+ All Categories
Home > Documents > REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare...

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare...

Date post: 09-Jan-2020
Category:
Upload: others
View: 2 times
Download: 0 times
Share this document with a friend
93
UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI Facultatea de Construcții și Instalații REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ REZUMATUL TEZEI DE DOCTORAT Doctorand: Ing. Georgiana Bunea Conducător de doctorat: Prof. univ. dr. ing. Gabriela M. Atanasiu IAȘI - 2017
Transcript
Page 1: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI Facultatea de Construcții și Instalații

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

REZUMATUL TEZEI DE DOCTORAT

Doctorand: Ing. Georgiana Bunea

Conducător de doctorat: Prof. univ. dr. ing. Gabriela M. Atanasiu

IAȘI - 2017

Page 2: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile
Page 3: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile
Page 4: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile
Page 5: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

CUPRINS

teză

rezu

mat

Capitolul 1 1 1 1. Introducere 1 1

1.1 Oportunitatea și argumente privind alegerea temei științifice a tezei de doctorat 1 1 1.2 Obiectivele științifice ale tezei de doctorat 3 2 1.3 Structura tezei de doctorat 4 3

Capitolul 2 9 7 2. Stadiul actual al cercetărilor științifice privind analiza rezilienței seismice în

zone urbane vulnerabile 9 7 2.1 Definirea conceptului de reziliență seismică 9 7 2.2 Metode de evaluare a rezilienței seismice 12 7 2.3 Concluzii 20 9

Capitolul 3 23 10 3. Stadiul actual al cercetării privind aplicarea inteligenței artificiale în domeniul

rezilienței seismice 23 10 3.1 Inteligența artificială. Introducere 23 10 3.2 Sistemul multiagent SMA 25 10

3.2.1 Inteligența artificială distribuită 26 - 3.2.2 Definiția și caracteristicile SMA 27 11 3.2.3 Componentele sistemului multiagent 28 11

3.2.3.1 Mediul sistemului multiagent 30 11 3.2.3.2 Agentul în sistemul multiagent 33 12 3.2.3.3 Aspecte privind procesul decizional în SMA 35 12 3.2.3.4 Arhitecturile principale ale SMA 37 -

3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile SMA în reziliența seismică 39 -

3.3 Rețele neuronale artificiale RNA 41 13 3.3.1 Introducere în domeniul RNA 41 13 3.3.2 Componentele și modul de funcționare 41 13 3.3.3 Tipuri de RNA și tehnici de instruire 44 14 3.3.4 Avantajele și dezavantajele utilizării RNA 44 - 3.3.5 Stadiul actual al cercetărilor privind aplicarea RNA în ingineria civilă 45 -

3.4 Concluzii 46 15 Capitolul 4 49 16 4. Cercetări privind hazardul seismic în regiunea de Nord-Est a României 49 16

i

Page 6: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

4.1 Influența activității seismice din zona Vrancea în regiunea de Nord-Est a României 49 16

4.2 Dinamica prevederilor normelor seismice românești privind identificarea hazardului seismic în regiunea de Nord-Est a României 54 16

4.3 Caracterizarea hazardului seismic al regiunii municipiului Iaşi utilizând metode empirice 63 17

4.4 Influența geomorfologiei și a structurii geologice a terenului asupra efectelor seismelor resimțite în zona municipiului Iaşi 66 19

4.5 Cercetări recente privind evaluarea riscului seismic în municipiul Iaşi 69 20 4.6 Concluzii 69 22

Capitolul 5 79 24 5. Cercetări privind utilizarea inteligenței artificiale în evaluarea gradului de

degradare al structurilor din beton armat 81 24 5.1 Metodologia de cercetare 81 24

5.1.1 Selectarea parametrilor structurali ai modelelor de element finit EF 82 24 5.1.2 Selectarea acțiunilor seismice și a parametrilor acestora utilizați în RNA 86 26 5.1.3 Detalii privind modelarea și analiza neliniară cu EF a structurilor din beton

armat considerate în RNA 89 27 5.1.4 Rezultatele AEF și parametrii de ieșire ai RNA 93 28 5.1.5 Caracteristicile rețelei neuronale folosite în studiile de caz 95 29

5.2 Analiza rezultatelor obținute prin antrenarea RNA 95 29 5.3 Influența parametrilor structurali și ai acțiunii seismice asupra degradării

structurilor din beton armat utilizând RNA 100 30 5.3.1 Influența parametrilor acțiunii seismice asupra degradării structurilor din

beton armat 102 31 5.3.2 Influența parametrilor structurali asupra degradării structurilor din beton

armat 106 33 5.3.3 Concluziile studiilor de caz privind influența parametrilor de intrare asupra

degradării structurilor din beton armat 108 36 5.4 Testarea rețelei neuronale RNA pentru date de intrare diferite de cele din antrenare 109 36

5.4.1 Testarea RNA pentru parametri structurali diferiți de cei utilizați în antrenarea RNA 110 37

5.4.2 Testarea RNA pentru parametri ai acțiunii seismice diferiți de cei utilizați în antrenarea RNA 119 38

5.4.3 Testarea RNA pentru parametri structurali și ai acțiunii seismice diferiți de cei utilizați în antrenarea RNA 128 39

5.4.4 Concluziile studiilor de caz privind testarea RNA pentru valori ale parametrilor de intrare diferite de cele utilizate în antrenare 137 43

5.5 Influența reducerii numărului de parametri de intrare asupra rezultatelor RNA. Simplificarea RNA 139 44

ii

Page 7: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

5.6 Concluzii 141 45 Capitolul 6 143 47 6. Studii privind aplicarea sistemelor multiagent în evaluarea rezilienței seismice 143 47

6.1 Metodologia de calcul. Programul software REvaSim și modelul de evacuare utilizat 143 47

6.2 Prezentarea studiilor de caz în zone rezidențiale ale municipiului Iaşi 148 49 6.3 Simulări multiagent aplicate în zone rezidențiale ale municipiului Iaşi 155 52

6.3.1 Studiul de caz 1 - Evaluarea importanței a trei poduri importante amplasate pe râul Bahlui 155 53

6.3.2 Studiul de caz 2 - Impactul blocării drumurilor congestionate 163 58 6.3.3 Studiul de caz 3 - Influența deschiderii parțiale a podurilor avariate pentru

pietoni asupra evacuării 166 60 6.3.4 Studiul de caz 4 - Influența gradului de informare a populației asupra

evacuării 167 61 6.3.5 Studiul de caz 5 - Influența mărimii grupului asupra rezultatelor finale 178 66

6.4 Rezultatele cercetărilor și concluziile simulărilor multiagent 180 68 Capitolul 7 183 71 7. Concluzii generale ale cercetării doctorale. Contribuții personale.

Valorificarea și diseminarea rezultatelor cercetărilor 183 71 7.1 Concluzii generale ale cercetării doctorale 183 71 7.2 Contribuții personale 185 73 7.3 Valorificarea și diseminarea rezultatelor cercetărilor 187 75 7.4 Direcții viitoare de cercetare 189 77

Capitolul 8 191 79 8. Bibliografie 191 79 Anexe 206 - Anexa 1 – Listă de tabele 206 - Anexa 2 – Listă de figuri 209 -

Teza de doctorat este extinsă pe un număr de 212 pagini, în lucrare fiind incluse 90 de

figuri, 63 de tabele și 2 anexe. Pentru redactarea acesteia au fost utilizate 195 de referințe bibliografice. Rezumatul tezei de doctorat respectă numerotarea paragrafelor, figurilor, ecuațiilor și a tabelelor prezentate în lucrare.

iii

Page 8: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile
Page 9: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 1

1. Introducere

Oportunitatea și argumente privind alegerea temei științifice a tezei de doctorat

În contextul unui interes sporit al cercetărilor privind majorarea rezilienței seismice a structurilor de construcții, obiectivul principal al tezei de doctorat este să evalueze oportunitatea utilizării inteligenței artificiale, mai exact a sistemelor multiagent și a rețelelor neuronale, în îmbunătățirea rezilienței seismice într-o zonă urbană.

În ceea ce privește studiul de caz referitor la aplicarea sistemului multiagent am considerat zona municipiului Iaşi, aflată în partea de Nord-Est a României. Municipiul Iaşi, localizat într-o zonă seismică importantă a României, este catalogat a fi printre cele mai vulnerabile orașe în fața unui eveniment seismic major. Pentru a obține un plan realist de management al situațiilor de urgență este necesară anticiparea efectelor pe care le are acțiunea seismică asupra întregului oraș, atât din punct de vedere tehnic, cât și social, economic și organizațional. În acest context, sistemul multiagent este un instrument accesibil, ce permite analizarea mișcării populației în cazul unui eveniment distructiv.

Utilizarea sistemelor multiagent reprezintă una dintre modalitățile accesibile de analiză a mișcării grupurilor de persoane imediat după producerea unui eveniment seismic extrem. Agenții inteligenți pot fi proiectați astfel încât să simuleze într-un mod cât mai realist mișcarea și procesul decizional al persoanelor evacuate. Spre deosebire de simulările reale, timpul scurt de rulare a sistemelor multiagent permite realizarea de multiple simulări, care iau în calcul diferite degradări ale infrastructurii sau diverse comportamente ale agenților. Din analiza realizată de către autor asupra studiilor efectuate de către cercetători până în momentul actual, referitoare la utilizarea sistemelor multiagent în studierea mișcării persoanelor evacuate, se constată necesitatea unor cercetări mai amănunțite în acest domeniu și dezvoltarea unor programe mai performante care să simuleze realist procesul de evacuare.

Îmbunătățirea rezilienței seismice se poate realiza prin evaluarea rapidă a nivelului de performanță al structurilor, respectiv a gradului lor de degradare, în funcție de caracteristicile structurii și ale evenimentului seismic. În cazul unui oraș precum municipiul Iaşi, în care clădirile existente au fost construite în diferite perioade de timp de-a lungul mai multor decenii, fiind proiectate conform unor normative seismice diferite, probabilitatea ca un număr semnificativ de clădiri să fie afectat ca urmare a unui eveniment seismic major este ridicată. În acest context, un algoritm care să aproximeze rapid și la un nivel acceptabil gradul de degradare

1

Page 10: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

al unei structuri este folositor, permițând cetățenilor să revină în locuințele lor după o perioadă mai scurtă de timp. Desigur, și în această situație este necesară, ulterior, realizarea unei expertize tehnice amănunțite, pentru a evalua degradările și a propune soluții pentru restabilirea funcționalității complete a structurii. Totuși, posibilitatea de a cunoaște, în scurt timp, dacă o anumită clădire este sigură din punct de vedere structural și poate fi funcțională, respectiv locuită conduce la reducerea perioadei de restabilire a funcționalității zonei afectate, majorând rapiditatea cu care obiectivele sunt îndeplinite, aceasta fiind una dintre proprietățile rezilienței seismice.

Rețelele neuronale artificiale RNA oferă capacitatea de estimare rapidă a degradării structurale în funcție de anumiți parametri de intrare introduși de către utilizator. Realizând, în primă instanță, analize cu elemente finite ale unor modele de structuri de tip cadru din beton armat, se obține o bază de date, alcătuită din perechi de parametri de intrare și parametri de ieșire, folosită în antrenarea RNA. Apoi se pot introduce alți parametri de intrare, diferiți de cei utilizați în antrenare, iar rețeaua neuronală prezice parametrii de ieșire. Astfel, în situația producerii unui seism major, se pot include caracteristicile geometrice și structurale ale clădirii de interes, precum și anumite valori ce descriu acțiunea seismică, ca apoi rețeaua neuronală să aproximeze diferiți parametri de ieșire, spre exemplu coeficienți de degradare. Apoi, pe baza acestor valori, i se asociază structurii un anumit nivel de degradare sau de performanță.

În urma sintezei documentare realizată pe parcursul programului de studii doctorale s-a conturat necesitatea dezvoltării unor astfel de rețele neuronale care să aproximeze gradul de degradare al unei structuri tridimensionale de tip cadru din beton armat, în urma introducerii unor parametri de intrare structurali și ai acțiunii seismice.

Obiectivele științifice ale tezei de doctorat Obiectivul major urmărit în realizarea tezei de doctorat a constat în găsirea unor

metode specifice inteligenței artificiale care să poată fi utilizate în îmbunătățirea rezilienței seismice și testarea aplicabilității acestora în diferite studii de caz. Teza de doctorat abordează două tipuri de sisteme asociate inteligenței artificiale, în scopul îmbunătățirii rezilienței seismice a unei zone urbane, respectiv sistemele multiagent și rețelele neuronale artificiale. În scopul îndeplinirii obiectivului principal a fost necesară stabilirea unor obiective secundare, respectiv:

• Sinteza documentară privind analiza rezilienței seismice în zone urbane; • Studiu documentar privind stadiul actual al cercetării privind aplicarea inteligenței

artificiale în domeniul rezilienței seismice, ce a presupus: o Studiu documentar privind sistemele multiagent și aplicarea lor în domeniul

rezilienței seismice;

2

Page 11: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

o Studiu documentar privind rețelele neuronale artificiale și utilizarea lor în scopul determinării degradărilor elementelor structurale sau structurilor;

• Alegerea unei zone de interes pentru studiile de caz și realizarea de cercetări referitoare la hazardul seismic în regiunea respectivă. Analiza dinamicii prevederilor din codurile seismice românești cu scopul detectării tipurilor de clădiri potențial vulnerabile din regiunea de interes;

• Obținerea informațiilor necesare pentru crearea bazei de date utilizată în antrenarea rețelei neuronale;

• Verificarea aplicabilității rețelei neuronale artificiale RNA în determinarea degradării structurale a unei structuri de tip cadru din beton armat apărută ca urmare a acțiunii seismice;

• Analiza influenței parametrilor structurali și ai acțiunii seismice asupra degradării structurilor din beton armat, utilizând RNA;

• Identificarea zonelor principale vulnerabile seismic din zona de interes, mai precis municipiul Iaşi, și propunerea unor spații de cazare și de spitalizare pentru persoanele evacuate;

• Utilizarea unor programe de cercetări numerice bazate pe simulări multiagent, aplicate în zone rezidențiale selectate din municipiul Iaşi. Introducerea unor opțiuni noi în cadrul programului software REvaSim, care să permită realizarea unor simulări cu un grad mai ridicat de realism.

Structura tezei de doctorat Teza de doctorat conține 212 pagini, fiind structurată în 8 capitole dintre care: 7 capitole

tematice și un capitol ce cuprinde 195 referințe bibliografice. În finalul tezei sunt introduse 2 anexe, respectiv lista de tabele și lista de figuri. Primele capitole ale tezei de doctorat s-au axat pe prezentarea obiectivelor tezei, a oportunității alegerii temei științifice, precum și definirea stadiului actual al cercetărilor științifice privind tematica abordată. În acest context au fost oferite informații teoretice referitoare la domeniul rezilienței seismice și al inteligenței artificiale IA. În cadrul tezei de doctorat au fost utilizate două metode de rezolvare a problemelor complexe aparținând domeniului IA, mai precis sistemele multiagent SMA și rețelele neuronale artificiale RNA, caracteristicile acestora fiind prezentate detaliat.

Cea de-a doua parte a tezei de doctorat cuprinde cercetările științifice realizate de către autor pe tematica aleasă. În acest context, s-au realizat o serie de analize privind caracteristicile hazardului seismic corespunzător regiunii de Nord-Est a României, în special zona municipiului Iaşi. Rezultatele acestor analize au fost utilizate ulterior în construirea mediului SMA și în selectarea parametrilor de intrare ai RNA. În capitolele următoare au fost făcute studii privind evaluarea gradului de degradare al structurilor de tip cadru din beton armat, în

3

Page 12: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

urma unei acțiuni seismice, folosind RNA, precum și studii referitoare la utilizarea SMA în scopul analizei mișcării maselor, în situația evacuării populației post-seism dintr-o anumită zonă urbană. Partea finală a tezei de doctorat cuprinde concluziile cercetărilor efectuate de către autor și direcțiile viitoare de cercetare pe tema științifică aleasă.

Conținutul tezei de doctorat este prezentat succint în cele ce urmează. Capitolul 1 – Introducere prezintă aspecte legate de oportunitatea alegerii acestei teme

de cercetare științifică în contextul actual al hazardului seismic din zona de Nord-Est a României, precum și considerând starea de degradare a structurilor existente, respectiv nivelul de siguranță al acestora în cazul producerii, în țara noastră, a unui cutremur de o intensitate ridicată. Argumentele referitoare la motivarea alegerii temei științifice abordate au condus la conturarea obiectivelor tezei de doctorat, prezentate în acest capitol.

Capitolul 2 – Stadiul actual al cercetărilor științifice privind analiza rezilienței seismice în zone urbane vulnerabile prezintă o sinteză documentară referitoare la domeniul rezilienței seismice, punând accent pe evaluarea acesteia în zone urbane situate în regiuni seismice. Conceptul de reziliență seismică este definit în prima parte a capitolului, având la bază literatura de specialitate. Dimensiunile rezilienței propuse atât de Bruneau et al. (2003), cât și de modelul PEOPLES (Renschler et al., 2010) sunt enumerate și descrise în acest capitol. În partea a doua a capitolului se prezintă diferite metode de evaluare, respectiv cuantificare a rezilienței seismice.

Capitolul 3 – Stadiul actual al cercetării privind aplicarea inteligenței artificiale în domeniul rezilienței seismice sintetizează introducerea generală în domeniul inteligenței artificiale. În acest capitol se prezintă detaliat metodele IA folosite în cercetările efectuate în cadrul tezei de doctorat, respectiv sistemele multiagent SMA și rețelele neuronale artificiale RNA. Definiția, proprietățile, componentele SMA, precum și exemple de utilizare în domeniul evacuării maselor de persoane sunt pe rând prezentate în acest capitol, explicându-se și procesul prin care agenții inteligenți interacționează între ei, respectiv cu mediul. Ultima parte a capitolului descrie RNA, oferind informații referitoare la componentele și modul de funcționare al RNA, respectiv tipurile de rețele și tehnicile de instruire, precum și exemple de utilizare.

Capitolul 4 – Cercetări privind hazardul seismic în regiunea de Nord-Est a României cuprinde o sinteză documentară referitoare atât la seismicitatea regiunii de Nord-Est a României, cât și la progresul în cunoaștere înregistrat în prevederile normelor seismice românești corespunzătoare zonei de interes. Într-o primă etapă am calculat posibile valori de vârf ale accelerațiilor absolute ale terenului înregistrate în cazul unor evenimente seismice de diferite magnitudini și cu diferite adâncimi focale, pentru zona municipiului Iaşi. Apoi am prezentat sintetic informații referitoare la structura geologică a terenului în regiunea de Nord-Est a României, respectiv în zona orașului Iaşi. De asemenea, am evidențiat și principalele zone rezidențiale ce ar putea fi afectate de instabilități ale terenului cauzate de undele seismice ale

4

Page 13: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

unui cutremur de intensitate ridicată. În ultima parte a capitolului am realizat un studiu referitor la încadrarea clădirilor existente în municipiul Iaşi în categorii de urgență/ clase de risc seismic, evidențiind în acest fel riscul seismic existent în diferite zone rezidențiale.

Capitolul 5 – Cercetări privind utilizarea inteligenței artificiale în evaluarea gradului de degradare al structurilor din beton armat cuprinde studiile efectuate în cadrul programului de doctorat pentru determinarea unor parametri relaționați cu degradarea structurală ca urmare a acțiunii seismice, utilizând rețelele neuronale artificiale RNA. Pentru a aplica RNA a fost necesară crearea unei baze de date utilizată ulterior în antrenarea rețelei. Astfel, am modelat în programul software SAP2000 un număr de 243 de structuri de tip cadru din beton armat, în varianta tridimensională. În conceperea și analiza modelelor am considerat 6 parametri de intrare asociați caracteristicilor structurii și 4 parametri de intrare corespunzători acțiunii seismice, ce au fost ulterior introduși în RNA. Fiecare structură a fost solicitată la acțiunea a 14 evenimente seismice. Structurile investigate au fost supuse unei analize neliniare de tip Time-History. Pentru evaluarea modificărilor ce apar în structură determinate de acțiunea seismică am considerat 6 parametri de ieșire. Utilizând algoritmul ReliefF am efectuat analiza influenței parametrilor de intrare asupra coeficienților de degradare, mai precis coeficientul de degradare finală a rigidității structurale FS și coeficientul deplasării relative de nivel IDR. Testarea RNA pentru parametri de intrare diferiți de cei utilizați în antrenare s-a realizat etapizat. În finalul capitolului am simplificat RNA, introducând în antrenare doar parametrii de intrare cu un grad de influență ridicat asupra coeficienților de degradare.

Capitolul 6 cuprinde Studii privind aplicarea sistemelor multiagent în evaluarea rezilienței seismice, cercetările științifice fiind realizate pentru zona municipiului Iaşi. În cadrul acestui capitol am aplicat și dezvoltat programul software REvaSim pentru a analiza mișcarea populației în procesul de evacuare după producerea unui eveniment seismic important. În mediul SMA am introdus puncte vulnerabile/ puncte de plecare ale agenților asociate zonelor în care există un număr mare de clădiri încadrate în categorii de urgență sau clase de risc seismic superioare. Destinațiile agenților propuse în studiile de caz sunt spațiile de cazare și spitalele, în funcție de categoria fiecărui agent, respectiv răniții, cei cu acces la mașină și pietonii. Am realizate 5 studii de caz, fiecare dintre ele analizând mișcarea persoanelor evacuate în diferite condiții.

Capitolul 7 conține Concluzii generale ale cercetării doctorale în care se prezintă sintetic rezultatele cercetării științifice efectuate în cadrul tezei de doctorat de către autor. Capitolul include și Contribuții personale ale autorului în domeniul ales, precum și informații referitoare la Valorificarea și diseminarea rezultatelor cercetărilor. În finalul Capitolului 7 sunt prezentate Direcțiile viitoare de cercetare pe care le are în vedere autorul.

