast elkaar staan in een drukke stad. Wanneer de grond begint te schudden tijdens een aardbeving, wiebelen deze gebouwen niet zomaar; ze dansen naar hun eigen unieke ritmes. Als het ene gebouw hoog en stijf is terwijl de buurman korter en flexibeler is, kunnen ze uit de pas gaan bewegen. Dit is een beetje als twee dansers die proberen samen te bewegen, maar elkaars tenen vertrappen, wat kan leiden tot een pijnlijke botsing of "pounding" die beide structuren beschadigt. Ingenieurs weten al lang dat het toevoegen van een schokdemper — zoals een enorme, hightech auto-schokdemper — tussen de gebouwen kan helpen om ze in harmonie te laten bewegen en de trillingsenergie op te zuigen. Maar hier komt het lastige deel bij: uitzoeken waar je die dempers precies moet plaatsen en hoe sterk ze moeten zijn, is een enorme puzzel. Als je het fout raadt, helpen de dempers misschien helemaal niet, of ze kunnen de situatie zelfs erger maken. Dit is de uitdaging waarmee onderzoekers worden geconfronteerd: hoe stem je deze "seismische schokabsorbeerders" perfect af zodat naburige gebouwen veilig en stabiel blijven tijdens een beving.

In dit onderzoek besloot een team onderzoekers van de Fuzhou Universiteit dit puzzelstukje op te lossen met een combinatie van super slimme computermathematica, fysieke experimenten en kunstmatige intelligentie. Ze begonnen met het bouwen van een digitale tweeling van twee aangrenzende torens — de ene 15 verdiepingen hoog en de andere 7 verdiepingen hoog — en gebruikten een "genetisch algoritme" (denk aan een digitaal evolutieproces dat duizenden willekeurige demperopstellingen probeert en alleen de beste behoudt) om het perfecte recept te vinden. Ze ontdekten dat het plaatsen van dempers op specifieke verdiepingen en het afstemmen van hun sterkte de schudbewegingen van de gebouwen aanzienlijk kon verminderen. Om er zeker van te zijn dat hun computermathematica geen fantasie was, bouwden ze een klein model van 1/20e schaal van deze torens en testten deze op een enorme trillingstafel in een laboratorium. De resultaten waren veelbelovend: het echte model gedroeg zich bijna exact zoals de computer voorspelde, en het toevoegen van dempers verminderde het schudden van de top van de hoofdstructuur met wel 35% en die van de kleinere structuur met bijna 49%.

Maar de onderzoekers stopten daar niet. Ze realiseerden zich dat het draaien van een complexe computersimulatie telkens wanneer er een nieuwe aardbeving toeslaat, te traag is voor noodsituaties in de echte wereld. Daarom leerden ze een "intelligent" computerbrein (een neuraal netwerk) om de reactie van de gebouwen in een oogwenk te voorspellen. Door de AI duizenden scenario's uit hun experimenten te voeren, creëerden ze een model dat de maximale schudbeweging en zwaai van de gebouwen met meer dan 92% nauwkeurigheid kon voorspellen, bijna onmiddellijk. Hun werk suggereert dat het gebruik van meerdere dempers op verschillende locaties beter werkt dan slechts één, en dat deze slimme combinatie van optimalisatie, fysieke tests en AI-voorspelling een krachtige nieuwe manier biedt om onze steden veilig te houden wanneer de grond begint te bewegen.

De Digitale Evolutie en de Fysieke Test

De onderzoekers benaderden het probleem van het verbinden van twee verschillende gebouwen (een 15-verdiepingen tellende "hoofdstructuur" en een 7-verdiepingen tellende "substructuur") met viskeuze dempers. Ze wisten dat simpelweg raden waar de dempers geplaatst moesten worden, niet genoeg was. In plaats daarvan bouwden ze een geavanceerd systeem dat MATLAB (een wiskundige software) combineerde met SAP2000 (een bouwkundig programmeerprogramma). Ze gebruikten een Genetisch Algoritme (GA), dat een beetje werkt als natuurlijke selectie. Stel je een computer voor die duizenden willekeurige ideeën genereert voor waar de dempers geplaatst moeten worden en hoe sterk ze moeten zijn. Het "testt" deze ideeën vervolgens in een virtuele wereld. De ideeën die het beste werken — dat wil zeggen, die de schudbeweging het meest verminderen — worden behouden en "voortplant" om nog betere ideeën te cren voor de volgende ronde. Dit proces herhaalt zich totdat de computer de absolute beste opstelling heeft gevonden.

Ze testten twee hoofdscenario's:

1. ASVD-1: Een systeem met een enkele set dempers.
2. ASVD-2: Een systeem met twee sets dempers geplaatst op verschillende locaties.

De computer bepaalde dat voor de specifieke torens die zij bestudeerden, de beste locatie voor een enkele demper op de 7e verdieping lag, terwijl de beste opstelling met twee dempers het plaatsen ervan op de 1e en 7e verdieping inhield. De optimale "sterkte" (dempingscoëfficiënt) varieerde afhankelijk van het type aardbeving, van 260 Ns/mm tot 340 Ns/mm.

