ثبت نام شروع شد!

"دوره تخصصی آموزش نرم‌افزار ABAQUS"

✅ ویژه پژوهشگران و دانشجویان تحصیلات تکمیلی
✅ با تأکید بر اعتبارسنجی مدل‌ها بر اساس نتایج عددی و آزمایشگاهی مقالات ISI
✅ آموزش جامع فرآیند مدلسازی، تحلیل و استخراج خروجی‌های باکیفیت جهت استفاده در مقالات پژوهشی
✅ محتوای هر پروژه شامل موارد زیر است:
۱. فایل CAE و JNL مدل ABAQUS
۲.فایل‌ Excel مرتبط با تعریف هندسه، مصالح، تماس‌ها، مش‌بندی، بارگذاری و شرایط مرزی
۳. فایل Excel شامل استخراج و پردازش نتایج
۴. فایل Excel مقایسه نتایج مدل عددی بازسازی‌شده با نتایج عددی و آزمایشگاهی مقاله مرجع


✅ مدرس دوره:
دکتر عباس قدمی بدرلو
استادیار گروه مهندسی عمران دانشگاه شهید مدنی آذربایجان-تبریز
صفحه Google Scholar مدرس دوره:
https://scholar.google.com/citations?user=7lp0M5sAAAAJ&hl=en


✅ هزینه دوره: ۱۰ میلیون تومان


✅ برای ثبت نام و دریافت اطلاعات بیشتر در مورد دوره به آیدی زیر در تلگرام پیام دهید:
@DrPourmoosavi

جلسه دوازدهم دوره طراحی عملکردی بر مبنای نشریه ۳۶۰ در سایت اسپات پلیر بارگذاری شد. (جهت شرکت کنندگان آفلاین)

سرفصل جلسات اول و دوم، سوم، چهارم، پنجم، ششم، هفتم، هشتم، نهم، دهم، یازدهم، فوق برنامه

سرفصل جلسه دوازدهم
🔸 بررسی خصوصیات رکوردهای نزدیک گسل
🔸 بررسی رکوردهای نزدیک گسل پالس لایک در سایسمو سیگنال
🔸 مقیاس شتاب‌نگاشت به روش طیف راستای بیشینه مطابق ویرایش پنجم استاندارد ۲۸۰۰

مباحث جلسه آینده؛

🔹 بررسی معیارهای پذیرش تحلیل های خطی و پذیرش اعضای فولادی به روش خطی

⚠️👇

ظرفیت ۳۰ نفری دوره آنلاین تکمیل شده است، دوستانی که تمایل به شرکت در دوره به صورت آفلاین را دارند، می‌توانند جهت ثبت نام و دریافت اطلاعات بیشتر به ادمین کانال تلگرامی یا گروه پشتیبانی پیام ارسال کنند.
تعداد شرکت کننده تا کنون ۴۰ نفر می باشد.

.

سر فصل های دوره را در اینجا مطالعه بفرمایید.

در مورد سایر نرم افزارهای EQSoft اینجا بخوانید.

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

(۳۳)

ادامه‌ی تشریح بخش های یک کد بهینه سازی با الگوریتم ژنتیک 🧬

📝 تشریح بخش‌های کد GA بر اساس معماری ۷ بخشی

⚠️ چون بخش‌های ۱ تا ۴ و ۷ کاملاً مشابه قبل هستند، فقط روی بخش‌های ۵ و ۶ (مربوط به الگوریتم) تمرکز می‌کنیم:

بخش ۵: پارامترهای کنترل الگوریتم ژنتیک

def __init__(self, population_size=50, n_generations=100, 
             mutation_rate=0.1, crossover_rate=0.8, elitism_count=2)

این تنظیمات، بخش‌های ماشین تکامل را تعیین می‌کنند:

▪️ تعداد جمعیت (۵۰): چند طرح را همزمان در هر نسل نگه داریم.
▫️ تعداد نسل‌ها (۱۰۰): چند بار چرخه‌ی تولیدمثل را تکرار کنیم.
▪️ نرخ جهش (۰.۱): یعنی ۱۰٪ از ژن‌های هر فرزند به‌صورت تصادفی تغییر می‌کنند (برای جلوگیری از یکنواختی).
▫️ نرخ ترکیب (۰.۸): یعنی ۸۰٪ از جفت‌ها با هم ترکیب می‌شوند و ۲۰٪ بدون تغییر به نسل بعد می‌روند.
▪️ تعداد نخبه‌ها [منتخب‌ها] (۲): دو تا از بهترین طرح‌های هر نسل، بدون هیچ تغییری به نسل بعد منتقل می‌شوند تا بهترین‌ها هرگز از دست نروند.

بخش ۶: حلقه‌ی اصلی جستجو (چرخه‌ی تکامل)

حلقه‌ی اصلی در تابع run_ga اجرا می‌شود و هر نسل، ۴ مرحله‌ی حیاتی را طی می‌کند:

مرحله‌ی ۱ – مقداردهی اولیه (تولد جمعیت اولیه) 👨‍👩‍👧‍👦👨‍👩‍👧‍👦👨‍👩‍👧‍👦

population = np.random.randint(0, n_options, (population_size, n_variables))

مشابه PSO، اما اینجا به جای سرعت و موقعیت، مستقیماً ۵۰ کروموزوم (هر کروموزوم ۱۰ ژن دارد) به‌صورت تصادفی متولد می‌شوند. هر ژن یک عدد بین ۰ تا ۱۴ است که معرف یک پروفیل است.

مرحله‌ی ۲ – ارزیابی (محاسبه‌ی تناسب اندام) 🏅🏋️💪

fitness_values = []
for individual in population:
    result = objective_func(individual.tolist())
    fitness_values.append(result['objective'])

همه‌ی ۵۰ فرد به تابع تحلیلگر (FrameAnalyzer) فرستاده می‌شوند تا وزن و جریمه‌ی خود را محاسبه کنند. در اینجا عدد کوچک‌تر = بهتر (چون دنبال کمترین وزن هستیم). به این عدد، «مقدار برازندگی» یا Fitness می‌گوییم.

مرحله‌ی ۳ – انتخاب والدین (مسابقه‌ی بقا) 👰🤵

def _tournament_selection(self, population, fitness, k=3):
    selected_indices = np.random.choice(len(population), k, replace=False)
    best_idx = selected_indices[np.argmin([fitness[i] for i in selected_indices])]
    return population[best_idx].copy()

🤼🤺🧗
این شبیه به یک مسابقه‌ است: از بین جمعیت، ۳ نفر را تصادفی انتخاب می‌کنیم و به غرفه‌ی مسابقه می‌فرستیم. هر کسی که وزنش کمتر بود (برازنده‌تر بود)، برنده می‌شود و حق تولیدمثل پیدا می‌کند. این کار باعث می‌شود افراد قوی‌تر شانس بیشتری برای تولید فرزند داشته باشند، بدون اینکه اجازه دهیم یک فرد خیلی قوی، کل جمعیت را یکدست کند (چون انتخاب تصادفی همچنان تنوع را حفظ می‌کند).

مرحله‌ی ۴ – ترکیب (Crossover) و جهش (Mutation)

ترکیب یکنواخت (Uniform Crossover):

for i in range(len(parent1)):
    if np.random.random() < 0.5:
        child1[i] = parent1[i]; child2[i] = parent2[i]
    else:
        child1[i] = parent2[i]; child2[i] = parent1[i]

تصور کنید دو والد، هر کدام یک بسته‌ی ۱۰ تایی از پروفیل‌ها هستند. برای هر جایگاه (تیر و ستون)، یک سکه می‌اندازیم. اگر شیر بیاید، ژن والد اول به فرزند اول و ژن والد دوم به فرزند دوم می‌رسد. اگر خط بیاید، برعکس. به این ترتیب، فرزندان ترکیبی از بهترین ویژگی‌های هر دو والد را به ارث می‌برند.