5

Page 14: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 8 – Bibliografie cuprinde lista referințelor bibliografice, dintre care sunt 123 articole științifice, cărți de specialitate și monografii, 13 standarde și normative, 20 documente și rapoarte de specialitate, 32 surse disponibile pe internet și 7 programe software.

De asemenea, în finalul tezei de doctorat sunt introduse Anexa 1 – Lista de tabele și Anexa 2 – Lista de figuri.

6

Page 15: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 2

2. Stadiul actual al cercetărilor științifice privind analiza rezilienței seismice în zone urbane vulnerabile

Definirea conceptului de reziliență seismică

În literatura de specialitate se propun numeroase definiții pentru conceptul de reziliență, care pot fi regăsite în lucrări precum Adger (2000), Longstaff et al. (2010), Bruneau et al. (2003). Aplicând aceste definiții la hazardul seismic al unei zone urbane, reziliența seismică ar putea fi definită ca fiind capacitatea societății, aflată într-o regiune vulnerabilă din punct de vedere seismic, de a lua măsuri preventive de diminuare a riscului seismic, precum și a probabilității apariției fenomenelor secundare de hazard; de a prelua șocul cutremurului în mod eficient și cu o pierdere minimală a funcționalității sistemelor; și de a organiza eficient acțiuni de recuperare rapidă a nivelului funcționalității la valoarea inițială sau de creștere a acesteia, fără a afecta în mod negativ comunitatea pe durata acestui proces (Bunea et al. 2016a, Atanasiu și Bunea 2016).

Bruneau et al. (2003) a identificat patru dimensiuni pe care reziliența seismică le influențează: socială, tehnică, economică și organizațională. Modelul de reziliență PEOPLES (Renschler et al., 2010) propune șapte dimensiuni ale rezilienței seismice aflate în relație de interdependență și care au un rol important în redresarea societății post-seism: Populație și Demografie, Mediu înconjurător/ Ecosistem, Organizații guvernamentale, Infrastructură, Stil de viață și competența comunității, Dezvoltare economică, Capital socio-cultural (Atanasiu și Bunea 2016).

Metode de evaluare a rezilienței seismice Conceptul general de reziliență seismică este reprezentat grafic în Figura 2.1, în care

este evidențiată modificarea în timp a funcționalității Q(t), după producerea evenimentului seismic (Bruneau et al. 2003, Cimellaro et al. 2010, Bunea et al. 2016a, Atanasiu și Bunea 2016).

7

Page 16: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 2.1 Reprezentarea grafică a conceptului de reziliență seismică

Sursa: adaptat după Bruneau et al. (2003), Cimellaro et al. (2010), Bunea et al. (2016a), Atanasiu și Bunea (2016)

Imediat după producerea unui seism, la timpul t0, funcționalitatea sistemului înregistrează o scădere bruscă, de la nivelul corespunzător valorii 100% la unul inferior, valoarea celui din urmă depinzând de capacitatea sistemului de a prelua forța seismică. Urmează apoi o perioadă de reabilitare, până la timpul tr, în decursul căreia se realizează acțiuni ce își propun atingerea unui anumit nivel de funcționalitate al sistemului (Bunea et al. 2016a, Atanasiu și Bunea 2016).

Cimellaro et al. (2008, 2010) a propus o abordare în care valoarea rezilienței este calculată direct, aceasta fiind asociată ariei existente sub graficul funcției de funcționalitate, conform Relației 2.2 (Bunea et al. 2016a, Atanasiu și Bunea 2016).

00

1 ( )LCt

LC t

R Q t dtt t

=− ∫ (2.2)

Una dintre metodele propuse de evaluare a rezilienței seismice a fost organizarea datelor pe domenii, fiecăruia asociindu-i-se o serie de indicatori. Metoda descrisă anterior a fost utilizată în cadrul modelului PEOPLES, dezvoltat de Renschler et al. (2010). Acest model propune o serie de indicatori, iar utilizarea acestora în evaluarea rezilienței seismice se realizează prin însumarea lor și obținerea unor valori numerice reprezentative pentru fiecare dimensiune a rezilienței în parte (Atanasiu și Bunea, 2016).

În privința clădirilor existente în zona de studiu, o estimare a nivelului rezilienței seismice pentru fiecare dintre acestea se poate realiza prin utilizarea sistemului de clasificare REDi, denumit REDi Rating System. Sistemul REDi reprezintă și un ghid pentru majorarea nivelului de reziliență al unei clădiri. Acest studiu propune încadrarea imobilelor în trei clase, în funcție de rezultatul evaluării, mai precis Silver, Gold sau Platinum (Bunea et al. 2016a, Almufti și Wilford 2013, Atanasiu și Bunea 2016).

8

Page 17: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Concluzii Odată cu dezvoltarea societății și creșterea gradului de complexitate al zonelor urbane s-

a evidențiat necesitatea obținerii unei comunități reziliente, spre exemplu în fața unui eveniment seismic. În acest context, reziliența seismică presupune realizarea unor planuri concrete de prevenire, respectiv minimizare a riscului seismic într-o zonă urbană bine determinată. Planurile trebuie succedate de un management corespunzător al situațiilor de urgență, precum și al acțiunilor realizate în perioada de recuperare. Prezentul capitol a avut ca obiectiv expunerea principalelor caracteristici ce definesc reziliența seismică a unei regiuni, precum și metodele actuale de evaluare a acestui concept. În cadrul acestora, spre exemplu PEOPLES, sunt propuși o serie de indicatori ce descriu anumite dimensiuni ale rezilienței sau aspecte ce trebuie luate în considerare în analiza unei clădiri. Concentrându-se doar pe estimarea individuală a rezilienței seismice a unei construcții, sistemul REDi propune evaluarea unor criterii atent selecționate, care încadrează clădirea în trei clase (Bunea et al., 2016a).

Reziliența seismică reprezintă, practic, un instrument de monitorizare a situației unei zone urbane din punct de vedere al riscului seismic, ce oferă și posibilitatea de minimizare a efectelor distructive cauzate de un eveniment seismic extrem. Aceasta poate fi realizată în urma analizei atente a infrastructurii și a activităților desfășurate în cadrul acesteia, pe baza căreia sunt propuse acțiuni pre- și post-seism de reducere a riscului seismic, ce consideră atât dimensiunea economică, cât și cea socială, respectiv tehnică.

9

Page 18: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

Capitolul 3

3. Stadiul actual al cercetării privind aplicarea inteligenței artificiale în domeniul rezilienței seismice

Acest capitol realizează o introducere în domeniul inteligenței artificiale și prezintă metode prin care aceasta poate fi utilizată în îmbunătățirea rezilienței seismice a unei zone urbane. În acest context, sistemul multiagent și rețelele neuronale au fost selectate pentru a fi aplicate în diferite studii de caz prezentate în cadrul acestei teze de doctorat.

Inteligența artificială. Introducere

Potrivit Dicționarului Explicativ al Limbii Române, „inteligența” reprezintă capacitatea de a soluționa problemele nou apărute, având la bază cunoștințele acumulate anterior. Acestor caracteristici li se poate adăuga capacitatea de comunicare, creativitatea sau conștiința de sine (https://dexonline.ro/, https://en.wikipedia.org/w/index.php?title=Intelligence&oldid=723098505). Semnificația termenului în contextul temei tezei de doctorat va fi prezentată în amănunt în Capitolul 3.3.2, cu referire la noțiunea de „agent inteligent”.

Obiectivele domeniului inteligenței artificiale IA s-au conturat având la bază, în principal, cercetările realizate în domeniul logicii, cu privire la modul de gândire al oamenilor. Astfel, printre obiectivele IA se numără capacitatea de deducție, judecată și rezolvare a situațiilor dificile, o modalitate de reprezentare a cunoștințelor, capacitatea de planificare a acțiunilor, capacitatea de a învăța din experiențele acumulate, capacitatea de comunicare și de percepere a mediului înconjurător (https://en.wikipedia.org/w/index.php?title=Artificial_intelligence&oldid=723666773).

Sistemul multiagent SMA Cercetătorii au venit cu propunerea de a descompune problema existentă și de a trimite

părțile componente mai multor programe software, denumite agenți, fiecare având rolul de a le analiza și a oferi o soluție, în concordanță cu scopul pentru care a fost proiectat. Astfel a apărut subdomeniul IA denumit inteligența artificială distribuită (IAD), ce este prezentat în Capitolul 3.2.1 (Chaib-Draa et al., 1992). Ulterior, în cadrul acestui subdomeniu au fost dezvoltate sistemele multiagent (SMA) având, în principal, scopul de a simula interacțiunile umane din cadrul unei societăți (Wooldridge 2002, Vlassis 2007).

10

Page 19: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

3.2.2 Definiția și caracteristicile SMA

Sistemul multiagent, parte a domeniului inteligenței artificiale distribuite IAD, este definit ca o rețea de entități autonome, având denumirea de agenți, ce interacționează într-un mediu static sau dinamic, cu scopul de a atinge anumite obiective. SMA este utilizat pentru a rezolva probleme complexe, ce nu pot fi soluționate de un sigur agent (Wooldridge 2002, Vlassis 2007, https://www.cs.cmu.edu/~softagents/multi.html). Rezolvarea problemelor se realizează datorită interacțiunii dintre agenți sau dintre agenți și mediu, ce poate lua forma unei cooperări, negocieri sau coordonări (Vlassis 2007, Jennings et al. 1998, https://www.cs.cmu.edu/~softagents/multi.html).

În Weiss (1999) sunt prezentate câteva proprietăți ale SMA, prin care se evidențiază și anumite avantaje pe care le oferă utilizarea acestui tip de sistem. În primul rând, eficiența SMA este mult superioară celei obținute cu ajutorul IA tradiționale. În acest mod, se obține și un timp mai redus de rezolvare a problemei/ situației, ce implică un cost mai scăzut în comparație cu un sistem de tipul IA. Datorită acestei decentralizări, specifică SMA, se conturează alte două proprietăți, respectiv fiabilitatea și robustețea. Decentralizarea oferă posibilitatea de a proiecta agenții/ subsistemele separat, de către diferiți programatori, simplificând procesul de mentenanță și reducând astfel costul acesteia. Divizarea sistemului evidențiază și posibilitatea de reutilizare a anumitor subsisteme în alte simulări multiagent, desigur cu posibile modificări în structura codului.

3.2.3 Componentele sistemului multiagent

Componentele principale ale sistemului multiagent sunt agenții și mediul în care aceștia se desfășoară. Agentul primește informații din mediul în care se află prin intermediul senzorilor, ca urmare a interacțiunilor realizate, apoi efectuează o anumită acțiune asupra mediului virtual sau fizic, cu ajutorul efectorilor, ce este decisă în urma analizei datelor de intrare și a setului de reguli introdus de către utilizator. Agenților li se implementează de către utilizator o serie de acțiuni care pot fi executate. În urma cercetării datelor preluate din mediu, agentul selectează acțiunea ce îi oferă utilitatea cea mai mare (Wooldridge 2002, Jennings 2000).

3.2.3.1 Mediul sistemului multiagent

Acțiunile agenților depind nu numai de interacțiunile ce apar între ei, ci și de caracteristicile mediului în care se desfășoară. Weyns et al. (2005a,b) evidențiază câteva dintre caracteristicile esențiale ale mediului, acesta din urmă fiind considerat a fi elementul de bază al SMA. În acest context, mediul este definit ca reprezentând o parte independentă a SMA, care cuprinde anumite responsabilități bine definite. Mediul nu depinde de activitățile pe care agenții le realizează pentru a-și schimba starea.

11

Page 20: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Mediul virtual corespunzător unei zone geografice poate fi construit având la bază un fișier GIS Geographic Information System, ce îi oferă posibilitatea utilizatorului de a modela sistemul într-o manieră mai apropiată de realitate. Pentru mediu se poate utiliza, de asemenea, o construcție de tip grilă sau rețea. În cazul studiilor de caz prezentate în acest raport, se va utiliza cea de-a treia metodă, respectiv modelul tip rețea.

3.2.3.2 Agentul în sistemul multiagent

Având la bază studiile existente în literatura de specialitate se poate afirma faptul că agentul din cadrul SMA reprezintă o entitate computațională autonomă, aflată într-un mediu virtual sau fizic în care coexistă alți agenți cu care interacționează, având scopul de a rezolva una sau mai multe probleme/ situații complexe. Agentul preia informații din mediu, cu care, de asemenea, interacționează, le analizează și, în urma rezultatului percepției sale, decide acțiunea care urmează a fi efectuată asupra mediului (Wooldridge 2002, Weiss 1999, Vlassis 2007).

Agentul inteligent este dotat cu o caracteristică suplimentară celor enumerate în definiția prezentată anterior, respectiv flexibilitatea. Astfel, agentul inteligent devine o entitate autonomă flexibilă, ce are ca obiectiv îndeplinirea unei anumite misiuni sau rezolvarea unei probleme complexe. Flexibilitatea, în acest sens, este un concept ce include reactivitate din partea agentului, proactivitate și abilitate socială (Wooldridge 2002, Jennings et al. 1998, Wooldridge 1999).

În ce privește reactivitatea și proactivitatea, acestea împart agenții în trei categorii, în funcție de proporția lor în proiectare: reactivi, cognitivi și hibrizi. O altă clasificare ce ia în considerare modul în care agenții își selectează acțiunile este cea oferită în Kagaya et al. (2005). Potrivit acesteia există agenți simpli reactivi, agenți bazați pe obiective, agenți ce dețin o istorie a modificărilor ce se petrec în mediu și agenți bazați pe utilitate. În lucrarea de față vor fi utilizați agenții bazați pe utilitate, modul de luare a deciziilor acestor entități fiind descris în Capitolul 3.3.3.

3.2.3.3 Aspecte privind procesul decizional in SMA

Pentru a se decide asupra efectuării unei acțiuni, agenții trec printr-un proces, ce are la bază starea mediului în care aceștia se află și modul în care sunt proiectați să reacționeze în diferite situații. Într-un sistem multiagent bazat pe agenți inteligenți este necesară găsirea unei metode prin care aceștia să își selecteze singuri acțiunile, bazându-se pe cunoștințele acumulate și pe situația mediului. Una dintre metodele ce pot fi utilizate se bazează pe evaluarea utilității unei anumite stări. Utilitatea este o valoare numerică asociată unei stări, ce exprimă gradul de satisfacție al agentului asociat stării respective sau preferința agentului pentru o anumită stare (Wooldridge 2002, Vlassis 2007). În acest context, agentul încearcă să găsească acțiunea optimă care îi oferă utilitatea maximă.

12

Page 21: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

3.2.4 Modelare și simulare utilizând sisteme multiagent

În teorie, modelele pe bază de agenți sunt construite la un nivel microscopic, simularea luând în considerare comportamentul fiecărui agent în parte. Totuși, în cazul sistemelor complexe, aceasta modalitate are ca efect un timp mult prea mare de rulare. În unele situații, un nivel de detaliu mai redus este de preferat, obținându-se un rezultat similar, dar într-un timp mult mai scurt. Așadar, în cazul sistemelor multiagent, luând în considerare nivelul de detaliu, modelarea poate fi realizată la nivel macroscopic, microscopic sau mesoscopic (Navarro et al., 2013).

Rețele neuronale artificiale RNA

3.3.1 Introducere în domeniul RNA

În literatura de specialitate există o gamă largă de definiții ale rețelelor neuronale artificiale RNA, care se axează pe o anumită proprietate a sistemului sau înglobează mai multe caracteristici ale acestuia. Majoritatea definițiilor descriu RNA ca fiind un sistem computațional adaptabil care poate înmagazina informații și le face disponibile pentru utilizare. Modelul de inspirație reprezintă structura sistemului nervos biologic, respectiv modul acestuia de funcționare (Amezquita-Sanchez et al. 2016, Lautour și Omenzetter 2009, Hossain et al. 2017). Precum sistemul nervos uman, RNA este alcătuit din multiple unități de procesare a informației, interconectate. Acestea analizează datele de intrare și recunosc un anumit tipar, cu scopul de a furniza ulterior date de ieșire cu un grad de eroare redus (Amezquita-Sanchez et al. 2016, Mareš et al. 2016).

3.3.2 Componentele și modul de funcționare

În rețeaua neuronală, neuronul devine o unitate de procesare a informației, conectată cu ceilalți neuroni, compusă din mai multe date de intrare și o singură dată de ieșire (Chojaczyk et al. 2015). Similar unui neuron al sistemului nervos biologic, cel artificial este compus din anumite elemente cu rol de recepție, prelucrare și transmitere a informațiilor, și anume intrările, sumatorul, funcția de activare și ieșirea. Figura 3.7 prezintă arhitectura generală a unui neuron (Hossain et al. 2017, Hakim și Razak 2014b).

13

Page 22: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 3.7 Arhitectura generală a unui neuron din RNA

Sursa: adaptat după Hakim și Razak (2014b)

Valoarea sumatorului este calculată cu Relația 3.2 (Hossain et al. 2017, Chojaczyk et al. 2015).

1

n

k kk

ni w x θ=

= +∑ (3.2)

în care: ni reprezintă intrarea netă; kw , ponderile; kx , intrările; θ, pragul; n, numărul de intrări.

Procesul de antrenare al rețelei neuronale constă în găsirea unor valori corespunzătoare

pentru parametrii kw , respectiv θ. Acestea se obțin în urma mai multor epoci de antrenare,

urmărind reducerea erorilor și atingerea convergenței datelor de ieșire (Chojaczyk et al., 2015). Valoarea ni calculată anterior este utilizată în cadrul funcției de activare, care poate fi de diferite tipuri, cele mai întâlnite fiind liniară, sigmoidă, tangentă hiperbolică (Hossain et al., 2017).

Problemele complexe necesită utilizarea mai multor straturi de neuroni, și anume un strat al intrărilor, unul intermediar și unul al ieșirilor, fiecare strat conținând un anumit număr de neuroni. Pot exista mai multe straturi intermediare în funcție de complexitatea analizei (Mareš et al., 2016, Hossain et al. 2017).

Pentru a obține rezultatele dorite, există anumite etape ce trebuie urmărite în implementarea RNA:

• Selectarea parametrilor rețelei; • Antrenarea rețelei neuronale; • Testarea rețelei neuronale.

3.3.3 Tipuri de RNA și tehnici de instruire

În funcție de scopul urmărit, pot fi adoptate diverse tipuri de rețele neuronale artificiale. Dintre acestea, câteva sunt potrivite pentru utilizare în domeniul ingineriei structurale, dintre care se menționează cele mai importante: rețele neuronale cu propagare înainte (feed-forward), rețele neuronale cu funcții de bază radiale și rețele neuronale recurente (Amezquita-Sanchez et al., 2016). Cea mai populară rețea neuronală din cele enumerate anterior este cea cu propagare

14

Page 23: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

înainte. Într-o astfel de rețea, datele de ieșire ale unui neuron devin date de intrare ale altui neuron din stratul următor (Mareš et al., 2016), astfel informațiile fiind transmise doar înainte. Pentru a putea calibra rețeaua și a minimiza pe cat posibil erorile, în cadrul rețelei neuronale cu propagare înainte se folosește frecvent algoritmul de retropropagare a erorii (backpropagation). Eroarea care apare după pasul de propagare înainte este transmisă înapoi, astfel încât ponderile și pragul să fie recalculate, până când se atinge convergența la un grad de eroare minim (Lautour și Omenzetter 2009, Shyam et al. 2017).

Concluzii În acest capitol am prezentat informații generale referitoare la domeniul inteligenței

artificiale, accentuând pe descrierea sistemului multiagent și a rețelelor neuronale. Capitolul 3.2 se axează pe prezentarea componentelor sistemului multiagent și a proceselor ce au loc în cadrul acestuia. Sistemele multiagent reprezintă soluția ideală pentru rezolvarea problemelor complexe ce implică gestionarea unui număr mare de agenți inteligenți, cu obiective și caracteristici proprii, într-un mediu virtual.

Sistemele multiagent sunt utilizate și în domenii ce implică analiza mișcării maselor mari de oameni, oferind avantaje de ordin economic și temporal, în comparație cu simulările reale. Sistemele multiagent pot fi utilizate, cu scopul de a majora valoarea rezilienței seismice a unei zone urbane, în depistarea problemelor ce pot apărea în trafic, cauzate de producerea unui eveniment seismic major, precum blocaje rutiere, congestii. O astfel de analiză este relevantă în determinarea unor indicatori asociați rezilienței seismice, spre exemplu fluxul de trafic rutier, timpul de așteptare al unui agent în cazul unui ambuteiaj, reprezentând un pas important în cuantificarea acestui concept pentru o zonă urbană.

Capitolul 3.3 urmărește prezentarea componentelor și caracteristicilor rețelelor neuronale artificiale RNA. Rețelele neuronale s-au dovedit a fi de un real ajutor în soluționarea unor probleme complexe din punct de vedere computațional. Ele pot fi antrenate astfel încât să prezică la un nivel acceptabil anumiți parametri de ieșire, în funcție de parametrii de intrare introduși de către utilizator. Capacitatea de învățare a rețelelor neuronale pe baza unui set de date și apoi de generalizare le recomandă pentru utilizare și în domeniul ingineriei civile. În contextul rezilienței seismice, rețelele neuronale pot fi utilizate în depistarea stării de degradare a unui element sau a unei structuri. În situația unui seism de o intensitate semnificativă, care afectează o regiune intens populată, existența unui algoritm care să aproximeze la un nivel acceptabil degradarea unei clădiri, într-o perioadă de timp mult redusă în comparație cu celelalte metode convenționale, reprezintă un avantaj important.