De Echte Schudbeweging

Om te bewijzen dat hun computer niet alleen aan het dromen was, bouwde het team een fysiek model. Ze construeerden een 15-verdiepingen tellende hoofdstructuur en een 7-verdiepingen tellende substructuur met behulp van micro-betonnen schagtwanden en koperen frames, geschaald naar 1/20e van de grootte van een echt gebouw. Ze plaatsten dit model op een enorme trillingstafel die echte aardbevingen kan simuleren. Ze testten het model met drie beroemde aardbevingsopnames: El Centro, San Fernando en SHW2.

De resultaten van de trillingstafel waren een groot succes. Het gedrag van het fysieke model kwam ongelooflijk goed overeen met de voorspellingen van de computer. De natuurlijke "trillingsfrequenties" van het echte model verschilden minder dan 5% van het computermodel, en de werkelijke schudreacties (hoeveel de verdiepingen bewogen) lagen binnen 10% van de simulatie. Dit gaf de onderzoekers een hoog vertrouwen dat hun digitale optimalisatiemethode betrouwbaar was.

Wanneer ze de gedempte gebouwen vergeleken met de ongedempte gebouwen, waren de verbeteringen duidelijk:

• Onder de El Centro-aardbeving: Het systeem met een enkele demper (ASVD-1) verminderde de verplaatsing van de top van de hoofdstructuur met 27,33% en de versnelling met 24,01%. Het systeem met twee dempers (ASVD-2) deed het nog beter, waarbij de verplaatsing met 35,69% en de versnelling met 26,98% werd verminderd. De kleinere structuur zag zelfs grotere winsten, waarbij de verplaatsing met het twee-demper-systeem (ASVD-2) met bijna 49% daalde.
• Onder de San Fernando-aardbeving: Het systeem met twee dempers verminderde de verplaatsing van de hoofdstructuur met 47,68% en de versnelling met 19,14%.
• Onder de SHW2-aardbeving: Het systeem met twee dempers verminderde de verplaatsing van de hoofdstructuur met 22,19% en de versnelling met 20,03%.

De gegevens toonden consequent aan dat ASVD-2 (het systeem met twee dempers) de winnaar was. Het bood een betere controle over zowel de hoofdstructuur als de substructuur dan de opstelling met één demper, wat suggereert dat het spreiden van de dempers over verschillende verdiepingen helpt om de gebouwen effectiever samen te laten werken om de schudbeweging te bestrijden.

De Kristallen Bol: AI-voorspelling

Hoewel het genetische algoritme de beste instellingen vond, is het draaien van die complexe simulaties telkens wanneer er een nieuw aardbevingscenario optreedt, te tijdrovend. Om dit te versnellen, bouwden de onderzoekers een SSA-BP neuraal netwerk. Denk aan dit als een "kristallen bol" die getraind is op de gegevens van hun experimenten en simulaties.

Ze voedden dit AI-model met een enorme dataset die 100 verschillende aardbevingsopnames bevat (inclusief far-field, near-field en pulse-like golven) en diverse demperinstellingen. De AI leerde vier belangrijke uitkomsten te voorspellen:

1. Maximale verplaatsing van de hoofdstructuur (MSD).
2. Maximale versnelling van de hoofdstructuur (MSA).
3. Maximale verplaatsing van de substructuur (SD).
4. Maximale versnelling van de substructuur (SA).

De resultaten waren indrukwekkend. Het AI-model bereikte een determinatiecoëfficiënt (R²) van meer dan 0,92 voor alle vier de uitkomsten op zowel de trainings- als de testdata. In gewone mensentaal betekent dit dat de voorspellingen van de AI extreem dicht bij de werkelijke resultaten lagen, met zeer weinig fouten. Bijvoorbeeld, de Mean Absolute Percentage Error (MAPE) voor het voorspellen van de versnelling van de hoofdstructuur was rond de 8-9%. Dit suggereert dat ingenieurs in de toekomst dit AI-instrument kunnen gebruiken om onmiddellijk te voorspellen hoe goed een dempersysteem zal werken zonder dat ze urenlang zware computersimulaties hoeven te draaien.

De Conclusie

Dit onderzoek suggereert dat het verbinden van aangrenzende gebouwen met viskeuze dempers een zeer effectieve manier is om aardbevingsschade te verminderen, mits de dempers correct geplaatst en afgestemd zijn. De onderzoekers ontdekten dat het gebruik van een genetisch algoritme om de locaties en de sterkte van de dempers te optimaliseren goed werkt, en dat het gebruik van twee dempers op strategische locaties (zoals de 1e en 7e verdieping in hun model) superieur is aan het gebruik van slechts één. Ze hebben deze bevindingen geverifieerd met echte tests op een trillingstafel, waarmee ze bevestigden dat hun computermodellen accuraat zijn. Ten slotte hebben ze aangetoond dat een AI-model kan leren van deze resultaten om toekomstige aardbevingsreacties snel en nauwkeurig te voorspellen, wat een veelbelovend instrument biedt voor een veiligere en veerkrachtigere stedelijke planning.