📈 جهش (Mutation):

if np.random.random() < self.mutation_rate:
    mutant[i] = np.random.randint(0, n_options)

پس از ترکیب، هر ژن با احتمال ۱۰٪ به‌طور کامل تغییر می‌کند و به یک پروفیل کاملاً تصادفی (غیر از خودش) تبدیل می‌شود. جهش مثل یک اشتباه کپی‌برداری در طبیعت است؛ همین اشتباهات گاهی باعث می‌شوند موجودی فوق‌العاده متولد شود که مسیرهای جدیدی را کشف می‌کند.

🥇🥈 مرحله‌ی ۵ – نخبه‌گرایی (Elitism)

sorted_indices = np.argsort(fitness_values)
elites = population[sorted_indices[:self.elitism_count]]

قبل از اینکه همه‌چیز را با ترکیب و جهش عوض کنیم، ۲ تا از بهترین طرح‌های نسل فعلی را دقیقاً همان‌طور که هستند به نسل بعد می‌فرستیم. این کار تضمین می‌کند که بهترین پاسخ پیدا شده، هرگز در طول نسل‌ها گم نشود (چون ترکیب و جهش ممکن است آن را خراب کنند).

پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

کد بهینه سازی قاب فولادی دو طبقه با الگوریتم ژنتیک.
فقط بخش الگوریتم تغییر یافته است و سایر بخش ها مشابه کد با الگوریتم ازدحام ذرات است.

در ادامه مجموعه پست های بهینه سازی، به مقایسه‌ی این دو الگوریتم خواهیم پرداخت.

پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

(۳۴)

حالا که هر دو کد را در کانال فرستادم، قصد دارم از چند جنبه دو الگوریتم پر کاربرد و معروف الگوریتم ژنتیک و الگوریتم ازدحام ذرات را با هم مقایسه کنیم.

این مقایسه ها از ۶ جنبه ارائه خواهد شد.


🌱 ۱. منبع الهام (ایده‌ی اصلی)

GA
(الگوریتم ژنتیک): الهام‌گرفته از زیست‌شناسی و نظریه‌ی تکامل داروین است.

☘️🌿🌾🌳
تشبیه: مثل یک مزرعه‌ی پرورش گیاهان است. شما بهترین بوته‌ها را انتخاب می‌کنید، گرده‌افشانی می‌کنید، بذرهای جدید می‌کارید و هر سال قوی‌ترین بوته‌ها را نگه می‌دارید تا نسل‌ها قوی‌تر شوند.

PSO
(ازدحام ذرات): الهام‌گرفته از رفتار اجتماعی جانوران مثل دسته‌ی پرندگان یا ماهی‌ها است.

🦜🕊️🦜🕊️
تشبیه: مثل یک دسته‌ی پرنده است که دنبال غذا می‌گردند. هر پرنده می‌داند کجا بهترین غذا را پیدا کرده (تجربه‌ی شخصی) و همه می‌دانند کدام پرنده به غذا نزدیک‌تر است (تجربه‌ی گروهی). همه با تقلید از بهترین پرنده، مسیر خود را اصلاح می‌کنند.

پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

وب اپلیکیشن محاسبه پارامترهای زلزله و تولید طیف طرح مطابق ویرایش پنجم استاندارد ۲۸۰۰- حسین پهلوان

V36.1.1 Date: 1405.6.22

🌻🌻🌻🌻🌻🌻🌻🌻🌻
🆔@PBSD_TallBuildings

🧑‍💻 روز برنامه نویسان را تبریک و شادباش می‌گویم.

تخفیف ویژه فقط به مدت ۴۸ ساعت ⏳⚠️
تا پایان روز سه‌شنبه ۲۴ شهریور ماه

تخفیف ویژه ۴۰ درصدی! ⚠️⭕

بر روی تمام نرم افزارهای تولید شده گروه آموزشی و نرم افزاری EQSoft

⭕ در صورت تهیه دو نرم افزار، از تخفیف ۲۰ درصدی دوره ها نیز برخوردار خواهید شد. ⭕

جهت دریافت لیست نرم‌افزارها به ادمین کانال یا گروه پشتیبانی پیام ارسال بفرمایید.