15

Page 24: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

Capitolul 4

4. Cercetări privind hazardul seismic în regiunea de Nord-Est a României

Influența activității seismice din zona Vrancea în regiunea de Nord-Est a României

Dintre zonele seismogenice existente în România se evidențiază Vrancea, regiune aflată la curbura arcului Carpaților Orientali. În ce privește mecanismele focale ale cutremurelor majore de adâncime intermediară s-a observat faptul că planul lor de rupere are o orientare NE – SV. Această rupere după un anumit plan conduce la o anumită direcționare a undei seismice după direcția Focșani – Iași – Chișinău sau/și București – Zimnicea – Sofia (Mărmureanu et al. 2010). Municipiul Iași se află într-o zonă cu risc seismic ridicat, fapt ce conduce la necesitatea analizării hazardului seismic în această zonă și propunerea unor soluții pentru diminuarea pierderilor. Deși în cazul cutremurului din 1977, s-a înregistrat o intensitate mai mare în partea Munteniei, în urma cercetărilor efectuate s-a stabilit că în funcție de adâncimea focarelor și focalizarea energiei seismice, efectele cutremurelor se pot simți mai puternic în Moldova.

Dinamica prevederilor normelor seismice românești privind identificarea hazardului seismic în regiunea de Nord-Est a României

Deși primul normativ seismic este considerat a fi cel din 1963, „Normativul condiționat pentru proiectarea construcțiilor civile și industriale din regiuni seismice P13-63”, acesta s-a bazat pe informațiile provenite din alte state, deoarece încă nu existau înregistrări ale cutremurelor în România (Bunea, 2015). Informațiile colectate în urma cutremurului din 4 martie 1977 au dus la elaborarea primului cod seismic specific regiunii noastre în 1978 - „Normativ pentru proiectarea antiseismică a construcțiilor de locuințe social culturale, agrozootehnice și industriale” P100-78, cu versiunea definitivă a acestuia în 1981, P100-78(81). Cea mai recentă modificare a codului seismic românesc a fost realizată în 2013, P100-1/2013. Aceasta a presupus armonizarea codului seismic anterior, P100-1/2006, cu standardul național SR EN 1998-1:2004 (EUROCOD 8).

În urma studiilor efectuate în ultimele decade ale secolului XX, s-a constatat că există o rezervă de capacitate structurală importantă în domeniul post-elastic. În cazul României, prin codul P13-63 (1963) s-a atras atenția, pentru prima dată, asupra existenței acestei resurse. Pentru a lua în considerare această rezervă de capacitate, noul cod seismic P100-1/2013

16

Page 25: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

consideră valori inferioare ale forțelor seismice în raport cu cele care conduc la un comportament elastic al structurii în timpul unui cutremur.

În vederea evaluării forței seismice ce acționează asupra structurilor, fiecăreia dintre valorile MSK i s-a atribuit un parametru ks, denumit și parametru al intensității seismice. În normativul seismic P100-92, coeficientul ks este definit ca raportul dintre accelerația maximă a mișcării seismice a terenului (pentru o perioadă de recurență de 50 de ani) corespunzătoare zonei seismice de interes ag și accelerația gravitațională g. Începând cu normativul seismic P100-1/2006, s-a renunțat la folosirea acestui coeficient, propunându-se o abordare mai directă prin utilizarea în proiectare doar a valorii de vârf a accelerației terenului ag. Astfel, luând în considerare informațiile oferite în normativele seismice P13-63, P13-70, P100-78 (81), P100-92, P100-1/2006 și P100-1/2013 în ce privește valoarea coeficientului ks și a valorii de vârf a accelerației terenului pentru zona municipiului Iaşi, s-a realizat Tabelul 4.7, ce prezintă evoluția acestor valori. Având în vedere semnificația valorii ks, conform Relației 4.6, și pentru a prezenta într-un mod simplificat evoluția valorii intensității seismice, în cadrul Tabelului 4.7 s-a utilizat doar termenul de coeficient ks.

Tabel 4.7 Evoluția valorilor coeficientului ks pentru zona municipiului Iaşi Sursa: conform Petrovici (2014b), P100-92, P100-1/2006, P100-1/2013

Normativ seismic

P13-63 P13-70 P100-78 (81) P100-92 P100-1/2006 P100-1/2013

Valori ks 0.025 0.030 0.160 0.200 0.200 0.250

Creșterea valorii ks a fost determinată atât de înregistrările seismice obținute după 1977, cât și de progresul științific înregistrat în acest domeniu. În acest sens amintim introducerea abordării probabiliste, luarea în considerare a condițiilor de teren, cât și noțiunile de stare limită ultimă și stare limită de serviciu, toate acestea conducând la o mărire a nivelului de siguranță.

Caracterizarea hazardului seismic al regiunii municipiului Iaşi utilizând metode empirice

Plecând de la modelul Joyner-Boore (Boore și Joyner 1997), Lungu et al. (1997) a calculat coeficienții, respectiv abaterea standard a ln PGA specifici următoarelor zone: București, Cernavodă și Moldova. Astfel, formula propusă de Lungu et al. (1997) pentru Moldova, prezentată în Relația 4.8, poate fi utilizată în calculul valorilor de vârf ale accelerației terenului care ar putea fi înregistrate în municipiul Iaşi.

ln 4.601 0.929 1.03 ln 0.008PGA M R h ε= + ⋅ − ⋅ − ⋅ + (4.1)

17

Page 26: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

în care: PGA este valoarea de vârf a accelerației terenului pentru regiunea considerată; M, magnitudinea Gutenberg-Richter; R, distanța hipocentrală până la zona de interes; h, adâncimea

focală; ε, variabila cu media zero cu abaterea standard ln 0.465PGAεσ σ= = .

În urma calculului bazat pe coordonatele geografice pentru zona Vrancei și municipiul Iaşi, menționate anterior, am obținut o distanță epicentrală de 179.4 km (aproximativ 180 km). Tabelul 4.9 prezintă valorile de vârf ale accelerației terenului pentru diferite magnitudini și adâncimi focale, după cum s-a precizat anterior.

Tabel 4.9 Posibile valori de vârf ale accelerațiilor absolute înregistrate în cazul evenimentelor seismice majore în regiunea municipiului Iaşi

Magnitudine Gutenberg-

Richter

Adâncimea focală h

(km)

Distanța epicentrală

D (km)

Distanța hipocentrală

R (km)

ln PGA PGA (cm/s2)

PGA (g)

Inclusiv abaterea

standard (g)

7

90

180

201.25 4.92 137.05 0.14 0.23 120 216.33 4.61 100.07 0.11 0.17 150 234.31 4.28 72.51 0.08 0.12 170 247.59 4.07 58.37 0.06 0.10

7.5

90 201.25 5.38 218.07 0.23 0.36 120 216.33 5.07 159.23 0.17 0.26 150 234.31 4.75 115.37 0.12 0.19 170 247.59 4.53 92.89 0.10 0.16

7.8

90 201.25 5.66 288.17 0.3 0.47 120 216.33 5.35 210.41 0.22 0.35 150 234.31 5.03 152.45 0.16 0.25 170 247.59 4.81 122.74 0.13 0.20

8

90 201.25 5.85 347.00 0.36 0.57 120 216.33 5.53 253.38 0.26 0.42 150 234.31 5.21 183.58 0.19 0.30 170 247.59 5.00 147.80 0.16 0.24

Totuși, din cauza complexității zonei Vrancea din punct de vedere seismic, a stadiului încă incipient în care se află studiul seismicității, precum și a structurii geologice a Moldovei, valoarea propusă de către Lungu et al. (1997) pentru abaterea standard, și anume

ln 0.465PGAσ = , este relativ mare, obținându-se o diferență semnificativă între rezultatele

abordării deterministe și probabiliste, ce se încadrează în intervalul 0.04g – 0.21g. Conform Bunea și Atanasiu (2014b), rezultatele abordării deterministe ale formulei propuse de Lungu et al. (1997) sunt mai apropiate de valorile date de INFP (http://www.infp.ro/) în hărțile seismice corespunzătoare cutremurelor din 1977, 1986 și 1990 (INFP 2016a). Cu toate acestea, validitatea Relației 4.8 pentru zona municipiului Iaşi nu poate fi confirmată doar pe baza a trei

18

Page 27: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

înregistrări seismice. În plus, la convertirea unității de măsură utilizate în Bunea și Atanasiu (2014b) din multiplu al accelerației gravitaționale g în cm/s2, diferența dintre cele două valori este mult mai vizibilă.

În urma celor prezentate anterior se poate afirma că o astfel de abordare pentru zona municipiului Iași este grosieră și nu poate fi utilizată în proiectarea scenariilor seismice, unde gradul de acuratețe trebuie sa fie mai ridicat. Totuși, aceasta oferă o perspectivă de ansamblu asupra seismicității regiunii și importanței evaluării impactului seismic.

Influența geomorfologiei și a structurii geologice a terenului asupra efectelor seismelor resimțite în zona municipiului Iaşi

În municipiul Iași un rol important în formarea structurii litologice l-a avut, și îl are în continuare, prezența râului Bahlui. Astfel, depozitelor deja existente li s-au adăugat aluviunile aduse de râul Bahlui și afluenții acestuia, precum luturile nisipoase de origine deluvio-coluvială și argilele (Primăria Municipiului Iași, 2014), acestea ducând, din cauza structurii lor, la amplificarea undelor seismice. De asemenea, existența anumitor tipuri de sol într-o regiune seismică poate conduce la apariția unor fenomene secundare de hazard în urma unui cutremur, de tipul alunecărilor de teren sau cedări ale acestuia. În cazul Iașului, alunecările de teren reprezintă unul din motivele de îngrijorare, din cauza căruia s-au realizat numeroase studii și lucrări de îmbunătățire, precum lucrări de susținere sau drenaje, cu scopul de a preveni apariția dezastrelor. Totuși, în cazul scenariilor de hazard seismic trebuie luate în considerare toate evenimentele care ar putea cauza daune importante în oraș, deși probabilitatea apariției acestora a fost micșorată în anumite zone. Punctele de alunecare se regăsesc în zonele: Copou Est, Copou Vest, Deal Galata, Deal Bucium și Tătărași Sud (strada Oancea) (Consiliul Județean Iași, 2012). Totuși, riscul de alunecări de teren există și în alte zone ale orașului, conform SC CET Iaşi SA (2011), după cum urmează: risc mare - în Țicău și Brândușa; risc redus – în Centru, Păcurari, Tătărași Vest și Tătărași Est. În cazul realizării unui plan de evacuare post-seism zonele cu risc ridicat de alunecări de teren trebuie evitate pe cât posibil.

Problema tipului de teren și a influenței semnificative a acestuia asupra propagării undelor seismice, în cazul municipiului Iaşi, nu apare doar în preajma versanților, ci și în zona de șes a Bahluiului, unde se găsesc argilele contractile, foarte sensibile la umezire. Pericolul apare din cauza fluctuației nivelului pânzei freatice care, în urma ploilor sau a topirii zăpezilor, poate ajunge la adâncimi mici, în special în lunca Bahluiului, spre exemplu în zonele Podu Roș, Frumoasa, Mircea cel Bătrân (ISU Iași, 2015). Astfel, în cazul unui cutremur, acest tip de teren instabil poate duce la distrugeri semnificative în structură.

19

Page 28: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Cercetări recente privind evaluarea riscului seismic în municipiul Iaşi Din asocierea evenimentelor seismice ce se pot produce în Iaşi cu starea actuală a

fondului construit a rezultat necesitatea de a realiza expertize privind starea structurală a anumitor imobile. Acestea au ca scop încadrarea construcțiilor în clase de risc seismic, ce relevă gradul de siguranță al acestora pentru populație, respectiv cerința de reabilitare structurală. Modalitatea de expertizare seismică în România a cunoscut două etape, construcțiile fiind încadrate în (Bunea et al. 2016b, Bunea 2016e):

• Categorii de urgență, conform normativului P100-92, cap. 11 și 12; • Clase de risc seismic, conform normativului P100-92, cu modificarea cap. 11 și 12,

elaborat de Universitatea Tehnică de Construcții București, aprobat de MLPAT-DGRAT prin Ordinul 71/N din 07.10.1996.

Figura 4.15 prezintă o privire de ansamblu asupra situației orașului Iaşi din punctul de vedere al încadrării acestora într-un anumit cod seismic. În cadrul acestui capitol se vor lua în considerare doar clădirile de locuințe construite până în 1990, acestea fiind în număr de 1.917 (Guzga 2007, Pinghiriac 2013, Bunea et al. 2016b).

Figura 4.15 Numărul clădirilor existente raportat la perioada construcției Sursa: conform Bunea (2016e)

După cum se poate observa în Figura 4.15, după cutremurul din 1977, în urma deteriorării structurale a clădirilor, precum și datorită industrializării masive din acea perioadă, a fost inițiat un proiect care a condus la construcția a numeroase clădiri de locuit, proiectate după codul seismic P100-78 (81). În ciuda creșterii semnificative a parametrului intensității ks, precum și a valorii de proiectare MSK specifică pentru municipiul Iaşi, față de codul seismic anterior P13-70, valorile propuse pentru proiectare rămân inferioare celor recomandate în normativele de după 1992. Așadar, a fost necesară includerea acestor clădiri în programul de expertizare (Bunea, 2016e).

Conform Primăria Municipiului Iași (2015) și ISU Iași (2015), până în anul 2015 au fost realizate un 393 de expertize la blocurile de locuit din municipiul Iaşi construite până în 1990, reprezentând 20.5% din total (Bunea et al., 2016b). Încadrarea clădirilor expertizate de pe

Anterior codurilor seismice

2%P.I. - 1941

10%P13-63

14%

P13-7015%

P100-78 (81)59%

Anterior codurilor seismice P.I. - 1941 P13-63 P13-70 P100-78 (81)

20

Page 29: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

teritoriul orașului Iaşi în clase de risc seismic sau pe categorii de urgență este ilustrată în Figura 4.17 (Primăria Municipiului Iași 2015, ISU Iași 2015, Bunea et al. 2016b).

Figura 4.17 Încadrarea clădirilor expertizate din municipiul Iaşi până în anul 2015 Sursa: conform Bunea et al. (2016b)

Din grafic rezultă că predomină clădirile de clasă R3 sau urgență U3 din totalul celor expertizate (43.77%), acestea nefiind în pericol de a se prăbuși ca urmare a acțiunii seismice. În urma expertizării s-a constatat că un număr de 63 de imobile (16.03%) sunt în pericol de a suferi degradări structurale semnificative, ce pot conduce la colaps. Majoritatea au fost construite conform normativelor seismice P.I. – 1941, respectiv P13 – 63, după cum este prezentat în Figura 4.18. De asemenea, marea majoritate a construcțiilor încadrate în categoria U2 sau clasa R2 au fost proiectate pe baza acelorași două coduri amintite anterior (Bunea et al., 2016b).

Figura 4.18 Încadrarea imobilelor pe clase de risc seismic/ categorii de urgență în funcție de codul seismic

Sursa: conform Bunea et al. (2016b)

U1, 12.98%R1, 3.05%

U2, 10.18%

R2, 7.12%

U3, 13.23%R3, 30.53%

R4, 5.34%

R2-R1, 0.51%

expertizate și neîncadrate,

17.05%

U1 R1 U2 R2 U3 R3 R4 R2-R1 expertizate și neîncadrate

21

Page 30: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Având în vedere faptul că distribuția clădirilor încadrate în categorii de urgență/ clase de risc seismic, nu este uniformă, este necesară sistematizarea informațiilor obținute pe zone rezidențiale. În acest context, situația fiecărei zone rezidențiale în parte din punct de vedere al riscului seismic evaluat până în momentul de față este ilustrată în Figura 4.21.

Figura 4.21 Rezultatul expertizării clădirilor pe zone rezidențiale din municipiul Iaşi Sursa: conform Bunea et al. (2016b)

Din rezultatele obținute se poate afirma că principalele zone rezidențiale care vor suferi pagube importante în urma unui cutremur de magnitudine ridicată sunt: Cantemir, Podu Roș, Tătărași Sud și Țesătura. Într-o măsură mai redusă ar putea fi afectate zona centrală, Copou, Tătărași Nord, Uzinei și Bularga. De subliniat este faptul că studiul a luat în considerare doar clădirile de locuințe, nu și proprietățile private, monumentele, sălile de spectacole sau muzeele. Astfel, este posibil ca în alte zone, în special Centru și Copou, să existe clădiri vulnerabile care pot pune în pericol viața cetățenilor. De asemenea, graficul evidențiază și zonele care ar putea fi considerate sigure din punctul de vedere al vulnerabilității seismice ca urmare a expertizărilor realizate până în prezent, acestea putând fi amenajate, în cazul unui dezastru, ca puncte de primire a victimelor, respectiv a persoanelor rămase fără adăpost: Nicolina 1, CUG, Dacia, Canta, Mircea cel Bătrân și Alexandru cel Bun (Bunea et al., 2016b).

Concluzii În Capitolul 4 am prezentat date referitoare la hazardul seismic corespunzător regiunii

municipiului Iaşi, incluzând și informații legate de hazardele secundare ce pot apărea în urma producerii unui eveniment seismic extrem, precum alunecările de teren, cedări ale terenului. În ultima parte a capitolului s-au realizat cercetări asupra riscului seismic în Iaşi, pentru a evidenția impactul acțiunii seismice asupra acestei zone, ce va reprezenta baza unor analize ulterioare.

0%10%20%30%40%50%60%70%80%90%

100%

R1/U1 R2/U2 R3/U3 R4 U2-U1/R2-R1 Imobile expertizate și neîncadrate în clase de risc seismic/ categorii de urgență

22

Page 31: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

În acest context, municipiul Iaşi se găsește într-o regiune seismică afectată, în principal, de cutremurele cu focarul în zona Vrancei. Evoluția prevederilor normativelor românești este prezentată în acest capitol, cunoașterea ei fiind necesară pentru a putea efectua o analiză pertinentă a riscului seismic pentru zona considerată în studiile de caz. Luând în considerare că în codul seismic actual P100-1/2013 este oferită o singură valoare a valorii de vârf a accelerației terenului, am realizat calcule empirice utilizând formula propusă de Lungu et al. (1997) pentru zona Moldovei, cu scopul de a obține o serie de valori de acest tip.

Zona seismică importantă în care se află situat orașul Iaşi, precum și structura geologică a terenului conduc la extinderea efectelor cutremurelor majore dincolo de degradări structurale sau colapsuri ale clădirilor cauzate de undele seismice. Astfel, alunecările de teren sau cedări ale terenului pot fi declanșate ca urmare a vibrațiilor seismice, afectând și imobile rezistente din punct de vedere seismic.

În urma cercetărilor efectuate am constatat că în municipiul Iaşi există anumite zone rezidențiale cu un grad ridicat de risc seismic, precum Podu Roș, Tătărași Sud, Cantemir. Analizele realizate au luat în considerare atât codurile seismice ce au stat la baza proiectării clădirilor, cât și expertizele tehnice.

Studiile cuprinse în acest capitol sunt necesare pentru realizarea scenariilor seismice ce vor fi expuse ulterior, reliefând, de asemenea, și importanța, respectiv necesitatea alegerii zonei municipiului Iaşi ca amplasament în cadrul studiilor de caz.

23

Page 32: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 5

5. Cercetări privind utilizarea inteligenței artificiale în evaluarea gradului de degradare al structurilor din beton

armat

În capitolul curent s-a urmărit utilizarea inteligenței artificiale, mai precis a rețelelor neuronale artificiale RNA, cu scopul de a determina rapid caracteristicile, respectiv gradul de degradare al unei structuri de tip cadru din beton armat, ale cărei elemente structurale au fost deteriorate ca urmare a acțiunii seismice. Avantajul de a obține diferite caracteristici ale structurii, în stadiul post-seism, într-un interval de timp semnificativ mai redus în raport cu metodele convenționale conduce la posibilități de majorare a rezilienței seismice. Evaluarea rapidă a degradării structurale în etapa post-seism este esențială pentru un nivel ridicat de reziliență seismică, în special în cazul unui cutremur de o intensitate semnificativă ce afectează o zonă urbană cu o densitate ridicată a populației.

Metodologia de cercetare În cercetările din teza de doctorat am urmărit evaluarea influenței diferitelor acțiuni

seismice asupra structurilor de tip cadru din beton armat. RNA au fost folosite cu scopul de a evalua nivelul de degradare în diferite structuri apărut ca urmare a acțiunii seismice. Pentru a putea utiliza rețelele neuronale artificiale a fost necesară introducerea unui număr mare de date, acestea reprezentând practic baza antrenării rețelei. Astfel, o primă etapă în analiză a reprezentat realizarea unor simulări într-un program cu elemente finite EF, ulterior rezultatele fiind introduse în RNA. Modelarea în programul cu EF SAP2000 vs. 14.1.0 a avut la bază selectarea anumitor parametri care, ulterior, au fost introduși ca date de intrare în RNA. Rezultatele extrase în urma analizei cu EF au fost considerate ca date de ieșire în RNA.

5.1.1 Selectarea parametrilor structurali ai modelelor de element finit EF

În această teză de doctorat s-a optat pentru structuri tridimensionale în analiza EF. Pentru popularea RNA a fost necesară considerarea unor parametri variabili ai structurii. Valorile parametrilor structurali considerate în realizarea scenariilor în programul cu EF și în codul utilizat în RNA pentru fiecare parametru sunt enumerate în Tabelul 5.1. De menționat este faptul că lățimea deschiderii, înălțimea etajului și secțiunea stâlpului sunt constante în întreaga structură, în fiecare scenariu (Bunea et al. 2018a,b).

24

Page 33: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 5.1 Parametrii geometrici introduși în RNA Sursa: conform Bunea et al. (2018a,b)

Cod RNA

Denumire parametru Unitate de măsură

Detalii

In1 Numărul de niveluri - 2, 4, 7 In2 Numărul de deschideri pe direcția Ox - 2, 3 In3 Numărul de deschideri pe direcția Oy - 2, 3 In4 Lățimea deschiderii m 3, 4, 5 In5 Înălțimea etajului m 2.8, 3.0, 3.5 In6 Lățimea secțiunii stâlpului m 0.30, 0.40, 0.50, 0.70

Din combinațiile realizate cu parametrii variabili aleși au fost obținute, inițial, 432 de structuri. Dintre acestea, o parte au fost eliminate din cauza combinațiilor nerealiste, spre exemplu structuri de 7 niveluri și 30x30 secțiunea stâlpului. Așadar, în final, au fost analizate 243 de structuri, având diferite caracteristici geometrice, precum este prezentat în Tabelul 5.1 (Bunea et al. 2018a). Aceste structuri au fost introduse în programul software SAP2000 v 14.1.0. Tipul de analiză folosit este Time-History neliniar, despre care se vor oferi informații în Capitolul 5.1.3. De asemenea, structura a fost supusă la 14 acțiuni seismice, descrise detaliat în Capitolul 5.1.2, pentru fiecare în parte realizându-se analiza neliniară.

Alți parametri structurali au fost fixați pentru a limita numărul de combinații, respectiv de scenarii. Printre parametrii fixați se regăsesc materialele folosite în cadrul elementelor structurale. Astfel, pentru grinzi și stâlpi a fost selectată clasa de beton C20/25, iar pentru placă - C16/20. Aceste clase au fost alese în conformitate cu prevederile codului seismic P100-1/2013, conform căruia clasa minimă de beton utilizată la elementele structurale principale este C20/25. Armăturile au fost confecționate din oțel PC52, marca S355 pentru diametre cuprinse în intervalul [6...14] mm, și marca S345 pentru diametre din intervalul [16...28] mm. Etrierii au fost confecționați din oțel PC52 cu marca S355 (Bunea et al. 2018a,b).

Alegerea secțiunilor s-a efectuat conform prevederilor codului seismic în vigoare P100-1/2013. Grinzile au o secțiune de 25x40 cm, iar grosimea plăcii este de 13 cm (Bunea et al. 2018a,b). În privința stâlpilor, s-a pornit de la dimensiunea minimă prevăzută în codul seismic, respectiv 30 cm, aceasta fiind variată după cum va fi prezentat ulterior în acest capitol. Pentru toate secțiunile considerate a fost aleasă armarea minimă, calculată conform codului seismic actual P100-1/2013 și normativului SR EN 1992-1-1:2004 (Bunea et al. 2018a,b). Aria minimă a stâlpilor de beton armat a fost selectată conform codului seismic P100-1/2013 care stipulează că valoarea minimă a coeficientului de armare longitudinală totală ρ este de 0.01 pentru clasa de ductilitate H.

25

Page 34: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

5.1.2 Selectarea acțiunilor seismice și a parametrilor acestora utilizați în RNA

În acest capitol au fost considerate 14 acțiuni seismice, care au fost introduse în programul software SAP2000 sub formă de accelerograme, pentru a realiza analiza neliniară de tip Time-History, despre care vor fi oferite informații suplimentare în Capitolul 5.1.3. Înregistrările seismice au fost obținute din baza de date a programelor software SAP2000 v 14.1.0 și SeismoSignal v 2016 (Bunea et al. 2018a,b). Acestea au fost selectate luând ca reper valorile PGA obținute pentru zona municipiului Iaşi în Capitolul 4.3, pentru diferite magnitudini seismice.

Acest capitol își propune să analizeze influența unor parametri ai acțiunii seismice asupra degradărilor structurale. Cu acest scop, am selectat 4 parametri ai acțiunii seismice, enumerați în Tabelul 5.5, respectiv valoarea de vârf a accelerației terenului PGA, valoarea de vârf a vitezei terenului PGV, valoarea de vârf a deplasării terenului PGD și intensitatea spectrală IS. Codul asociat acestor parametri în RNA este menționat în Tabelul 5.5, în care sunt prezentate, de asemenea, și caracteristicile celor 14 seisme la care structura a fost supusă. Parametrii fiecărei acțiuni seismice au fost calculați cu ajutorul programului SeismoSignal.

Tabel 5.5 Parametrii acțiunii seismice introduși în RNA Sursa: conform Bunea et al. (2018a,b)

Nr. crt.

Cutremur /Stația de înregistrare

Data înregistrării

PGA [cm/s2]

PGV [cm/s]

PGD [cm]

IS [cm]

In7 In8 In9 In10

1 Vrancea 1977 NS 04.03.1977 194.93 70.0451 89.83429 211.27269 2 Century City (Lacc_Nor-1) 17.01.1994 217.296 25.14773 9.05973 97.96208 3 Oakland (Oak_Whaf-1) 17.10.1989 281.366 40.8312 10.38145 149.96915 4 Focsani 1986 T 31.08.1986 287.848 20.34036 2.99686 55.8072 5 Imperial Valley 15.10.1979 309.2112 31.49599 14.12637 124.01441 6 Kobe 16.01.1995 338.1507 27.67793 9.69435 141.64498 7 Friuli 06.05.1976 344.6253 22.01953 4.0671 73.07111 8 Loma Prieta 18.10.1989 360.4194 44.69534 19.61466 164.93974 9 Hollister (Holliste-1) 17.10.1989 361.9 63.02269 26.24128 252.23426

10 Santa Monica (S_Monica-1) 17.01.1994 362.618 25.12125 8.23359 123.86463 11 Lexington (Lexingt-1) 17.10.1989 433.563 84.64444 17.08251 248.63345 12 Altadena (Altadena-1) 28.06.1991 438.913 27.4532 3.10616 80.57179 13 Northridge 17.01.1994 557.5023 51.82672 9.0347 184.00519 14 Petrolia-1 25.04.1992 578.135 46.38597 26.66271 160.90724

Intensitatea spectrală IS este definită ca fiind aria aflată sub graficul spectrului de răspuns elastic al pseudo-vitezei, pe intervalul 0.1 – 2.5 sec al perioadei fundamentale de vibrație și se calculează conform Relației 5.3 (Bradley et al. 2009).

2.5

0.1

IS( ) ( , )PVS T dTξ ξ= ∫ (5.3)

26

Page 35: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

în care: PVS reprezintă pseudo-viteza spectrală, T – perioada fundamentală de vibrație a structurii, ξ – fracțiunea din amortizarea critică. Programul software SeismoSignal a considerat în calculul IS o valoare a fracțiunii din amortizarea critică egală cu 5%.

5.1.3 Detalii privind modelarea și analiza neliniară cu EF a structurilor din beton armat considerate în RNA

În Capitolul 5 am realizat cu ajutorul programului software SAP2000 vs. 14.1.0 analize dinamice biografice neliniare, cunoscute și ca Nonlinear Time-History, pentru fiecare dintre cele 243 de structuri, caracteristicile acestora fiind prezentate în Capitolul 5.1.1. Fiecare dintre aceste structuri au fost supuse la acțiunea celor 14 seisme descrise în Capitolul 5.1.2 (Bunea et al. 2018a).Analiza realizată fiind de tip neliniar, s-a optat în cazul betonului armat pentru bucla histerezis bazată pe modelul Takeda (Takeda et al., 1970) și pentru curba efort-deformație de tip Mander (Mander et al., 1984). Pentru armături s-a ales bucla histerezis de tip cinematic și o curbă efort-deformație simplă. Secțiunile elementelor au fost definite conform datelor menționate în Capitolul 5.1.1. Pentru fiecare secțiune a fost necesară precizarea anumitor informații referitoare la armare. Materialele asociate armaturilor longitudinale și transversale în SAP2000 sunt cele menționate în Capitolul 5.1.1 (Bunea et al. 2018a).

Atât în cazul grinzii cât și al stâlpului, tipul de articulație considerat este cel ductil. În cazul grinzilor, articulațiile apar ca urmare a acțiunii momentului încovoietor M3, iar modelul buclei histerezis selectat este Takeda, specific elementelor din beton armat. Criteriile forță-deplasare și criteriile de acceptare sunt definite de tipul Moment-Rotație. Stâlpul este solicitat la acțiunea a 3 forțe: axială și 2 momente încovoietoare. Așadar, articulațiile vor fi selectate ca fiind de tipul Fiber P-M2-M3 (Computers & Structures Inc. 2016).

Încărcările statice la care a fost supusă structura sunt: • Încărcarea permanentă calculată automat de program, corespunzătoare elementelor

structurale • Încărcarea permanentă adițională SuperDead de 3 kN/m2, din greutatea proprie a

elementelor nestructurale • Încărcarea utilă sau din exploatare de 1.5 kN/m2, valoare propusă în SR EN 1991-1-

1:2004/NA:2006, în Tabelul NA.6.2 (Bunea et al. 2018a,b). Următoarea etapă este introducerea în program a funcțiilor de tip Time-History necesare

evaluării răspunsului structurii la acțiunea dinamică. Acestea sunt reprezentate de caracteristicile din Tabelul 5.5. Toate încărcările statice enumerate anterior au fost definite ca neliniare. Analiza Time-History este considerată neliniară, având în vedere că scopul este evaluarea influenței seismului asupra degradării globale a structurii, iar metoda utilizată este integrarea directă (Bunea et al. 2018a,b). Imediat după analiza neliniară de tip Time-History a fost realizată o analiză modală, pentru fiecare acțiune seismică în parte, considerându-se în

27

Page 36: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

acest fel influența degradărilor asupra perioadei fundamentale a structurii și, implicit, a rigidității acesteia.

5.1.4 Rezultatele AEF și parametrii de ieșire ai RNA

Parametrii de ieșire ai RNA au fost selectați astfel încât să evidențieze gradul de degradare structurală apărut în urma diferitelor acțiuni seismice. Tabelul 5.7 enumeră rezultatele extrase în urma analizei cu EF, ce se regăsesc ca parametri de ieșire în RNA. Deși parametrii O3 și O5 sunt cei cu ajutorul cărora se evaluează practic degradarea structurii, a fost necesară alegerea și altor parametri relaționați relativ indirect cu gradul de degradare, care pot fi utilizați atât în analiza comparativă între efectele diferitelor seisme, cât și în verificarea RNA.

Tabel 5.7 Rezultatele extrase din analiza cu EF și parametrii de ieșire introduși în RNA Sursa: conform Bunea et al. (2018a)

Cod Denumire parametru Unitate de măsură

O1 Perioada fundamentală de vibrație a structurii nedegradate, T0

sec

O2 Perioada fundamentală de vibrație a structurii degradate, Tfinal

sec

O3 Coeficientul de degradare finală a rigidității structurale (Final softening), FS -

O4 Deplasarea maximă, dmax m

O5 Coeficientul deplasării relative de nivel (Interstory drift ratio), IDR %

O6 Accelerația absoluta maximă, aabs,max m/s2

Doi indici de degradare au fost selectați pentru a fi utilizați în evaluarea structurii, respectiv coeficientul de degradare finală a rigidității (final softening, FS) și coeficientul deplasării relative de nivel (interstory drift ratio, IDR) (Bunea et al. 2018b). Coeficientul de degradare finală a rigidității FS a fost propus de către Dipasquale și Cakmak (1989), iar formula acestuia este prezentată în Relația 5.6 (Bunea et al. 2018a,b).

2

021

final

TFST

= − (5.6)

în care: T0 reprezintă perioada fundamentală inițială a structurii; Tf, perioada fundamentală finală a structurii, după aplicarea acțiunii seismice.

Cel de-al doilea indice de degradare utilizat – coeficientul deplasării relative de nivel (interstory drift ratio IDR) – reprezintă o metodă tradițională de evaluare a degradării la nivel global, folosită în diverse normative precum P100-1/2013 și FEMA 356. Relația 5.7 prezintă expresia matematică a definiției IDR (Bunea et al. 2018a,b).

28

Page 37: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

1i i

i

IDRh

δ δ −−= (5.7)

în care: δi reprezintă deplasarea laterală corespunzătoare nivelului i; δi-1, deplasarea laterală corespunzătoare nivelului i-1; hi, înălțimea etajului aflat între nivelurile i și i-1 (Mosleh et al., 2016).

5.1.5 Caracteristicile rețelei neuronale folosite în studiile de caz

Rețeaua neuronală realizată cuprinde 10 intrări și 6 ieșiri. Totuși, pentru a limita erorile, am optat pentru antrenarea a câte unei rețele neuronale pentru fiecare dintre cele 6 ieșiri. Pentru ieșirile O1, O2, O4, O5 și O6 arhitectura rețelei are următoarea structură: stratul intrărilor ce include 10 neuroni, corespunzători celor 10 parametri In1-In10 din Tabelele 5.1 și 5.5, un strat intermediar format din 12 neuroni și un strat al ieșirilor alcătuit dintr-un singur neuron, asociat ieșirii dorite. În cazul ieșirii O3 a fost necesară suplimentarea straturilor intermediare ca urmare a erorilor apărute. Așadar, au fost utilizate 2 straturi intermediare după cum urmează: primul strat intermediar conține 36 de neuroni, iar cel de-al doilea – 12 neuroni (Bunea et al. 2018a,b).

Rețelele neuronale utilizate sunt cu propagare înainte a informației (feed-forward), în cadrul cărora s-a folosit algoritmul de retropropagare a erorii (backpropagation). Codurile asociate RNA au fost realizate în programul software Visual Studio Enterprise 2017 vs. 15.2, în care s-a efectuat și rularea rețelei.

Analiza rezultatelor obținute prin antrenarea RNA Antrenarea rețelei neuronale reprezintă modul acesteia de a învăța pe baza informațiilor

oferite de către utilizator, precum este descris în Capitolul 3.3.2. Ca urmare a procesului de învățare, rețeaua neuronală propune un alt set de rezultate pentru fiecare ieșire introdusă. Pentru a verifica acuratețea RNA a fost necesară, într-o primă etapă, realizarea unei comparații între valorile datelor de ieșire ale RNA și rezultatele analizei cu EF. În acest scop a fost calculat coeficientul de corelație Pearson r (https://en.wikipedia.org/w/index.php?title=Pearson_correlation_coefficient&oldid̴̴=783715247). Valorile coeficientului de corelație r obținute în urma analizei rezultatelor rețelei neuronale sunt expuse în Tabelul 5.9, pentru fiecare ieșire menționată în Tabelul 5.7. Acestea reflectă un grad de corelație foarte bun între rezultatele analizei cu EF și valorile datelor de ieșire ale rețelei neuronale.

Tabel 5.9 Valorile coeficientului de corelație r asociate ieșirilor RNA Sursa: conform Bunea et al. (2018a)

Cod RNA O1 O2 O3 O4 O5 O6 Coeficientul de corelație, r 0.99726 0.974203 0.941552 0.970314 0.955953 0.951316

29

Page 38: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Cea mai bună corelație a fost obținută în cazul perioadei fundamentale de vibrație a structurii nedegradate T0. După supunerea structurii la acțiunea seismică și apariția degradărilor, perioada fundamentală Tfinal devine mai dificil de prezis pentru rețeaua neuronală. Corelația cea mai redusă a fost înregistrată în cazul coeficientului de degradare finală a rigidității FS. Totuși, luând în considerare valoarea coeficientului de corelație r în cazul acestei ieșiri, mai precis 0.941552, se poate afirma că gradul de precizie în prezicerea valorii FS de către rețeaua neuronală este ridicat (Bunea et al. 2018a).

Influența parametrilor structurali și ai acțiunii seismice asupra degradării structurilor din beton armat utilizând RNA

Acest subcapitol are ca scop prezentarea analizei influenței parametrilor de intrare considerați asupra parametrilor de ieșire O3 și O5, menționați în Tabelul 5.7. Acești doi parametri au fost selectați deoarece sunt catalogați ca indici de degradare. În acest scop, în cadrul analizei a fost utilizat algoritmul ReliefF (Kononenko et al., 1997), care identifică măsura în care fiecare intrare influențează fiecare dintre cele 2 ieșiri menționate anterior (Robnik-Šikonja și Kononenko 2003, Bunea et al. 2018a,b).

Având în vedere tipurile diferite de parametri de intrare, respectiv structurali și ai acțiunii seismice, influența acestora a fost analizată separat în Capitolele 5.3.1 și 5.3.2. Într-o primă etapă am realizat o analiză generală a influenței tuturor parametrilor de intrare introduși în rețeaua neuronală asupra parametrilor de ieșire O3 și O5. Rezultatele sunt prezentate în Tabelul 5.10, împreună cu ponderea obținută pentru fiecare parametru de intrare.

Tabel 5.10 Influența parametrilor de intrare asupra parametrilor de ieșire din RNA Sursa: conform Bunea et al. (2018a)

Cod parametru de ieșire

O3 O5

Nr.crt. Cod parametru de intrare

Pondere Cod parametru de intrare

Pondere

1 In1 0.0184942 In1 0.0524888 2 In4 0.0064481 In6 0.051662 3 In8 0.0041017 In4 0.0051456 4 In6 0.0036435 In3 -0.0000264 5 In7 0.003367 In2 -0.0000429 6 In9 0.0017678 In9 -0.0086324 7 In10 0.0013924 In8 -0.0122105 8 In3 -0.0000323 In10 -0.0173239 9 In2 -0.0000479 In7 -0.0244651

10 In5 -0.0218227 In5 -0.0382421

În ambele situații este evidentă influența majoră pe care o are parametrul de intrare In1, reprezentând numărul de niveluri ale structurii. Spre deosebire de acesta, parametrul In5,

30

Page 39: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

reprezentând înălțimea etajului are cea mai redusă influență asupra coeficienților FS și IDR, asociate ieșirilor O3 și O5. Se remarcă, de asemenea că parametrii In4 și In6, corespunzători lățimii deschiderii, respectiv lățimii secțiunii stâlpului, se găsesc în partea superioară a clasamentului, în cazul ambilor parametri de ieșire (Bunea et al., 2018a).

Clasamentul ponderilor parametrilor de intrare In1-In10 pentru cele două ieșiri ale RNA, respectiv O3 și O5, ar fi trebuit sa fie similar având în vedere că deplasările utilizate în calculul IDR sunt cele care induc degradările structurale, și ca urmare, reducerea rigidității structurii, evaluată prin intermediul FS. Diferențele apărute pot fi explicate de intrarea în domeniul neliniar a structurii ca urmare a acțiunii seismice, dar și de probabilitatea ca valoarea FS să fie afectată de o serie de factori prezentați în Capitolul 5.1.4, ce ii micșorează acuratețea. Deși acțiunea seismică determină răspunsul structurii, totuși primordială rămâne structura, caracteristicile, respectiv geometria acesteia.

5.3.1 Influența parametrilor acțiunii seismice asupra degradării structurilor din beton armat

În scopul determinării influenței parametrilor acțiunii seismice asupra degradării unei structuri este suficientă alegerea unei combinații de parametri de intrare In1-In6, prezentați în Tabelul 5.1. Parametrii acțiunii seismice variază conform Tabelului 5.5, pentru fiecare scenariu în parte. De asemenea, am analizat 3 tipuri de structuri, respectiv flexibile, rigide și cu rigiditate medie. Tabelul 5.11 prezintă combinațiile de parametri structurali pentru care s-a analizat influența parametrilor acțiunii seismice asupra parametrilor de ieșire O3 și O5 (Bunea et al., 2018b).

Tabel 5.11 Combinațiile de parametri structurali In1-In6 din analiza influenței parametrilor acțiunii seismice asupra degradării structurilor de beton armat

Sursa: conform Bunea et al. (2018b) Denumire scenariu

In1 In2 In3 In4 In5 In6 Comentarii

Scenariul 1 a 2 2 2 5 3.5 0.3 Structura

flexibilă b 4 2 2 5 3.5 0.4 c 7 2 2 5 3.5 0.7

Scenariul 2 a 2 3 3 3 2.8 0.3 Structura

rigidă b 4 3 3 3 2.8 0.5 c 7 3 3 3 2.8 0.7

Scenariul 3.1 a 2 2 3 4 3 0.3

Structura cu rigiditate

medie

b 4 2 3 4 3 0.4 c 7 2 3 4 3 0.7

Scenariul 3.2 a 2 3 2 4 3 0.3 b 4 3 2 4 3 0.4 c 7 3 2 4 3 0.7

31

Page 40: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabelele 5.13-5.16 centralizează rezultatele obținute cu ajutorul algoritmului ReliefF. Acestea evidențiază influența parametrilor acțiunii seismice asupra ieșirilor O3 și O5 din RNA pentru structuri cu diferite nivele de rigiditate și număr diferit de niveluri. Această influență este evidențiată de clasamentul ponderilor asociate fiecărui parametru de intrare In7-In10, obținute utilizând algoritmul ReliefF.