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

با سلام به همکاران و دوستان عزیز.
نسخه به روزرسانی شده نشریه شماره 524 با عنوان "راهنماي روش‌ها و شيوه‌هاي بهسازي لرزه‌‌اي ساختمان‌هاي موجود و جزئيات اجرايي (‌بازنگري اول)" برای استحضار و مراجعه لازم ارسال می گردد.

(۳۵)

بخش دوم مقایسه دو الگوریتم ازدحام ذرات و الگوریتم ژنتیک

🔄🔃🔀
۲. نحوه‌ی جستجو و حرکت
🔶
GA:
با عملگرهای ترکیب و جهش جلو می‌رود. نسل به نسل، ژن‌ها را با هم عوض می‌کند. یعنی یک طرح جدید از تکه‌های دو طرح دیگر ساخته می‌شود.

🔸 نتیجه: حرکت پرشی و ناگهانی. فرزندان می‌توانند کاملاً متفاوت از والدین باشند. این باعث می‌شود اکتشاف (Exploration) در فضای جستجو بسیار قوی باشد.

🔷
PSO:
با معادلات ریاضی سرعت و مکان جلو می‌رود. هر ذره یک سرعت دارد و به سمت بهترین نقطه‌ی شخصی و گروهی شتاب می‌گیرد.

🔹 نتیجه: حرکت پیوسته و نرم. ذره در هر مرحله کمی به سمت جلو می‌رود. این باعث می‌شود بهره‌برداری (Exploitation) از نواحی خوب بسیار قوی باشد (یعنی وقتی به یک منطقه‌ی خوب رسید، با دقت آن را جستجو می‌کند).

پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

درود دوستان
قصد دارم موضوعی را پیش بکشم و پرسشی را عنوان کنم، پدیده‌ی تشدید در سازه را همه‌ی ما عمرانی ها می‌شناسیم، در فیلم هم این مورد به خوبی اشاره و مطرح شد. دیروز نیز در مورد پدیده‌ی نرم‌شدگی پریود (period Elongation) توضیح دادم. این موضوع در سازه های بتنی به دلیل خرد شدگی در بتن به مراتب بیشتر از سازه فولادی مشاهده می‌گردد. یعنی می‌توان عنوان کرد که در بسیاری از زمین لرزه ها این پدیده برای سازه های بتنی امکان رخداد دارد. حال به بحثی که عنوان می‌کنم دقت بفرمایید. بر فرض پریود سازه‌ی ما 0.5 ثانیه هست، پریود غالب تحریک زلزله 0.6 ثانیه، حال به دلیل ترک در بتن و کاهش سختی و مقاومت سازه در بخش ابتدایی زلزله، پدیده‌ی نرم‌شدگی پریود اتفاق می‌افتد و پریود سازه 0.6 می‌گردد.
به نظر شما، این امکان وجود دارد که در ادامه‌ی زمین لرزه، سازه دچار پدیده تشدید شده و فروریزش کند؟ این حالت در صورت رخداد برای زلزله های دور از گسل محتمل تر است یا نزدیک گسل؟ آیا می‌توان با بررسی بعضی از پارامترهای شدت زلزله، مثلا در تحلیل خطر ویژه ساختگاه، تخمینی برای رخداد این پدیده و یا تمهیداتی برای جلوگیری از این تشدید در نظر گرفت؟

(۳۶)

بخش سوم مقایسه دو الگوریتم ازدحام ذرات و الگوریتم ژنتیک


📡 🛰️
۳. نحوه‌ی اشتراک‌گذاری اطلاعات

🔶
GA:
اطلاعات به‌آرامی و از طریق کل جمعیت منتشر می‌شود. یک ژن خوب ابتدا با چند فرد ترکیب می‌شود، سپس به تدریج در بین جمعیت پخش می‌گردد. این کار مثل دهان‌به‌دهان گشتن یک خبر است.