Tabel 5.13 Influența parametrilor acțiunii seismice asupra degradării structurii, în cazul Scenariului 1 Sursa: conform Bunea et al. (2018b)

Scenariul 1 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In8 0.135293 In8 0.175 In8 0.0653 In8 0.2549 In8 0.0246 In8 0.14599 In10 0.092959 In10 0.1407 In10 0.0347 In10 0.1708 In10 0.02334 In9 0.12466 In7 0.036052 In7 0.0579 In9 0.0142 In9 0.1019 In9 -0.00885 In10 0.11493 In9 -0.000507 In9 0.0518 In7 -0.0249 In7 0.016 In7 -0.05106 In7 -0.00734

Tabel 5.14 Influența parametrilor acțiunii seismice asupra degradării structurii, în cazul Scenariului 2 Sursa: conform Bunea et al. (2018b)

Scenariul 2 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In7 0.2345 In7 0.19586 In7 0.2189 In7 0.16 In10 0.04083 In7 0.1368 In10 -0.0141 In8 0.00954 In8 0.01022 In9 0.0147 In8 0.02987 In8 0.1342 In8 -0.0144 In9 -0.0065 In10 -0.00887 In8 -0.0198 In7 -0.00234 In10 0.0801 In9 -0.0358 In10 -0.00769 In9 -0.02356 In10 -0.0213 In9 -0.03506 In9 0.0626

Tabel 5.15 Influența parametrilor acțiunii seismice asupra degradării structurii, în cazul Scenariului 3.1 Sursa: conform Bunea et al. (2018b)

Scenariul 3.1 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In7 0.17723 In7 0.1368 In8 0.0651 In8 0.1845 In8 0.0598 In8 0.1794 In8 0.04378 In8 0.1272 In9 0.0599 In10 0.1423 In10 0.0512 In10 0.1314 In9 0.03442 In10 0.0803 In7 0.0475 In7 0.0774 In7 -0.0113 In9 0.0257

In10 0.00609 In9 0.067 In10 0.0194 In9 0.0728 In9 -0.0296 In7 0.0185

32

Page 41: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 5.16 Influența parametrilor acțiunii seismice asupra degradării structurii, în cazul Scenariului 3.2 Sursa: conform Bunea et al. (2018b)

Scenariul 3.2 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In7 0.13016 In7 0.1448 In7 0.0689 In8 0.1757 In8 0.08442 In8 0.1797 In9 0.02566 In8 0.1217 In8 0.0681 In10 0.1393 In10 0.06168 In10 0.1366 In8 0.01777 In10 0.0712 In9 0.0563 In7 0.0856 In7 -0.00531 In7 0.0312

In10 -0.00417 In9 0.0709 In10 0.0414 In9 0.0742 In9 -0.0224 In9 0.0305

Rezultatele prezentate în Tabelele 5.13-5.16 relevă faptul că, în cazul unei structuri flexibile, precum în Scenariul 1, parametrul In8, asociat lui PGV, are cea mai mare influență asupra degradării structurii, rezultatele fiind expuse în Tabelul 5.13. În contrast, gradul de degradare al unei structuri rigide este afectat, în special, de parametrul In7, asociat lui PGA, rezultatele fiind prezentate în Tabelul 5.14. În cazul structurilor cu rigiditate medie, ambii parametri de intrare In7, respectiv In8 se găsesc pe prima poziție a clasamentului influenței asupra parametrilor O3 și O5, în funcție de numărul de niveluri. În acest context, degradarea structurilor cu 2 niveluri în Scenariile 3.1a și 3.2a este afectată în principal de parametrul de intrare In7, în timp ce pentru structurile cu 4 și 7 niveluri, corespunzătoare Scenariilor 3.1b,c și 3.2b,c, aceasta este influențată de parametrul In8. În urma observațiilor prezentate anterior se poate afirma că parametrul acțiunii seismice care influențează semnificativ valoarea coeficienților FS și IDR este PGV, asociat intrării In8 - pentru structurile cu rigiditate redusă, și PGA, corespunzător intrării In7 – pentru structurile cu rigiditate ridicată (Bunea et al., 2018b).

Interesantă este poziția parametrului In10, corespunzător intensității spectrale IS a înregistrării seismice. Conform Tabelelor 5.13-5.16, importanța acestuia este relativ semnificativă, în special în cazul structurilor cu rigiditate scăzută, precum cele din Scenariul 1 sau structurile cu număr de niveluri mai ridicat, precum cele din Scenariul 3.1b,c și 3.2b,c (Bunea et al., 2018b).

5.3.2 Influența parametrilor structurali asupra degradării structurilor din beton armat

În scopul determinării influenței parametrilor structurali In1-In6 asupra parametrilor de ieșire ale RNA O3 și O5, corespunzători coeficienților de degradare FS și IDR, am fixat parametrii acțiunii seismice In7-In10. Pentru a analiza evoluția importanței parametrilor structurali în funcție de intensitatea seismică, am ales 3 nivele de intensitate: redus, mediu și ridicat. Acestea au fost selectate în funcție de valoarea PGA a înregistrărilor seismice detaliate în Tabelul 5.5. Analiza influenței parametrilor structurali asupra degradării structurilor din

33

Page 42: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

beton armat a fost făcută în funcție de parametrul In1, reprezentând numărul de niveluri, conform Tabelului 5.1. Tabelul 5.17 prezintă scenariile considerate în analiză, cu mențiunile aferente (Bunea et al., 2018b).

Tabel 5.17 Scenariile utilizate în determinarea influenței parametrilor structurali asupra degradării structurilor de beton armat Sursa: conform Bunea et al. (2018b)

Denumire scenariu

In1 PGA PGV PGD SI Numărul de

variații

Nivelul de

intensitate

Scenariul 1 a 2 194.93 70.0451 89.83429 211.27269 69

Redus b 4 194.93 70.0451 89.83429 211.27269 111 c 7 194.93 70.0451 89.83429 211.27269 63

Scenariul 2 a 2 433.563 84.64444 17.08251 248.63345 69

Mediu b 4 433.563 84.64444 17.08251 248.63345 111 c 7 433.563 84.64444 17.08251 248.63345 63

Scenariul 3 a 2 578.135 46.38597 26.66271 160.90724 69

Ridicat b 4 578.135 46.38597 26.66271 160.90724 111 c 7 578.135 46.38597 26.66271 160.90724 63

În Tabelele 5.18-5.20 am prezentat rezultatele obținute în urma aplicării algoritmului ReliefF, care evidențiază influența parametrilor structurali In2-In6 asupra parametrilor de ieșire O3 și O5, corespunzători valorilor coeficienților FS și IDR, conform notațiilor din Tabelul 5.7, pentru 3 nivele de intensitate seismică. Rezultatele sunt împărțite în funcție de numărul de niveluri al structurilor, conform Tabelului 5.17. Influența parametrilor structurali este dată de clasamentul ponderilor asociate fiecărui parametru de intrare In2-In6.

Tabel 5.18 Influența parametrilor structurali asupra degradării structurii, cazul Scenariului 1 Sursa: conform Bunea et al. (2018b)

Scenariul 1 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In4 0.1049 In4 0.0881 In4 0.0837 In6 0.0465 In5 0.0771 In6 0.1385 In6 0.0928 In6 0.0828 In6 0.0302 In4 0.0439 In4 0.0616 In4 0.127 In5 0.0179 In5 0.0112 In3 -0.0361 In3 -0.0354 In6 0.0113 In5 -0.0394 In3 -0.0953 In3 -0.0785 In5 -0.0378 In2 -0.0358 In2 -0.0623 In3 -0.0861 In2 -0.1008 In2 -0.0839 In2 -0.0477 In5 -0.0361 In3 -0.0749 In2 -0.1126

34

Page 43: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 5.19 Influența parametrilor structurali asupra degradării structurii, cazul Scenariului 2 Sursa: conform Bunea et al. (2018b)

Scenariul 2 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In4 0.0957 In4 0.1274 In6 0.04312 In6 0.11689 In4 0.07568 In6 0.2893 In6 0.0809 In6 0.1182 In5 -0.00463 In4 -0.00216 In6 0.02254 In4 -0.0378 In5 -0.0275 In5 -0.0604 In4 -0.01305 In2 -0.03971 In5 -0.00771 In5 -0.0415 In3 -0.0805 In3 -0.1072 In3 -0.02529 In3 -0.04112 In3 -0.04707 In3 -0.0845 In2 -0.0957 In2 -0.1102 In2 -0.03721 In5 -0.04866 In2 -0.05587 In2 -0.1182

Tabel 5.20 Influența parametrilor structurali asupra degradării structurii, cazul Scenariului 3 Sursa: conform Bunea et al. (2018b)

Scenariul 3 a b c

O3 O5 O3 O5 O3 O5 Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere Cod Pondere

In4 0.0581 In6 0.1131 In4 0.03534 In6 0.08654 In4 0.0542 In5 0.2489 In6 0.0311 In4 0.1034 In6 -0.000587 In4 0.00645 In5 0.0298 In4 0.015 In5 0.0177 In5 -0.0646 In3 -0.016747 In5 -0.036 In6 0.029 In6 0.0115 In3 -0.0567 In3 -0.0818 In5 -0.017128 In2 -0.03735 In3 -0.0595 In2 -0.1003 In2 -0.0684 In2 -0.0838 In2 -0.033309 In3 -0.0375 In2 -0.0598 In3 -0.109

Analizând rezultatele prezentate în Tabelele 5.18-5.20 se poate afirma că parametrii

structurali cu cea mai mare influență asupra valorii ieșirilor O3 și O5, reprezentând coeficienții FS și IDR, sunt In4 și In6 asociați, conform Tabelului 5.1, lățimii deschiderii structurii, respectiv lățimii secțiunii stâlpului. Cea mai redusă influență asupra degradării structurii dintre parametrii structurali o au, în majoritatea scenariilor, intrările In3 și In2, reprezentând numărul de deschideri pe direcțiile Ox și Oy. Luând ca element comparativ nivelul intensității seismice se poate afirma că aceasta nu are o influență semnificativă asupra clasamentului importanței parametrilor structurali asupra valorilor parametrilor de ieșire O3 și O5 (Bunea et al. 2018b).

Comparând clasamentul influenței parametrilor structurali în funcție de numărul de niveluri, nu se poate observa un model evident de modificare a rezultatelor. De asemenea, realizând același tip de comparație, dar între rezultatele asociate parametrului de ieșire O3 și cele asociate parametrului O5, se remarcă existența anumitor diferențe. Acestea sunt mai reduse ca număr în cazul structurilor cu 2 niveluri, mai precis Scenariile 1a, 2a, 3a. În cazul celorlalte scenarii, deși se înregistrează mai multe diferențe, totuși acestea sunt doar de un loc în clasament, cu excepția Scenariului 2b în care diferența este de trei locuri (Bunea et al. 2018b).

35

Page 44: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

5.3.3 Concluziile studiilor de caz privind influența parametrilor de intrare asupra degradării structurilor din beton armat

În cadrul Capitolului 5.3 a fost realizată o analiză, utilizând algoritmul ReliefF, privind influența parametrilor de intrare introduși în RNA asupra ieșirilor O3 și O5, corespunzătoare coeficienților FS și IDR, ce caracterizează gradul de degradare al structurilor din beton armat. În urma analizei generale s-a observat influența majoră pe care o are parametrul de intrare In1, corespunzător numărului de niveluri al structurii, asupra degradării structurilor din beton armat, mai precis, asupra coeficienților FS și IDR. În partea superioară a clasamentului se regăsesc, de asemenea, și coeficienții In4 și In6, asociați lățimii deschiderii și lățimii secțiunii stâlpului. Parametrii acțiunii seismice au o influență importantă asupra degradării structurii, potrivit clasamentului prezentat în Tabelul 5.10, deși nu se regăsesc pe primele poziții.

Capitolul 5.3.1 analizează separat influența parametrilor acțiunii seismice asupra valorilor parametrilor de ieșire O3 și O5, corespunzători coeficienților FS și IDR. În cazul unei structuri flexibile, cea mai mare influență o are parametrul In8, corespunzător valorii PGV, în timp ce structura rigidă este influențată, în principal, de parametrul de intrare In7, asociat valorii PGA. Cea mai redusă influență asupra coeficienților FS și IDR o are parametrul In9, corespunzător valorii PGD. Intensitatea spectrală IS, asociată parametrului In10, s-a dovedit a fi importantă, influențând valoarea coeficienților FS și IDR în special în cazul structurilor cu rigiditate scăzută sau cu număr ridicat de niveluri. Analizând separat influența parametrilor structurali în Capitolul 5.3.2 am observat importanța semnificativă a parametrilor In4 și In6 asupra degradării structurilor din beton armat ca urmare a acțiunii seismice. Conform analizelor realizate, în majoritatea cazurilor, parametrii In 2 și In 3, reprezentând numărul de deschideri pe direcțiile Ox și Oy, au cea mai redusă influență asupra degradării structurilor.

Testarea rețelei neuronale RNA pentru date de intrare diferite de cele din antrenare

Pentru a verifica corectitudinea rețelei neuronale realizate și a stabili gradul de eroare este necesară o analiză suplimentară celei prezentate în Capitolul 5.2. Aceasta presupune introducerea unor date de intrare noi, diferite de cele utilizate în antrenarea rețelei, obținerea unui nou set de date de ieșire din RNA și apoi compararea acestuia cu rezultatele analizei cu EF. Astfel, va fi necesară modelarea și analizarea unor noi structuri în programul cu EF SAP2000. Aceste structuri au fost alese pe baza rezultatelor obținute în Capitolul 5.3 referitoare la influența parametrilor de intrare asupra degradării structurilor. În acest sens am modificat, într-o primă etapă, doar parametrii structurali cu influența cea mai mare asupra coeficienților FS și IDR, respectiv In1, In4 și In6, după cum este prezentat în Capitolul 5.4.1. Cea de-a doua etapă a presupus utilizarea unei combinații de parametri structurali introdusă inițial în rețeaua neuronală și schimbarea doar a parametrilor acțiunii seismice, conform informațiilor din

36

Page 45: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 5.4.2. Ultima etapă a urmărit combinarea celor două etape descrise anterior și realizarea unor scenarii în care ambele tipuri de parametri de intrare – structurali și ai acțiunii seismice – sunt modificați astfel încât să difere de cei introduși inițial în rețea cu scopul antrenării acesteia.

În cadrul rezumatului am introdus doar rezultatele testării bazate pe modificarea ambelor tipuri de parametri de intrare, respectiv structurali și ai acțiunii seismice. Celelalte studii din Capitolele 5.4.1 și 5.4.2 sunt prezentate in extenso în varianta completă a tezei de doctorat. Menționez faptul că rezultatele obținute în Capitolele 5.4.1, 5.4.2 și 5.4.3 sunt similare, motiv pentru care am considerat oportun expunerea în rezumatul tezei de doctorat doar a rezultatelor corespunzătoare Capitolului 5.4.3.

5.4.1 Testarea RNA pentru parametri structurali diferiți de cei utilizați în antrenarea RNA

În experimentele numerice am optat inițial pentru modificarea valorii a câte unui singur parametru structural din cei trei considerați ce pot influența degradarea structurii într-o măsură mai mare, respectiv In1, In4 și In6, reprezentând numărul de niveluri, lățimea deschiderii și lățimea secțiunii stâlpului. Această modificare a fost efectuată pe modele deja analizate cu EF și introduse în RNA. Trei structuri noi au fost obținute ale căror caracteristici sunt prezentate în Tabelul 5.21, valorile parametrilor modificați fiind evidențiate. În fiecare scenariu, structura este supusă la acțiunea celor 14 seisme, având proprietățile expuse în Tabelul 5.5.

Tabel 5.21 Parametrii modelelor structurale utilizate în testarea RNA, în Scenariile 1, 2 și 3

Denumire scenariu

Parametru de intrare In1 In2 In3 In4 In5 In6

Scenariul 1 5 2 3 4 3 0.4 Scenariul 2 4 2 2 4.2 3.5 0.4 Scenariul 3 7 3 3 4 2.8 0.6

Pentru a analiza în detaliu validitatea rețelei neuronale în cazul modelelor structurale ai căror parametri sunt precizați în Tabelul 5.21 s-a realizat comparația între rezultatele analizei cu element finit AEF și cele ale RNA, pentru toate ieșirile considerate, mai exact O1-O6. De menționat este faptul că, în această analiză, fiecărui scenariu îi este asociat un singur model structural care este supus la acțiunea celor 14 seisme din Tabelul 5.5. Astfel, am considerat 14 combinații de parametri de intrare pentru fiecare scenariu în parte, rezultând un total de 42 de combinații pentru cele trei scenarii, după cum urmează: pentru Scenariul 1 – combinațiile 1-14, pentru Scenariul 2 – combinațiile 15-28, respectiv pentru Scenariul 3 – combinațiile 29-42.

37

Page 46: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

5.4.2 Testarea RNA pentru parametri ai acțiunii seismice diferiți de cei utilizați în antrenarea RNA

A doua etapă a presupus selectarea unor combinații de parametri structurali, mai precis In1-In6, deja utilizate în antrenarea rețelei neuronale, și supunerea structurilor obținute la acțiunea unor seisme, diferite de cele prezentate în Capitolul 5.1.2. Înregistrările seismice au fost alese astfel încât noile valori PGA să se găsească în intervalul minim-maxim al valorilor PGA din Tabelul 5.5. Sursa înregistrărilor seismice o reprezintă baza de date a programelor software SAP2000 v 14.1.0 și SeismoSignal v 2016.

Valorile parametrilor ce caracterizează înregistrările seismice utilizate în testarea rețelei neuronale, conform celor menționate anterior, sunt prezentate în Tabelul 5.24. Acestea au fost calculate, pe baza înregistrărilor seismice, cu ajutorul programului SeismoSignal v 2016.

Tabel 5.24 Parametrii acțiunii seismice utilizați în scopul testării RNA

Nr. crt.

Cutremur /Stația de înregistrare

Data înregistrării

PGA [cm/s2]

PGV [cm/s]

PGD [cm]

IS [cm]

In7 In8 In9 In10

1 Century City-2 (Lacc_Nor-2) 17.01.1994 250.66700 20.92484 7.97728 104.61716 2 Oakland-2 (Oak_Whaf-2) 17.10.1989 265.50400 42.17378 10.22282 162.52236 3 Kocaeli (KOERI330) 17.08.1999 342.36900 62.18167 51.30239 176.17519 4 Lexington-2 (Lexingt-2) 17.10.1989 401.64100 93.98619 36.44994 268.56836 5 Corralitos-2 (Corralit-2) 17.10.1989 469.38400 46.12997 20.70134 164.81163

Valorile parametrilor structurali In1-In6, ce caracterizează modelele structurale alese pentru a fi supuse la noile acțiuni seismice prezentate în Tabelul 5.24, sunt precizate în Tabelul 5.25.

Tabel 5.25 Parametrii modelelor structurale utilizate în testarea RNA, în Scenariile 4, 5 și 6

Parametru de intrare Denumire scenariu

In1 In2 In3 In4 In5 In6

Scenariul 4 2 3 3 5 3 0.3 Scenariul 5 4 3 2 4 3 0.4 Scenariul 6 7 3 3 4 3 0.7

De menționat este faptul că fiecare model structural a fost supus la acțiunea a 5 seisme, ale căror caracteristici sunt indicate în Tabelul 5.24. Astfel, există câte 5 combinații posibile pentru fiecare scenariu în parte, respectiv Combinațiile 1-5 asociate Scenariului 4, Combinațiile 6-10 corespunzătoare Scenariului 5 și Combinațiile 11-15 asociate Scenariului 6.

38

Page 47: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

5.4.3 Testarea RNA pentru parametri structurali și ai acțiunii seismice diferiți de cei utilizați în antrenarea RNA

Ultima etapă a constat în modificarea mai multor parametri, atât structurali cât și seismici. În acest context, dintre parametrii structurali In1-In6, am ales cei care au cea mai mare influență asupra coeficienților de degradare, conform Capitolului 5.3, mai precis In1, In4 și In6, reprezentând numărul de niveluri, lățimea deschiderii și lățimea secțiunii stâlpului. Regimul de înălțime a reprezentat elementul principal în crearea noilor modele structurale, acesta având cea mai mare influență asupra gradului de degradare al structurilor, conform Capitolului 5.3. Astfel, au fost obținute trei modele structurale prezentate în Tabelul 5.28, diferite de cele folosite în antrenarea RNA, ce vor fi utilizate în vederea testării acesteia (Bunea et al., 2018a).

Tabel 5.28 Parametrii modelelor structurale utilizate în testarea RNA, în Scenariile 7, 8 și 9

Denumire scenariu

Parametru de intrare In1 In2 In3 In4 In5 In6

Scenariul 7 3 2 2 3.8 2.8 0.35 Scenariul 8 5 3 2 4.2 3.5 0.45 Scenariul 9 6 2 3 4.5 3 0.55

În privința acțiunilor seismice la care este supusă fiecare structură, acestea păstrează caracteristicile precizate în Tabelul 5.24. Astfel, se conturează 15 combinații de parametri de intrare, câte 5 pentru fiecare scenariu, respectiv Combinațiile 1-5 asociate Scenariului 7, Combinațiile 6-10 corespunzătoare Scenariului 8 și Combinațiile 11-15 asociate Scenariului 9. Figurile 5.29-5.34 prezintă sub formă grafică analizele comparative privind rezultatele AEF și RNA, pentru fiecare parametru de ieșire în parte, respectiv fiecare combinație.

Figura 5.29 Analiza comparativă a rezultatelor perioadei fundamentale de vibrație a structurii nedegradate T0 din AEF și RNA, Scenariile 7, 8 și 9

Sursa: conform Bunea et al. (2018a)

0

0.2

0.4

0.6

0.8

1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

T 0[s

]

Combinația

Perioada fundamentală de vibrație a structurii nedegradate, T0

AEF RNA

39

Page 48: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Rețeaua neuronală reușește să aproximeze la un nivel acceptabil perioada fundamentală de vibrație a structurii nedegradate T0, conform rezultatelor grafice din Figura 5.29. Cea mai mare diferență relativă se înregistrează în cazul Combinației 8, fiind de aproximativ 9.06%. În acest caz, s-a obținut în urma AEF o perioadă T0 de 0.764 s, în timp ce RNA prezice o valoare de 0.833 s, diferența absolută fiind de doar 0.069 s. Aceasta este o valoare acceptabilă, luând în considerare că cei trei parametrii structurali considerați a avea o influență importantă asupra degradării structurale au fost modificați astfel încât să difere de valorile introduse inițial în antrenarea rețelei (Bunea et al., 2018a).

Figura 5.30 Analiza comparativă a rezultatelor perioadei fundamentale de vibrație a structurii degradate Tfinal din AEF și RNA, Scenariile 7, 8 și 9

Sursa: conform Bunea et al. (2018a)

Analizând Figura 5.30 se observă că RNA prezice în mod corespunzător valorile perioadei fundamentale de vibrație a structurii degradate Tfinal, în condițiile modificării parametrilor acțiunii seismice și a celor mai importanți parametri structurali, aceștia fiind aleși diferiți de cei utilizați în antrenarea RNA. Doar 3 dintre cele 15 combinații prezintă diferențe relative ale rezultatelor RNA față de cele ale AEF mai mari de 15%, și anume Combinațiile 8, 9 și 14. Totuși, în cazul celorlalte combinații, exceptând cele trei menționate anterior în acest paragraf, diferența absolută obținută între rezultatele AEF și RNA este de maxim 0.1 s – o valoare acceptabilă în contextul în care RNA reprezintă o metodă mai rapidă și mai convenabilă din punct de vedere al capacității necesare de memorie decât AEF (Bunea et al., 2018a).

0

0.5

1

1.5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

T fin

al[s

]

Combinația

Perioada fundamentală de vibrație a structurii degradate, Tfinal

AEF RNA

40

Page 49: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 5.31 Analiza comparativă a rezultatelor coeficientului de degradare finală a

rigidității structurale FS din AEF și RNA, Scenariile 7, 8 și 9 Sursa: conform Bunea et al. (2018a)

Precum în Capitolele 5.4.1 și 5.4.2, coeficientul de degradare finală a rigidității structurale FS nu poate fi prezis într-un mod corespunzător, fapt evidențiat în analiza comparativă efectuată în Figura 5.31. Având la bază propunerea lui Ghobarah (2004) în ce privește limitele valorilor coeficientului FS asociate fiecărui nivel de degradare al structurii, am selectat valoarea de 0.05 ca diferență absolută maximă acceptabilă. În acest context, există doar 5 combinații în cazul cărora diferența absolută între rezultatele RNA și AEF este mai mică de 0.05, reprezentând doar 33.33% din totalul combinațiilor analizate, acest procent nefiind suficient pentru a considera convenabilă utilizarea RNA în aproximarea coeficientului FS (Bunea et al., 2018a).

Figura 5.32 Analiza comparativă a rezultatelor deplasării maxime dmax din AEF și

RNA, Scenariile 7, 8 și 9 Sursa: conform Bunea et al. (2018a)

În comparație cu perioadele T0 și Tfinal, deplasarea maximă a structurii dmax, în cazul Scenariilor 7, 8 și 9, este aproximată de către RNA cu un grad de acuratețe mai scăzut. Astfel,

0

0.2

0.4

0.6

0.8

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

FS

Combinația

Coeficientul de degradare finală a rigiditățiistructurale, FS

AEF RNA

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

d max

[m]

Combinația

Deplasarea maximă, dmax

AEF RNA

41

Page 50: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

se înregistrează o diferență absolută maximă în Combinația 5, aceasta fiind de 5.71 cm. Din punctul de vedere al diferenței absolute, doar în trei cazuri aceasta depășește valoarea de 4 cm, mai precis în Combinațiile 5, 7 și 12, după cum poate fi observat și în Figura 5.32. În restul combinațiilor rezultă diferențe absolute mai mici de 3.2 cm între valorile ieșirilor O4 ale AEF și ale RNA, ce reprezintă un nivel satisfăcător de prezicere a valorilor deplasării maxime de către RNA (Bunea et al., 2018a).

Figura 5.33 Analiza comparativă a rezultatelor coeficientului deplasării relative

de nivel IDR din AEF și RNA, Scenariile 7, 8 și 9 Sursa: conform Bunea et al. (2018a)

Modificarea atât a parametrilor structurali cât și ai acțiunii seismice conduce la obținerea unor diferențe relative importante dintre coeficienții IDR obținuți din RNA față de cei calculați pe baza AEF. Aceste diferențe relative sunt mai mari decât cele calculate în Capitolele 5.4.1 și 5.4.2. Astfel, cea mai mare diferență relativă se înregistrează în cazul Combinației 4, după cum este ilustrat în Figura 5.33, obținându-se o creștere de 102.53% față de valorile bazate pe AEF, reprezentând o diferență absolută între rezultatele AEF și RNA de 1.56%. Aceasta este o eroare relativ mare, încadrând structura automat într-un alt nivel de degradare decât cel real. De remarcat este că există doar trei combinații în care diferența absolută dintre rezultatele AEF și RNA depășește pragul de 1%, și anume Combinațiile 4, 5 și 9. Pentru restul combinațiilor se obține o diferență de maxim 0.4%, ce poate fi considerat un nivel acceptabil de prezicere al rezultatelor, luând în considerare limitele IDR asociate diferitelor nivele de degradare, conform Ghobarah (2004). Cele mai bune rezultate se obțin în cazul unei diferențe absolute de maximum 0.2%, acestea fiind înregistrate în 7 dintre cele 15 combinații (Bunea et al., 2018a).

0

1

2

3

4

5

6

7

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

IDR

[%]

Combinația

Coeficientul deplasării relative de nivel, IDR

AEF RNA

42

Page 51: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 5.34 Analiza comparativă a rezultatelor accelerației absolute maxime aabs,max din AEF și RNA, Scenariile 7, 8 și 9

Accelerația absolută maximă aabz,max este aproximată satisfăcător de către rețeaua neuronală, precum poate fi observat din analiza comparativă a rezultatelor AEF și RNA reprezentată în Figura 5.34. Diferența relativă maximă a ieșirilor RNA față de rezultatele AEF, asociată Combinației 13, este de 77.31%, diferența absolută între valorile AEF și RNA fiind de 2.97 m/s2. Această diferență este semnificativă, dar diferențe relative mai mari de 20%, corespunzătoare diferențelor absolute mai mari de 1 m/s2, se înregistrează doar în cazul a trei combinații, și anume Combinațiile 5, 8 și 13. De asemenea, se observă faptul că rezultatele sunt relativ asemănătoare cu cele obținute în Capitolul 5.4.2.

5.4.4 Concluziile studiilor de caz privind testarea RNA pentru valori ale parametrilor de intrare diferite de cele utilizate în antrenare

În Capitolul 5.4 am testat corectitudinea RNA pentru valori ale parametrilor de intrare diferite de cele utilizate în antrenare. Această verificare s-a efectuat prin compararea rezultatelor AEF și a parametrilor de ieșire obținuți în urma rulării RNA. Au fost realizate 3 studii de caz, în fiecare dintre acestea analizându-se câte 3 scenarii.

În primul studiu de caz, prezentat în Capitolul 5.4.1, sunt modificați doar parametrii structurali, noile valori alese fiind diferite de cele utilizate în antrenarea RNA. Cel de-al doilea studiu de caz, descris în Capitolul 5.4.2, presupune modificarea doar a parametrilor acțiunii seismice, iar în ultimul studiu de caz, prezentat în Capitolul 5.4.3, s-au considerat valori noi atât pentru parametrii structurali, cât și pentru cei ai acțiunii seismice.

În urma analizei studiilor de caz se constată că parametrul de ieșire O1, asociat perioadei fundamentale de vibrație a structurii nedegradate T0, este prezis corespunzător de către RNA. Diferențe acceptabile între rezultatele RNA și AEF au fost obținute și în cazul perioadei fundamentale de vibrație a structurii degradate Tfinal. Comparând cele trei studii de caz realizate, nu se observă modificări importante între rezultate. Deși există combinații în care valoarea diferenței relative a valorilor RNA față de AEF este semnificativă, ajungând și la 32% în

0

2

4

6

8

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

a abs

,max

[m/s

2 ]

Combinația

Accelerația absolută maximă, aabs,max

AEF RNA

43

Page 52: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 5.4.2, totuși în majoritatea combinațiilor diferența este acceptabilă, respectiv sub 15%, diferența absolută fiind de maxim 0.1 s.

Coeficientul de degradare finală a rigidității structurale FS este singurul parametru de ieșire dintre cei 6 considerați, care nu este aproximat satisfăcător de către RNA, pentru niciunul dintre studiile de caz analizate. Astfel, diferențele existente între valorile RNA și cele ale AEF sunt destul de importante, în majoritatea situațiilor, pentru a altera nivelul de degradare al structurii.

Spre deosebire de perioadele T0 și Tfinal, în cazul deplasării maxime dmax diferențele relative maxime ale valorilor RNA față de AEF au o valoare mai ridicată, atingând și 77.31% în ultimul studiu de caz, în care au fost modificați atât parametrii structurali, cât și cei ai acțiunii seismice. Diferența absolută maximă a fost înregistrată în cel de-al doilea studiu de caz, în care au fost modificați doar parametrii acțiunii seismice, aceasta ajungând la valoarea de 8.36 cm. Această diferență semnificativă poate fi explicată de intrarea elementelor structurale în domeniul neliniar. Totuși, în majoritatea combinațiilor asociate fiecărui studiu de caz, diferența absolută maximă nu depășește 3 cm.

Coeficientul deplasării relative de nivel IDR este aproximat la un nivel acceptabil de către RNA în comparație cu coeficientul FS. Astfel, considerând o diferență absolută maximă admisibilă de 0.4% am constatat că, în mai puțin de o treime dintre combinații, diferența absolută dintre valorile RNA și AEF este mai mare de 0.4%. Acest rezultat se înregistrează în toate cele trei studii de caz. Așadar, RNA poate fi utilizată în prezicerea coeficientului IDR, deși în anumite cazuri se pot obține rezultate neconforme.

Accelerația absolută maximă aabs, max este prezisă satisfăcător de către RNA, deși diferențele dintre rezultatele RNA și AEF sunt relativ importante în cazul anumitor combinații. Totuși, diferențele absolute în majoritatea combinațiilor din cele trei studii de caz considerate nu depășesc 1 m/s2. Cele mai mari diferențe s-au înregistrat în urma modificării parametrilor acțiunii seismice.

Influența reducerii numărului de parametri de intrare asupra rezultatelor RNA. Simplificarea RNA

În acest capitol am optat pentru o simplificare a RNA prin reducerea numărului de parametri de intrare. Selecția a fost realizată pe baza rezultatelor obținute în Capitolul 5.3 privind influența parametrilor structurali și ai acțiunii seismice asupra coeficienților de degradare FS, respectiv IDR, corespunzători ieșirilor O3 și O5. Potrivit rezultatelor din Capitolul 5.3, cei mai importanți parametri structurali sunt In1, In4 și In6, corespunzători numărului de niveluri, lățimii deschiderii și lățimii secțiunii stâlpului. Parametrii acțiunii seismice cu cea mai mare influență asupra degradării structurale sunt In7, In8 și In10, asociați valorilor PGA, PGV și IS. Analiza rezultatelor a fost realizată doar pentru parametrii de ieșire

44

Page 53: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

O3 și O5, corespunzători coeficienților FS și IDR, care au rolul de a indica gradul de degradare al unei structuri.

Așadar, am antrenat două rețele neuronale, cate una pentru fiecare ieșire în parte. Arhitectura rețelei neuronale antrenată în scopul prezicerii rezultatelor ieșirii O3 are următoarea structură: 6 neuroni în stratul intrărilor, 2 straturi intermediare formate din 24, respectiv 8 neuroni, și 1 neuron în stratul ieșirilor. Introducerea a două straturi intermediare a fost necesară pentru a reduce erorile până la o valoare acceptabilă. Rețeaua neuronală antrenată pentru aproximarea valorilor ieșirii O5 este formată dintr-un strat al intrărilor cu 6 neuroni, un strat intermediar cu 8 neuroni și un strat al ieșirilor cu 1 neuron. Tabelul 5.32 prezintă comparativ valorile coeficienților de corelație r obținuți în cazul RNA complete, în care au fost utilizați toți cei 10 parametri de intrare, și în cazul RNA simplificate, pentru ieșirile O3 și O5, asociate coeficienților FS și IDR.

Tabel 5.32 Analiza comparativă a coeficienților de corelație r asociați RNA complete și RNA simplificate

RNA simplificată RNA completă Cod RNA O3 O5 O3 O5 Coeficient de corelație, r 0.860717 0.93835 0.941552 0.955953

Comparând valorile coeficientului de corelație r în cele două cazuri, respectiv RNA simplificată și RNA completă, conform Tabelului 5.32, se constată o reducere a acestuia cu 8.58% în cazul ieșirii O3 și 1.84% în cazul ieșirii O5 după eliminarea parametrilor de intrare cu influență mai mică asupra degradării structurii. Deși corelația între valorile dorite ale ieșirilor și cele prezise scade în cazul RNA simplificate față de RNA completă, valorii coeficientului de corelație r i se asociază, totuși, un grad de corelație foarte puternic, conform Tabelului 5.8.

În concluzie, selectarea doar a celor mai importanți parametri de intrare, din punct de vedere al influenței asupra degradării structurii, nu conduce la o îmbunătățire a rezultatelor, ci la o reducere a corelației dintre valorile RNA și cele ale AEF. Totuși această reducere nu este semnificativă, gradul de corelație dintre rezultatele RNA și AEF rămânând foarte puternic pentru ieșirile O3 și O5. În acest context, avantajul simplificării RNA este dat doar de introducerea unui număr mai mic de parametri de intrare.

Concluzii În cadrul acestui capitol am prezentat metodologia și rezultatele a 8 studii și cercetări

bazate pe aplicarea rețelelor neuronale RNA, cu scopul de a aproxima anumite caracteristici ale structurilor de tip cadru din beton armat supuse la diverse acțiuni seismice. Astfel, am considerat, într-o primă etapă, 10 parametri de intrare, dintre care 6 sunt parametri structurali și 4 sunt parametri ai acțiunii seismice. Parametrii structurali sunt enumerați în Tabelul 5.1, pe

45

Page 54: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

baza acestora fiind realizate modelele introduse în programul SAP2000. Fiecare parametru de intrare variază, obținându-se în final 432 de structuri, dintre care 243 au fost selectate pentru a fi folosite în antrenarea RNA. Fiecare model a fost supus la acțiunea a 14 seisme, caracteristicile acestora fiind menționate în Tabelul 5.5, analiza realizată în programul SAP2000 fiind de tip Time-History neliniar. Parametrii de ieșire au fost selectați astfel încât să evidențieze influența acțiunii seismice asupra structurilor, aceștia fiind prezentați în Tabelul 5.7. Dintre cei șase parametri de ieșire, doi au fost selectați astfel încât, în funcție de valoarea lor, un anumit nivel de degradare să poată fi asociat structurii, aceștia fiind coeficientul de degradare finală a rigidității structurale FS și coeficientul deplasării relative de nivel IDR.

În urma interpretării rezultatelor obținute prin antrenarea RNA, expusă în Capitolul 5.2, am constatat validitatea rețelelor neuronale realizate în prezicerea celor 6 ieșiri menționate în Tabelul 5.7. Analiza privind influența parametrilor de intrare introduși în RNA asupra ieșirilor O3 și O5, asociate coeficienților FS și IDR, prezentată în Capitolul 5.3, a evidențiat trei parametri structurali cu o influență semnificativă asupra degradării structurilor de tip cadru din beton armat, mai precis numărul de niveluri, lățimea deschiderii și lățimea secțiunii stâlpului. Dintre parametrii acțiunii seismice s-au remarcat valoarea de vârf a vitezei terenului PGV și valoarea de vârf a accelerației terenului PGA. De asemenea, intensitatea spectrală IS s-a dovedit a fi importantă în cazul structurilor cu rigiditate mai scăzută.

Rezultatele testării RNA utilizând valori ale parametrilor de intrare diferite de cele folosite în antrenare sunt precizate în Capitolul 5.4. Această verificare s-a realizat în trei etape, modificându-se într-o primă fază doar parametrii structurali, apoi numai parametrii acțiunii seismice și, în final, atât parametrii structurali cât și cei ai acțiunii seismice. Fiecare dintre modelele structurale realizate a fost supus acțiunilor seismice, efectuându-se analize Time-History de tip neliniar în programul SAP2000. Testarea RNA s-a efectuat prin compararea rezultatelor AEF cu cele obținute prin utilizarea RNA. În urma analizei comparative am observat că rețeaua neuronală poate prezice la un nivel acceptabil parametrii de ieșire, cu excepția ieșirii O3, corespunzătoare coeficientului FS, în cazul căreia diferențele absolute între valorile AEF și RNA sunt semnificative și conduc la alterarea rezultatelor privind nivelul de degradare al structurii.

În Capitolul 5.5 am prezentat analiza impactului pe care simplificarea RNA o exercită asupra valorilor parametrilor de ieșire. Parametrii de intrare eliminați au fost cei cu o influență scăzută asupra coeficienților de degradare FS și IDR, potrivit rezultatelor din Capitolul 5.3. Astfel, am demonstrat că, în cazul de față, simplificarea rețelei conduce la o ușoară reducere a coeficientului de corelație r dintre valorile AEF și RNA, gradul de corelație rămânând totuși foarte puternic, conform Tabelului 5.8.

46

Page 55: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 6

6. Studii privind aplicarea sistemelor multiagent în evaluarea rezilienței seismice

Studiile de caz prezentate în această lucrare urmăresc să releve aspecte importante referitoare la infrastructura existentă în municipiul Iaşi, în cazul producerii unui eveniment seismic de intensitate ridicată. De asemenea, se are în vedere identificarea zonelor/ punctelor vulnerabile din această regiune cu scopul de a propune în viitor soluții de îmbunătățire a managementului situațiilor de urgență. Cunoașterea punctelor vulnerabile oferă posibilitatea și de a evalua pierderile ce pot apărea în urma unui seism important, luând în considerare pregătirea actuală a autorităților, respectiv a cetățenilor. În analiza dinamicii populației imediat după producerea unui eveniment extrem, precum cutremurul, pentru cazul municipiului Iaşi am utilizat sisteme multiagent, mai precis programul software REvaSim. Acest tip de sisteme oferă posibilitatea de a urmări mișcarea indivizilor/ grupurilor în orașul Iaşi, luând în considerare rețeaua existentă de drumuri.

Metodologia de calcul. Programul software REvaSim și modelul de evacuare utilizat

În cadrul tezei de doctorat, simulările au fost realizate folosind programul software REvaSim ROADERS Evacuation Simulation (Teo et al., 2015), dezvoltat în cadrul proiectului Road Networks for Earthquake Resilient Societies ROADERS FP7 ERA-NET CONCERT-Japan (http://florinleon.byethost24.com/mcserm/en/roaders.htm), la care autorul a participat activ. Unul dintre obiectivele lucrării de față este utilizarea programului REvaSim în analiza mișcării populației din municipiul Iaşi, după producerea unui eveniment seismic extrem, ce afectează semnificativ anumite imobile încadrate în primele două clase de risc seismic/ categorii de urgență, respectiv R1/ U1 și R2/ U2. Se urmărește evacuarea persoanelor din zonele afectate în adăposturi/ spații de cazare sau spitale, în funcție de necesitate. Astfel, pe baza datelor obținute, autoritățile locale pot întocmi planurile de evacuare post-seism evitând zonele de risc.

Programul software REvaSim este proiectat astfel încât utilizatorul să aibă posibilitatea de a modifica granularitatea modelului, în funcție de necesități. Simularea de tip mesoscopic folosită în cadrul programului permite organizarea entităților în grupuri, agentul fiind asociat cu un grup de indivizi. Succesiunea activităților realizate în sistemul multiagent al programului

47

Page 56: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

inițial REvaSim, precum și raporturile dintre ele sunt prezentate sub forma unui grafic de activități de tip Unified Modelling Language UML în Leon et al. (2015) și Teo et al. (2015).

Analizele realizate în cadrul tezei de doctorat urmăresc conturarea unor posibile situații ce pot fi luate în considerare în elaborarea planurilor de evacuare post-seism, respectiv în stabilirea deciziilor fundamentale care ar trebui luate în asemenea cazuri. Studiile de caz consideră totuși faptul că există o listă de spații de cazare/ adăposturi ce poate fi înmânată persoanelor aflate în zonele afectate, acestea urmând să își aleagă drumul în funcție de criteriile ce vor fi prezentate ulterior în acest capitol. Trei tipuri de agenți sunt introduși în simulările multiagent: răniții – cei care se deplasează cu ajutorul ambulanțelor, cei care au acces la o mașină și decid să o utilizeze, precum și pietonii - cei care nu au acces la mașină și sunt nevoiți să meargă pe jos. Diferența principală între răniți și persoanele care se deplasează cu mașina personală este obiectivul vizat. Prima categorie dorește să ajungă la un spital, iar cea de-a doua – la un spațiu de cazare. Pentru a putea fi efectuată simularea multiagent, capacitatea totală cumulată a spațiilor de cazare și spitalelor trebuie să fie egală cu numărul persoanelor evacuate.

Pentru ca mediul sistemului multiagent să fie similar cu situația reală, existentă în municipiul Iaşi, a fost necesară atribuirea unor caracteristici legăturilor din rețeaua rutieră artificială: lungime [km], viteza maximă [km/h], capacitatea nominală, respectiv capacitatea în condiții de avarie. Lungimea a fost calculată cu ajutorul programului software Google Maps (https://www.google.ro/maps/place/Municipiul+Ia%C8%99i/@47.1535488,27.5303614,12z/data=!4m5!3m4!1s0x40cafb758b1974d7:0x862c6dbecbḍ̴bc1a6!8m2!3d47.1584549!4d27.6014418), iar capacitatea nominală a fost determinată prin luarea în considerare a lungimii, a numărului de benzi pe o direcție și a distanței aproximative dintre indivizi/ mașini. De menționat este faptul că pietonii și mașinile se deplasează pe segmente de drum diferite, dar paralele, ce realizează legătura între aceleași noduri, respectiv strada propriu-zisă și trotuarele. Capacitatea în condiții de avarie este aleasă în funcție de scenariul ce se dorește a fi modelat (Bunea et al. 2016c, Leon et al. 2015). Viteza maximă cu care agenții cu acces la mașină pot

circula pe legăturile rutiere este ,masini 50 /kv km h= , iar pentru agenții pietoni este

, 6 /k pietoniv km h= .

În studiile de caz prezentate, odată intrați într-un nod de rețea, agenții își aleg adăpostul în urma analizei rezultatelor obținute prin utilizarea funcției de utilitate, corespunzătoare Relației 6.1 (Leon et al. 2015, Bunea et al. 2016c).

( ) ( ) ( 1)ij i ij i iju t g t m tβ γ= + − (6.1)

în care: i reprezintă indicele grupului de persoane; j, indicele adăpostului; t, timpul curent în cadrul simulării; uij, utilitatea grupului i care decide să se deplaseze spre adăpostul j; gij, valoarea preconizată a celui mai redus timp de deplasare din zona în care se află grupul i către

48

Page 57: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

adăpostul j [h]; mij, numărul agenților aflați în vecinătatea grupului i care au început procesul de evacuare către adăpostul j; γi și βi, parametri care exprimă importanța termenilor gij și mij. În cazurile prezentate, agenții sunt modelați astfel încât, în luarea deciziei cu privire la adăpostul

vizat, să se bazeze, în special, pe starea rețelei de drumuri, considerând i iβ γ .