🔸 مزیت: از هجوم ناگهانی به یک نقطه جلوگیری می‌کند و تنوع را حفظ می‌کند.

🔷
PSO:
اطلاعات به‌سرعت و به‌صورت متمرکز منتشر می‌شود. به محض اینکه یک ذره نقطه‌ی بهتری پیدا کند، همه‌ی ذرات از طریق group-best (بهترین گروهی) از آن مطلع می‌شوند و به سمت آن می‌روند.

🔹 مزیت: سرعت همگرایی اولیه بسیار بالاست، اما خطر ازدحام زودهنگام (Premature Convergence) وجود دارد؛ یعنی همه به یک نقطه‌ی نه‌چندان خوب هجوم ببرند و از جستجوی نقاط دیگر باز بمانند.


پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

🧑‍💻
کمتر از ۴ ساعت تا پایان تخفیف ویژه روز برنامه نویسان باقی مانده است.

تخفیف ویژه فقط به مدت ۴۸ ساعت ⏳⚠️
تا پایان روز سه‌شنبه ۲۴ شهریور ماه

تخفیف ویژه ۴۰ درصدی! ⚠️⭕

بر روی تمام نرم افزارهای تولید شده گروه آموزشی و نرم افزاری EQSoft

🔹 EQ Intensity Parameters 900,000 T

🔸 SPSW-Designer 2,400,000 T

🔹 MAX-DIRECTION-SPECTRA-SCALING
V1. 3 ; 2,400,000 T
V2; 3,000,000 T

🔸 NSP-Define-Checker-V2  900,000 T

⭕ در صورت تهیه دو نرم افزار، از تخفیف ۲۰ درصدی دوره ها نیز برخوردار خواهید شد. ⭕

جهت دریافت لیست نرم‌افزارها به ادمین کانال یا گروه پشتیبانی پیام ارسال بفرمایید.

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

https://www.aparat.com/v/egvybu3


فیلم معرفی نرم افزار محاسبه طیف راستای بیشینه و مقیاس شتاب‌نگاشت به روش های استاندارد ۲۸۰۰ ویرایش پنجم

(۳۷)

بخش چهارم مقایسه دو الگوریتم ازدحام ذرات و الگوریتم ژنتیک


🧩 ☑️❎🧩
۴. برخورد با مسائل گسسته (انتخاب پروفیل از لیست مقاطع تعریف شده)

🔶
GA:
به‌صورت ذاتی برای مسائل گسسته ساخته شده است. ژن‌ها همان اعداد صحیح (کد پروفیل‌ها) هستند.

🔸 ترکیب و جهش به راحتی روی این اعداد صحیح کار می‌کند بدون نیاز به تغییر.

🔸 برتری بزرگ GA در مسائل انتخاب از کاتالوگ. 💪

🔷
PSO:
برای فضای پیوسته (اعداد اعشاری) طراحی شده است.

🔹 برای استفاده در مسائل گسسته، مجبوریم عدد اعشاری سرعت را گرد (Round) کنیم تا به عدد صحیح برسیم.

🔹 این گرد کردن، مقداری خطا و نادرستی به فرآیند جستجو اضافه می‌کند. ⚠️


پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.

درود. این گزارش من را در مورد مقایسه 8 الگوریتم بهینه سازی در لینکدین بازدید و مطالعه بفرمایید.

الگوریتم های مورد بررسی
Algorithms: GA, PSO, DE, ABC, TLBO, ES, AEFA, and SCA.

نتایج جالب بود.
آدرس پست در لینکدین. منتظر نظرات و بازخورد شما دوستان هستم. خصوصا در لینکدین. 🙏

https://lnkd.in/p/eS9QvQ9h

پست های قبلی ⬇️

#structural_optimization

کانال تلگرامی
https://t.me/EarthQuakeSoftware
کانال بله
https://ble.ir/EarthQuakeSoftware
.