Următoarea etapă a simulării, după selectarea adăpostului, este alegerea traseului și a modului de deplasare. Utilizând programul REvaSim agenții au posibilitatea de a-și modifica traseul în cazul în care primesc informații că drumul spre adăpostul vizat inițial este blocat și de a actualiza periodic situația rutei alese (Teo et al., 2015). Fiecare legătură rutieră k, la un anumit timp t este caracterizată de un anumit cost, calculat cu Relația 6.2 (Bunea et al. 2016d, Leon et al. 2015).

( )( )k

kk

lc tv t

= (6.2)

în care: ( )kc t reprezintă costul alegerii legăturii rutiere k la momentul t [h]; lk, lungimea

legăturii rutiere k [km]; ( )kv t , viteza de deplasare posibilă pentru agent pe legătura rutieră k la

momentul t [km/h], calculată cu ajutorul Relației 6.3 (Teo et al., 2015).

( )( ) 1( )

kk

k kk

q tv t vy t

ρ

= ⋅ −

(6.3)

în care: kv reprezintă viteza maxim admisă pe legătura rutieră k; ( )kq t , numărul de agenți pe

legătura rutieră k la momentul t; ( )ky t , capacitatea în condiții de avarie a legăturii rutiere k la

momentul t; kρ , parametru ce descrie relația dintre viteză și densitate pe legătura rutieră k.

În urma actualizării vitezei de deplasare pe segmentul de drum ( )kv t , respectiv a costului

( )kc t , utilitatea alegerii adăpostului aflat la capătul traseului poate suferi modificări, ce pot

conduce la schimbarea itinerariului. Simularea se încheie pentru agent în cazul în care adăpostul ales este disponibil, iar capacitatea reziduală a adăpostului este redusă în conformitate cu noua situație. În caz contrar, agentul trebuie să își aleagă un alt adăpost, iar activitățile realizate anterior se reiau.

Prezentarea studiilor de caz în zone rezidențiale ale municipiului Iaşi Un plan concret de analiză și management al situațiilor de urgență post-seism nu există

pentru municipiul Iaşi până în momentul de față, în ciuda necesității evidente, ce se conturează din cauza seismicității ridicate și a numărului important de imobile încadrate categoriile de urgență/ clasele de risc seismic U1/ R1, respectiv U2/ R2. Rezultatele obținute în urma

49

Page 58: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

efectuării multiplelor simulări pot fi folosite ulterior în realizarea unui plan de evacuare post-seism a populației, în cazul de față, din zona municipiului Iaşi.

În prima etapă a cercetării a fost necesară identificarea zonelor vulnerabile existente în municipiul Iași. Acestea s-au selecționate pe baza rezultatelor evaluărilor vulnerabilității seismice a clădirilor realizate de experți atestați până în 2015 (Primăria Municipiului Iași, 2015) prezentate în Capitolul 4.5. S-a urmărit alegerea zonelor în care există o concentrare de imobile vulnerabile seismic, iar densitatea populației este ridicată, cu scopul de a le introduce ulterior în sistemul multiagent. Majoritatea imobilelor selectate sunt încadrate în prima clasă de risc seismic/ categorie de urgență, după cum este prezentat în Tabelul 6.1. Zonele rezidențiale vizate de acest studiu sunt: zona centrală, Cantemir, Podu Roș, Tătărași Sud/ Nord, Copou, Păcurari. Tabelul 6.1 prezintă o listă a zonelor vulnerabile luate în considerare în simulările multiagent.

Tabel 6.1 Zonele vulnerabile din municipiul Iaşi considerate în studiile de caz

Zona/ Numărul nodului

Coordonate Zona rezidențială

Număr imobile

considerate

Categoria de urgență/ Clasa de risc seismic

Longitudine Latitudine

20 27.584821 47.151895 Podu Roș 10 U1/R1

21 27.587851 47.146986 Podu Roș 7 U1/R1 3 U1-U2/R1-R2

22 27.580492 47.148155 Podu Roș 7 U1/R1 23 27.594106 47.151328 Podu Roș 12 U1/R1 24 27.617368 47.155512 Tătărași Sud 12 U1/R1 25 27.570720 47.178660 Copou 4 U2/R2

26 27.582749 47.164985 Centru 5 U2-U3/R2-R3 1 U2/R2 2 U1/R1

27 27.571400 47.171227 Păcurari 1 U2/R2 28 27.561862 47.173108 Păcurari 1 U2-U3/R2-R3

Studiile efectuate în această teză de doctorat vizează situația apărută imediat după cutremur, caz în care găsirea rapidă a unor locații sigure pentru cetățeni este esențială și vitală. Amenajarea spațiilor de cazare în școli/ licee din apropierea zonelor vulnerabile sau în parcuri întinse ca suprafață ar fi de preferat în cazul indisponibilității probabile a căminelor și hotelurilor, cel puțin pentru o perioadă de câteva zile. În studiile efectuate, am ales ca spații temporare de cazare clădirile menționate în Tabelul 6.3.

50

Page 59: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 6.3 Spațiile de cazare alese pentru studiile de caz

Zona/ Numărul nodului

Denumirea spațiului de cazare Capacitatea de cazare

Coordonate

Longitudine Latitudine

7 Colegiul Național "Costache Negruzzi" 400 27.5694550 47.1733340 8 Colegiul Național "Mihai Eminescu" 300 27.5814110 47.1721860 9 Colegiul Tehnic "Gheorghe Asachi" 350 27.5698480 47.1821740

10 Colegiul Tehnic "Mihail Sturdza" 300 27.6016850 47.1413570 11 Liceul Pedagogic "Vasile Lupu" 400 27.5399430 47.2017650 12 Liceul Teoretic de Informatică "Grigore Moisil" 300 27.5671800 47.1853940 13 Liceul Teoretic "Dimitrie Cantemir" 100 27.5818470 47.1506530 14 Colegiul Național "Emil Racoviță" 100 27.5871300 47.1489160 15 Gradina Botanică 300 27.551486 47.185753 16 Parcul Copou 200 27.567394 47.178422 17 Complexul Studențesc “Tudor Vladimirescu” 2300 27.607062 47.156447

18 Universitatea Tehnică “Gheorghe Asachi” din Iaşi 1700 27.595485 47.154067

19 Stadionul "Emil Alexandrescu" 1800 27.561198 47.184626

În cadrul simulărilor, persoanele rănite vor fi transportate separat, cu ambulanțele, către spitale, acestea fiind alese în funcție de numărul de paturi existent, specialități, respectiv locație. Lista spitalelor introduse în sistemul multiagent este prezentată în Tabelul 6.4, alături de numărul de paturi existent, conform ISU Iaşi (2015). Numărul de paturi luat în calcul în analiză a fost redus considerabil, având în vedere că spitalele vor fi deja ocupate într-o anumită proporție.

Tabel 6.4 Lista spitalelor din municipiul Iaşi, considerate în analiză

Zona/ Numărul nodului

Denumirea spitalului Numărul de paturi, conform ISU Iaşi

1 Spitalul Clinic Județean „Sf. Spiridon” 1128 2 Spitalul Clinic Județean „Sf. Spiridon” 3 Spitalul Clinic de Psihiatrie Socola Iaşi 870 4 Spitalul Clinic de Urgență pentru copii „Sf. Maria” 752 5 Spitalul Clinic de Recuperare 530 6 Spitalul Clinic nr. 2 „Dr. C.I. Parhon” 206

Mediul sistemului multiagent a fost construit sub formă de rețea, după cum este prezentat în Figura 6.2 și cuprinde 55 de drumuri, cu dublu-sens din municipiul Iaşi, ce fac legătura între zonele enumerate în Tabelele 6.1-6.5, la care se adaugă punctele corespunzătoare celor trei poduri considerate în analiză, respectiv legăturile 29-30 (Podul Cantemir), 31-32 (Podu Roș) și 33-34 (Podul Tudor Vladimirescu), precum și punctele 35 și 36, care sunt reprezentarea unor intersecții de drumuri.

51

Page 60: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 6.2 Rețeaua de drumuri și nodurile introduse în programul REvaSim Sursa: conform Bunea et al. (2016c)

Rețeaua prezentată în Figura 6.2 s-a conceput având la bază coordonatele locațiilor, respectiv caracteristicile reale ale drumurilor existente în municipiul Iaşi, care fac legătura între punctele de interes. În cadrul programului, drumurile s-au repartizat pe 5 regiuni, în funcție de localizare. Regiunile au fost selectate ținând cont de poziția râului Bahlui, a spațiilor de cazare/ adăposturilor și a centrelor de spitalizare, precum și de delimitarea zonelor rezidențiale principale ale municipiului. De menționat este faptul că această repartizare este utilizată de program în scopul urmăririi mișcării agenților, iar poziția regiunilor aleasă de către utilizator nu influențează rezultatul final.

Simulări multiagent aplicate în zone rezidențiale ale municipiului Iaşi

În cadrul tezei de doctorat sunt prezentate rezultatele obținute în urma realizării a trei simulări multiagent de evacuare a populației, ca urmare a unui eveniment seismic major, cu ajutorul programului software REvaSim. Acestea urmăresc evaluarea mișcării agenților inteligenți, în diferite condiții, dependente de structura internă a agenților, respectiv de mediul în care aceștia se desfășoară. Mediul a fost proiectat sub formă de rețea și are la bază puncte importante din municipiul Iaşi, enumerate în Capitolul 6.2. Pentru efectuarea studiilor de caz considerate a fost necesară modificarea programului software REvaSim.

52

Page 61: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

6.3.1 Studiul de caz 1 - Evaluarea importanței a trei poduri importante amplasate pe râul Bahlui

Studiu de caz 1 urmărește evaluarea importanței celor trei poduri amplasate pe râul Bahlui, respectiv Podul Cantemir, Podu Roș și Podul Tudor Vladimirescu. În acest scop am realizat o serie de scenarii în cadrul cărora am considerat diverse combinații referitoare la accesibilitatea, respectiv inaccesibilitatea podurilor. Rețeaua generală de drumuri și noduri utilizată de agenți în vederea deplasării este prezentată în Figura 6.2. Pentru a evidenția impactul degradării unuia sau mai multor poduri asupra timpului de evacuare al populației, scenariile s-au axat doar pe evacuarea populației afectate aflate pe malul drept al râului Bahlui, reprezentând partea de sud a orașului, spațiile de cazare și spitalele fiind poziționate doar în partea de nord a municipiului. Tabelul 6.7 prezintă nodurile-destinație ale sistemului, reprezentate de 4 spitale și 10 spații de cazare, respectiv capacitățile asociate acestora.

Tabel 6.7 Destinațiile agenților în sistemul multiagent considerat Sursă: conform Bunea et al. (2016c), Bunea (2016e)

Tipul nodului Numărul nodului

Capacitate [persoane]

Total capacitate [persoane]

Destinație Spital

1 1180

2280 2 280 4 540 6 280

Destinație Spațiu de

cazare

7 840

16720

8 560 9 640

11 840 12 560 15 920 16 460 17 4640 18 3360 19 3900

În cadrul simulării participă un număr de 19000 de persoane, al căror punct de pornire îl reprezintă zonele vulnerabile seismic de pe malul drept al râului Bahlui (Bunea et al., 2016c). Această valoare este net superioară celei estimate inițial, aceasta din urmă fiind multiplicată de patru ori. Majorarea numărului de persoane a fost necesară pentru a reliefa impactul accesibilității/ inaccesibilității podurilor asupra mișcării cetățenilor. În cadrul studiilor au fost introduse date aproximative sau proporționale cu cele reale. Tabelul 6.8 prezintă nodurile rețelei considerate ca zone afectate, precum și repartizarea agenților în fiecare dintre acestea, în funcție de categoria din care fac parte.

53

Page 62: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 6.8 Nodurile-origine ale rețelei și categoriile de agenți Sursă: conform Bunea et al. (2016c), Bunea (2016e)

Numărul nodului

Pietoni Persoane cu acces la mașină

Răniți Total

20 2880 1160 560 4600 21 3520 1400 680 5600 22 2680 1040 480 4200 23 2880 1160 560 4600

Total 11960 4760 2280 19000

Agenții au fost organizați în grupuri de câte 10 indivizi. Viteza la care se consideră că o legătură rutieră este congestionată este de 10 km/h, iar segmentele de drum care ating această limită nu sunt tratate de către agenți ca inaccesibile sau blocate. De asemenea, un pas al simulării corespunde unui minut în realitate. Modul în care agenții își decid traseul este unul determinist, bazat pe compararea utilităților oferite de fiecare posibilitate în parte (Bunea et al., 2016c). Precum în cazul real, agenții nu cunosc situația tuturor drumurilor rețelei rutiere, ci doar poziția spațiilor de cazare, respectiv a spitalelor. De asemenea, ei nu dețin informații cu privire la disponibilitatea spațiilor de cazare/ spitalelor.

După cum a fost specificat anterior, în cadrul acestui studiu de caz am analizat diverse scenarii, în care se consideră că anumite poduri devin impracticabile ca urmare a unei acțiuni seismice majore. Podurile sunt menționate în cadrul studiului, în ordine, de la vest la est, conform Figurii 6.2, asociindu-se litera P cu situația în care podul este practicabil, cu o capacitate de 100%, respectiv I pentru cazul contrar, al impracticabilității, în care capacitatea este de 0%, podul fiind blocat. Spre exemplu, notația PPI semnifică faptul că primele două poduri sunt practicabile, în timp ce cel de-al treilea nu poate fi utilizat.

În primă instanță, am studiat situația inițială, în care toate cele trei poduri, precum și legăturile rutiere ale rețelei, sunt practicabile în proporție de 100%. Rezultatele sunt prezentate în Figura 6.5, în termeni de număr de agenți evacuați în raport cu timpul. Deoarece există o diferență semnificativă între numărul de agenți ce se deplasează cu ambulanțele, având spitalele ca obiectiv, și cei ce au ca destinație spațiile de cazare, s-a optat pentru analiza separată a acestor două categorii.

54

Page 63: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 6.5 Numărul de agenți evacuați în raport cu pașii simulării, pentru cazul PPP Sursă: adaptat după Bunea et al. (2016c)

Dat fiind numărul relativ mic de grupuri de persoane rănite, mai precis 228, în comparație cu grupurile celor cu acces la mașină sau ale agenților pedeștri, ce constituie un total de 1672 grupuri, timpul de evacuare al agenților răniți este mult mai scăzut. Aceștia din urmă reușesc să încheie procesul de evacuare în doar 77 de pași, în timp ce grupurile ce vizează un spațiu de cazare se evacuează în 438 de pași. În Figura 6.5 se poate observa un anumit decalaj la începutul simulării între evacuarea celor răniți și a celor ce au ca obiectiv un spațiu de cazare, cei din cea de-a doua categorie reușind să găsească un spațiu de cazare disponibil mai rapid. Acest rezultat este explicat de distanța existentă între zonele afectate și spitale, respectiv spațiile de cazare (Bunea et al., 2016c).

Acest studiu de caz cuprinde încă 6 scenarii, cu diferite combinații de disponibilitate/ impracticabilitate a podurilor. În acest context, Figura 6.6 prezintă rezultatele obținute pentru grupurile de agenți răniți ce intenționează să găsească un spital disponibil. Procesul de evacuare al tuturor grupurilor de agenți ce caută un spațiu de cazare este reprezentat în Figura 6.7. Rezultatele vor fi interpretate ulterior, după prezentarea statisticilor numerice realizate.

Figura 6.6 Evacuarea grupurilor de răniți Sursă: adaptat după Bunea et al. (2016c)

0200400600800

100012001400160018002000

1 31 61 91 121 151 181 211 241 271 301 331 361 391 421

Num

ărul

de

grup

uri e

vacu

ate

Pasul simulării

Adăpost

Spital

Total

0

50

100

150

200

250

1 11 21 31 41 51 61 71 81 91 101111121131141151

Num

ărul

de

grup

uri d

e ră

niți

Pasul simulării

Spital-PPP

Spital-IPP

Spital-PIP

Spital-PPI

Spital-PII

Spital-IPI

Spital-IIP

55

Page 64: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 6.7 Evacuarea agenților ce au ca destinație spații de cazare Sursă: adaptat după Bunea et al. (2016c)

În cazul evacuării unui număr mare de persoane, există probabilitatea ca la finalul procesului de evacuare să existe un singur individ sau un număr foarte mic de indivizi, care să prelungească semnificativ timpul total de evacuare. Pentru a evita această situație, statistica numerică realizată și prezentată în Tabelul 6.9 include și rezultatele pentru o evacuare de 90% a populației (Bunea et al., 2016c). De asemenea, valorile minime ale timpilor de evacuare, în minute, obținute pentru fiecare scenariu sunt marcate cu negru în Tabelul 6.9, iar cele maxime – cu roșu.

Tabel 6.9 Statistica evacuării în Studiul de caz 1 Sursă: conform Bunea et al. (2016c)

PPP IPP PIP PPI PII IPI IIP

90% răniți ajung la spital 71 57 60 58 48 135 93

100% răniți ajung la spital 77 59 66 64 54 141 98

90% agenți ajung la spațiul de cazare 434 434 438 444 439 434 409

100% agenți ajung la spațiul de cazare 438 438 441 448 444 438 416

Plecarea minimă 1 1 1 1 1 1 1 Plecarea maximă 21 21 21 20 21 21 77 Plecarea medie 2.791 2.791 3.055 2.904 3.026 2.946 4.969 Sosirea minimă 4 3 4 4 4 3 4 Sosirea maximă 438 438 441 448 444 438 416 Sosirea medie 204.441 204.253 207.794 211.08 208.058 206.769 204.588

Rezultatele prezentate în Tabelul 6.9, respectiv Figurile 6.6 și 6.7 relevă faptul că scenariul în care toate podurile sunt la capacitate completă nu este cel mai favorabil. În cazul

0

200

400

600

800

1000

1200

1400

1600

1800

1 31 61 91 121151181211241271301331361391421

Gru

puri

de p

erso

ane

evac

uate

tre sp

ații

de c

azar

e

Pasul simulării

Adăpost-PPPAdăpost-IPP

Adăpost-PIP

Adăpost-PPI

Adăpost-PII

Adăpost-IPI

56

Page 65: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

agenților ce au ca destinație finală un spațiu de cazare, ultimul scenariu este cel în care se obține cel mai redus timp de evacuare, deși există un singur pod funcțional. Din analizele efectuate a rezultat că există anumite avantaje pe care le oferă blocarea primelor două poduri. În primul rând, se obține o mișcare mai ordonată a agenților în primă fază, până la sosirea lor în nodul 33, corespunzător intrării pe podul din zona rezidențială Tudor Vladimirescu. În acest fel se evită apariția ulterioară a ambuteiajelor pe segmentele de drum paralele cu râul Bahlui și pe cele adiacente cu acestea, aflate în partea de nord a rețelei din Figura 6.2.

În contrast, în scenariul PPI probabilitatea de ambuteiaj este mai mare pe ambele maluri ale râului Bahlui, având în vedere distanța relativ mică dintre primele două poduri și a drumurilor cu capacitate redusă. În lipsa informațiilor referitoare la starea spațiilor de cazare, toți agenții vor opta pentru nodul 18 ca obiectiv inițial. Această decizie conduce la alegerea aceluiași segment de drum, respectiv 32 – 18, motiv pentru care, pe această secțiune, probabilitatea de congestie este ridicată, rezultând astfel un timp de evacuare superior, conform Tabelului 6.9. Amplasamentul podurilor funcționale este important, fapt demonstrat de rezultatele obținute în scenariile PPI, respectiv IPP. Comparând aceste două scenarii, se observă importanța capacității drumurilor din partea de sud a orașului Iaşi asupra timpului de evacuare. Astfel, deși în ambele cazuri există două poduri funcționale, în scenariul IPP agenții trebuie să folosească drumuri cu o capacitate superioară celor folosite în PPI, reducându-se probabilitatea de congestie și micșorându-se, în consecință, perioada de evacuare.

Comparând rezultatele scenariilor PPP și IIP, se remarcă faptul că diferența obținută este dată de evacuarea mai rapidă a agenților cu acces la mașină în primul caz, rezultatele privind sosirea medie și maximă a mașinilor și a pietonilor fiind prezentate în Tabelul 6.10. În această situație, agenții pedeștri sunt obligați să parcurgă distanțe mai mari pentru a găsi un spațiu de cazare disponibil. Așadar, viteza scăzută a pietonilor, lipsa de informații privind disponibilitatea spațiilor de cazare și ocuparea rapidă a acestora de către agenții cu acces la mașină au ca rezultat creșterea semnificativă a perioadei generale de evacuare.

Tabel 6.10 Statistica sosirii agenților, în funcție de modul de deplasare

Modul de deplasare

PPP IPP PIP PPI PII IPI IIP Sosirea medie [min]

Mașini 18.045 17.538 20.817 19.494 19.105 24.115 103.395 Pedestru 314.159 314.159 317.855 323.853 319.281 314.284 264.154 Total 204.441 204.253 207.794 211.08 208.058 206.769 204.588 Sosirea maximă [min] Mașini 77 59 66 67 59 141 250 Pedestru 438 438 441 448 444 438 416 Total 438 438 441 448 444 438 416

57

Page 66: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

În urma analizelor efectuate atât pe mișcarea agenților ce au ca destinație spațiile de cazare, cât și pe cea a agenților răniți, se poate propune o soluție de compromis care să ofere un timp optim de evacuare pentru ambele tipuri de grupuri. Aceasta este reprezentată de scenariul IPP, în cazul căruia se obține și cea mai mică perioada medie de evacuare, respectiv 204.253 min.

Acest studiu de caz evidențiază importanța și utilitatea simulărilor virtuale în etapa de pre-seism. Cunoscând impactul funcționalității podurilor asupra mișcării maselor de persoane, pot fi realizate planuri realiste de management al situațiilor de urgență de către autoritățile competente, care, în cazuri post-seism, devin vitale.

6.3.2 Studiul de caz 2 - Impactul blocării drumurilor congestionate

Cel de-al doilea studiu de caz preia elementele primului, cu excepția opțiunii referitoare la drumurile congestionate. Dacă în primul studiu de caz, acestea s-au considerat practicabile, în scenariile prezentate în acest subcapitol ele sunt socotite de către agenți ca fiind blocate, aceștia fiind nevoiți să calculeze un alt traseu (Bunea, 2016e). Deși evitarea ambuteiajelor ar putea fi considerată o alegere optimă în procesul de evacuare, aceasta se dovedește a fi contraproductivă. Trebuie menționat faptul că ambuteiajele fac referire doar la mașinile existente în rețeaua virtuală, viteza redusă a pietonilor scăzând probabilitatea de congestie. Viteza mare a mașinilor are ca efect creșterea probabilității de congestie.

Mișcarea agenților cu acces la mașină este îmbunătățită în cazul în care segmentele de drum congestionate sunt blocate, ei reușind să se evacueze într-un mai timp mai redus decât cel obținut în Studiul de caz 1, pentru toate scenariile realizate. Rezultatele privind perioadele de evacuare pentru agenții ce se deplasează cu mașina, în cazul considerării drumurilor congestionate ca blocate, sunt prezentate în Figura 6.8. Interzicerea accesului pe legăturile congestionate forțează agenții să caute alt traseu, crescând probabilitatea de a găsi mai rapid un adăpost (Bunea, 2016e).

Figura 6.8 Variația perioadei medii de evacuare a mașinilor în funcție de scenariu Sursa: conform Bunea (2016e)

0

20

40

60

80

100

120

PPP IPP PIP PPI PII IPI IIP

Perio

ada

med

ie d

e ev

acua

re[m

in]

ScenariulStudiul de caz 1 Studiul de caz 2

58

Page 67: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Totuși, evacuarea rapidă a mașinilor poate avea efecte negative asupra mișcării pietonilor. Aceștia din urmă, în funcție de scenariu, pot fi obligați să parcurgă un traseu mai lung, deoarece spațiile de cazare aflate în apropiere sunt ocupate imediat de către agenții cu acces la mașină. În această situație, viteza scăzută a pietonilor în raport cu cea a mașinilor conduce, automat, la o evacuare mai lentă față de cea obținută în Studiul de caz 1 (Bunea, 2016e). Figura 6.10 ilustrează variația pentru perioada de evacuare medie a agenților pedeștri în cazul în care legăturile congestionate sunt evitate.

Figura 6.10 Variația perioadei medii de evacuare a pietonilor în funcție de scenariu Sursa: conform Bunea (2016e)

Considerând variația perioadei maxime de evacuare există doar două cazuri în care se înregistrează o evacuare mai rapidă a pietonilor în comparație cu Studiul de caz 1, și anume scenariile PPI, respectiv IIP. În cazul variației perioadei medii de evacuare, conform Figurii 6.10, o evacuare mai rapidă se înregistrează și în scenariul PPP. Astfel, în scenariul PPI, care s-a dovedit a fi cel mai dezavantajos în primul studiu de caz, mișcarea agenților se îmbunătățește semnificativ (Bunea et al., 2016c). Totuși, luând în considerare comparațiile realizate în Figurile 6.10 și 6.12, se poate afirma că blocarea drumurilor congestionate nu este o opțiune avantajoasă pentru evacuarea generală a agenților. Figura 6.12 ilustrează grafic rezultatele pentru perioada medie de evacuare a tuturor agenților din sistem.

Figura 6.12 Variația perioadei medii de evacuare a tuturor agenților în funcție de scenariu

100

150

200

250

300

350

400

PPP IPP PIP PPI PII IPI IIPPerio

ada

med

ie d

e ev

acua

re[m

in]

ScenariulStudiul de caz 1 Studiul de caz 2

100

130

160

190

220

250

280

PPP IPP PIP PPI PII IPI IIP

Perio

ada

med

ie d

e ev

acua

re[m

in]

ScenariulStudiul de caz 1 Studiul de caz 2

59

Page 68: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

6.3.3 Studiul de caz 3 - Influența deschiderii parțiale a podurilor avariate pentru pietoni asupra evacuării

În anumite situații post-seism, în care podurile au fost afectate, dar nu distruse complet, autoritățile propun restricționarea doar a accesului mașinilor. Așadar, în acest studiu de caz, capacitatea în stare de avarie a podurilor impracticabile este considerată 0% pentru mașini și 50% pentru pietoni, din capacitatea nominală (Bunea, 2016e). În urma analizelor am observat că diferențe de valori între studiul de caz curent și cel inițial, în termeni de sosire medie/ maximă, apar doar în cazul scenariilor PIP, PII și IIP, această comparație fiind prezentată în Tabelul 6.11.

Tabel 6.11 Perioada medie/ maximă de evacuare a agenților. Studiul de caz 1 vs. Studiul de caz 3 Sursa: conform Bunea (2016e)

PIP PII IIP Sosirea

Deplasare Medie [min]

Maximă [min]

Medie [min]

Maximă [min]

Medie [min]

Maximă [min]

Studiul de caz 1 Mașină 20.817 66 19.105 59 103.395 250 Pedestru 317.855 441 319.281 444 264.154 416 Total 207.794 441 208.058 444 204.588 416 Studiul de caz 3 Mașină 20.817 66 19.131 63 108.697 260 Pedestru 314.279 438 314.212 438 246.38 406 Total 205.544 438 204.877 438 195.365 406

În studiul de caz curent am obținut valori inferioare ale perioadei totale de evacuare, în comparație cu Studiul de caz 1, în care accesul pe podurile avariate este restricționat pentru toate categoriile de agenți. Cu toate acestea, se observă creșterea timpului de evacuare pentru agenții ce se deplasează cu mașina. Acest rezultat este echilibrat de scăderea semnificativă a perioadei de evacuare pentru agenții pedeștri. În studiul de caz curent, o parte dintre agenții pedeștri reușesc să ajungă la destinație înaintea agenților ce se deplasează cu mașina, crescând astfel probabilitatea ca cei din urmă să nu găsească un adăpost disponibil și să fie nevoiți să își reconsidere itinerariul (Bunea, 2016e).

Diferențele între studii s-au obținut doar pentru scenariile în care cel de-al doilea pod, mai precis Podu Roș, nu este accesibil mașinilor. De asemenea, în cazul scenariului IPI, deși există doar un singur pod disponibil pentru mașini, nu au fost obținute diferențe de valori între primul și cel de-al treilea studiu de caz. Pentru grupurile de persoane din nodurile 20, 21 și 23 traseul inițial ce le oferă utilitatea maximă este cel în care se utilizează cel de-al doilea pod pentru traversarea râului Bahlui. Astfel, spre deosebire de primul studiu de caz în care pietonii sunt obligați să folosească trasee mai lungi din cauza blocajelor, în cel curent aceștia au posibilitatea de a-și alege itinerariul optim, ce conține segmentul de drum 31 – 32. Acesta este

60

Page 69: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

principalul motiv pentru care se înregistrează diferențe de valori doar atunci când podul din Podu Roș devine deschis pietonilor. Deși capacitatea în condiții de avarie pentru pietoni este de doar 50%, aceasta este suficientă pentru a le oferi un avantaj în fața agenților cu acces la mașină (Bunea, 2016e).

6.3.4 Studiul de caz 4 - Influența gradului de informare a populației asupra evacuării

Cu scopul de a realiza scenarii de evacuare post-seism, în care agenții, cu o anumită probabilitate, să poată obține informații legate de obiectivul lor curent, a fost necesară modificarea programului REvaSim. Astfel, a fost inclusă în program valoarea probabilității cu care un agent, odată ajuns într-un nod, obține informații actualizate despre destinația vizată. În acest context, modul agentului de luare a deciziilor se schimbă semnificativ. În situația în care agentul este informat că nodul vizat este indisponibil, acesta își modifică ruta, alegând următoarea destinație care îi oferă cea mai mare utilitate. În acest mod, eficiența procesului de evacuare crește odată cu majorarea probabilității de informare considerate (Bunea et al., 2016d). În scopul analizei impactului informației asupra timpului de evacuare al agenților, respectiv asupra mișcării acestora în mediul sistemului multiagent, a fost luată ca bază de studiu partea de nord a municipiului Iaşi, după cum este reprezentat în Figura 6.13.

Figura 6.13 Rețeaua de drumuri și nodurile zonei studiate – Studiul de caz 4 Sursa: conform Bunea et al. (2016d)

Scenariile realizate în acest studiu de caz consideră că nodul 35 din Figura 6.13, ce reprezintă o intersecție importantă a municipiului Iaşi, este afectat ca urmare a producerii unui eveniment seismic major. Studiul consideră patru scenarii principale. Într-o primă etapă am analizat mișcarea agenților în cazul în care capacitatea legăturilor rutiere este maximă - scenariul Complet operațional. Apoi, această capacitate este redusă la 5% din capacitatea inițială pentru drumurile adiacente nodului 35 din Figura 6.13. Acest ultim scenariu este analizat în două situații, pentru a se evidenția impactul pe care îl are cunoașterea de către agenți

61

Page 70: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

a drumurilor congestionate. Astfel, drumurile congestionate sunt tratate, pe rând, de către agenți ca fiind accesibile, conturându-se scenariul Parțial operațional I, respectiv inaccesibile sau blocate - scenariul Parțial operațional II. În cadrul ultimului scenariu - Blocat, legăturile rutiere adiacente nodului 35 din Figura 6.13 sunt blocate, utilizarea acestora de către agenți nefiind posibilă (Bunea et al., 2016d).

În cadrul simulărilor sunt evacuate 7000 de persoane, distribuite în cele 5 zone vulnerabile ilustrate în Figura 6.13. Persoanele evacuate au ca scop găsirea unui loc disponibil în cele 9 spații de cazare, cu o capacitate de cazare de 6200 de persoane, sau în cele 4 spitale, cu o capacitate de 800 de paturi (Bunea et al., 2016d). Distribuția populației pe zone afectate, respectiv a locurilor de cazare sau de spitalizare este prezentată în Tabelele 6.12 și 6.13. Este de menționat că valorile asociate numărului de persoane evacuate, introduse în program în acest studiu de caz, reprezintă o aproximație a celor reale, calcul realizat pe baza numărului de etaje al imobilelor, respectiv a numărului mediu de locatari corespunzător unui apartament.

Tabel 6.12 Nodurile-origine ale rețelei și categoriile de agenți

Numărul nodului

Numărul de pietoni

Numărul de persoane cu acces la mașină

Numărul de răniți Total

24 1400 600 200 2200 25 400 200 100 700 26 1600 700 300 2600 27 500 200 100 800 28 400 200 100 700

Total 4300 1900 800 7000

Tabel 6.23 Destinațiile agenților în SMA considerat și capacitatea acestora

Tipul nodului Numărul nodului

Capacitate [persoane]

Total capacitate [persoane]

Destinație Spital

1 400

800 2 100 4 200 6 100

Destinație Spațiu de

cazare

7 400

6200

8 300 9 400

11 400 12 100 15 300 16 200 17 2300 19 1800

62

Page 71: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

După cum se poate observa în Tabelul 6.13, persoanele din regiunile afectate au trei posibilități de deplasare: pedestră, cu mașina personală sau cu ambulanțele, în cazul răniților. Simularea realizată este de tip mesoscopic, persoanele fiind împărțite în grupuri de cate 100 de indivizi. Fiecare grup reprezintă un agent din sistem (Bunea et al., 2016d).

Cu scopul de a evalua influența cunoașterii de către agenți a disponibilității destinației vizate, au fost considerate cinci nivele de probabilitate cu care agenții își pot modifica opțiunile inițiale: 0%, 25%, 50%, 75% și 100% (Bunea et al., 2016d). Pentru fiecare din cele patru scenarii descrise anterior a fost calculat timpul mediu și total de evacuare, considerând aceste probabilități de primire a informației. Opțiunea de a schimba traseul inițial se activează doar în condițiile în care spațiul de cazare sau spitalul vizat este indisponibil. Pentru probabilitățile 0%, respectiv 100%, scenariile sunt deterministe, acestea reprezentând valorile extreme. În cazul celorlalte valori ale probabilităților, respectiv 25%, 50% și 75%, scenariile devin stocastice, fiind necesară realizarea de multiple simulări, rezultatele obținute variind de la simulare la simulare. În acest context, am realizat 20 de simulări pentru fiecare caz în parte, cu scopul de a obține rezultate valabile din punct de vedere statistic (Bunea et al., 2016d).

Pentru a evidenția mai bine comportamentul agenților într-un scenariu post-seism, luând în calcul elementele introduse în sistem, s-a optat pentru prezentarea separată a rezultatelor obținute pentru agenții pedeștri, respectiv pentru cei ce au acces la mașină.

a) Evacuarea persoanelor cu acces la mașină În această categorie sunt incluse atât persoanele cu acces la mașina personală, cât și

răniții, care sunt transportați cu ambulanțele la spital. A fost necesară separarea acestor tipuri de agenți de cei pedeștri din cauza perioadei reduse de evacuare și a comportamentului diferit, cauzat de viteza ridicată (Bunea et al., 2016d).

O primă analiză a constat în evaluarea variației timpului mediu de evacuare pentru fiecare probabilitate de primire a informațiilor referitoare la disponibilitatea destinațiilor curente, considerând cele patru scenarii descrise anterior. Rezultatele au fost organizate într-un grafic prezentat în Figura 6.14. Valorile probabilităților de primire a informației actualizate au fost introduse în programul software REvaSim în valoare absolută, nu procentuală, având valorile 0, 0.25, 0.50, 0.75 și 1, corespunzătoare probabilităților de 0%, 25%, 50%, 75% si 100%.

63

Page 72: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Figura 6.14 Perioada medie de evacuare în raport cu probabilitatea de a primi informații actualizate despre destinațiile vizate, pentru agenții cu acces la mașină

Sursa: conform Bunea et al. (2016d)

Forma graficului obținut în urma analizelor efectuate, conform Figurii 6.14, este asemănătoare cu cea a unei funcții exponențiale negative, tendința generală fiind de scădere a timpului de evacuare odată cu creșterea gradului de informare al agenților în cadrul sistemului. Analizând graficul obținut se observă că pentru probabilitățile 0%, respectiv 100%, cu excepția scenariului Blocat, perioada de evacuare a agenților este aceeași. Acest fapt poate fi explicat de viteza mare a mașinilor, în cazul pietonilor diferențele pentru aceste probabilități fiind mai evidente. Pentru intervalul (0,1) eterogenitatea sistemului în privința obținerii de informații actualizate referitoare la disponibilitatea spațiilor de cazare conduce la apariția unor diferențe între rezultatele simulării scenariilor (Bunea et al., 2016d).

Figura 6.14 evidențiază clar că cel mai dezavantajos scenariu este cel în care drumurile adiacente nodului 35 sunt blocate. Diferența relativ mare de valori este explicată și de faptul că nodul 35 reprezintă o intersecție importantă în care se întâlnesc drumuri ce au capacități superioare celorlalte. Pe de altă parte, în cazul scenariilor Complet operațional, Parțial operațional I și Parțial operațional II, deși există diferențe pe intervalul (0,1), acestea sunt mici, în special pe domeniul de probabilități (0,0.25). Așadar, rezultă importanța informării populației asupra disponibilității spațiilor de cazare. În cazul în care persoanele nu primesc acest tip de date, mișcarea lor devine una oarecum haotică, deși este bazată pe utilitatea oferită de legăturile rutiere. În aceste cazuri, funcționalitatea drumurilor trece pe plan secund.

În intervalul (0.25,1) diferența între rezultatele fiecărui scenariu în parte este mai vizibilă, dar rămâne destul de redusă. În cazul probabilității de informare a agenților de 75% am obținut o majorare a timpului de evacuare pentru scenariul Parțial operațional II față de Parțial operațional I, deși considerarea drumurilor congestionate ca blocate ar fi trebuit să reducă perioada de evacuare, prin evitarea ambuteiajelor. Această situație ar fi plauzibilă în contextul

2.803.003.203.403.603.804.004.204.40

0.00 0.25 0.50 0.75 1.00Perio

ada

med

ie d

e ev

acua

re[m

in]

Probabilitatea de primire a informației actualizate [x100%]

Complet operațional Parțial operațional I

Parțial operațional II Blocat

64

Page 73: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

în care drumul este decongestionat relativ rapid. Acest rezultat contrar așteptărilor poate fi explicat, de asemenea, și de metoda probabilistă utilizată. Având în vedere diferența mică de aproximativ 2%, autorul consideră că în urma realizării unui număr mai mare de simulări, acest rezultat s-ar putea schimba cu ușurință, obținându-se probabil un timp de evacuare mai scăzut pentru scenariul Parțial operațional II în comparație cu Parțial operațional I (Bunea et al., 2016d).

b) Evacuarea pietonilor Având în vedere viteza scăzută de numai 6 km/h, respectiv numărul mai mare de agenți

pedeștri, în cazul evacuării acestora se evidențiază mai bine influența cantității de informație asupra mișcării entităților. Deoarece agenții cu acces la mașină finalizează procesul de evacuare într-un timp scurt, probabilitatea ca pietonii să găsească rapid un spațiu de cazare disponibil scade semnificativ, în special în cazul entităților care nu primesc date referitoare la disponibilitatea obiectivelor vizate (Bunea et al., 2016d).

Figura 6.16 ilustrează variația perioadei medii de evacuare a pietonilor, pentru fiecare scenariu în parte, în raport cu probabilitatea de informare a agenților despre starea spațiilor de cazare vizate.

Figura 6.16 Perioada medie de evacuare în raport cu probabilitatea de a primi informații actualizate despre destinațiile vizate, pentru agenții pedeștri

Sursa: conform Bunea et al. (2016d) În urma analizelor s-a obținut o tendință de creștere a perioadei de evacuare odată cu

gradul de informare al agenților pentru scenariul Parțial operațional I, conform Figurii 6.16. Explicația este apariția congestiei sau blocajului în nodul 35, cauzată de scăderea capacității drumurilor adiacente la 5% din cea inițială.

Din analizele realizate asupra rezultatelor am constatat că majorarea timpului odată cu obținerea de informații este cauzată, în principal, de agenții din nodul 26, în care se găsește cel mai mare număr de entități din sistem, mai precis 16 grupuri. În contrast cu scenariul Parțial operațional I 0% în care există două legături rutiere cu un grad de congestie ridicat, mai precis

4550556065707580859095

100

0.00 0.25 0.50 0.75 1.00Perio

ada

med

ie d

e ev

acua

re[m

in]

Probabilitatea de primire a informației actualizate [x100%]

Complet operațional Parțial operațional I

Parțial operațional II Blocat

65

Page 74: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

drumurile 35 – 1 și 27 – 35, în cazul Parțial operațional 100% s-au înregistrat 4 drumuri congestionate, și anume 35 – 1, 1 – 35, 35 – 16 și 27 – 35. Se observă că toate aceste legături rutiere au ca punct comun nodul 35. În momentul în care toți agenții din sistem primesc informații actualizate cu privire la spațiile de cazare vizate, cei blocați pe drumurile congestionate riscă să piardă cu mai multă ușurință locul ales ca obiectiv, deși acesta a fost verificat inițial. În cazul neinformării agenților, aceștia pot alege ca destinații spații de cazare indisponibile, oferindu-le un timp suplimentar celor aflați pe drumuri congestionate, dar care au selectat destinații viabile, să finalizeze procesul de evacuare.

c) Comportamentul general al sistemului Figura 6.20 ilustrează comportamentul general al întregului sistem prin considerarea

perioadei medii de evacuare. Aspectul graficului este similar cu cel obținut în Figura 6.16, în cazul pietonilor, dar luarea în considerare în calculul mediei a timpilor efectuați de către agenții cu acces la mașină conduce la reducerea valorilor.

Figura 6.18 Perioada medie de evacuare în raport cu probabilitatea de a primi informații actualizate despre destinațiile vizate, în evacuarea generală

Sursa: conform Bunea et al. (2016d)

6.3.5 Studiul de caz 5 - Influența mărimii grupului asupra rezultatelor finale

Ultimul studiu de caz analizează influența reducerii mărimii grupului la nivelul unei simulări microscopice. Astfel, agentul inteligent are în componență o singură persoană a cărei scop final este evacuarea (Bunea, 2016e). În scopul analizei a fost considerat Studiul de caz 1 ca studiu de bază. Așadar, toate elementele, respectiv valorile numerice introduse în cadrul acestuia au fost preluate în Studiul de caz 5, cu excepția mărimii grupului, care a fost redus de la 10 indivizi la 1 individ (Bunea, 2016e). Tabelul 6.14 centralizează datele generale referitoare la sosirea maximă și medie obținute în cele două studii de caz, precum și diferența între aceste valori. Valorile minime ale sosirii maxime din Tabelul 6.14 au fost accentuate cu negru, iar cele maxime cu roșu.

3035404550556065

0.00 0.25 0.50 0.75 1.00

Perio

ada

med

ie d

e ev

acua

re[m

in]

Probabilitatea de primire a informației actualizate [x100%]Complet operațional Parțial operațional IParțial operațional II Blocat

66

Page 75: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 6.14 Abaterea valorilor sosirii maxime și medii din Studiul de caz 5, în raport cu Studiul de caz 1

Sursa: conform Bunea (2016e) Sosirea [min]

PPP IPP PIP PPI PII IPI IIP Studiul de caz 1

Maximă 438 438 441 448 444 438 416 Medie 204.441 204.253 207.794 211.08 208.058 206.769 204.588 Studiul de caz 5 Maximă 438 459 441 438 442 438 412 Medie 204.221 217.366 208.392 204.669 207.253 204.772 203.903 Abatere [%] Maximă 0 4.7945205 0 -2.2321429 -0.4504505 0 -0.9615385 Medie -0.107611 6.4199791 0.2877850 -3.0372371 -0.3869113 -0.965812 -0.3348192

Diferențele de valori existente între cele două studii de caz, atât pentru valoarea medie a sosirii, cât și pentru cea maximă, sunt relativ mici, oscilând în intervalul (0,1) %, cu excepția a două scenarii, respectiv IPP și PPI. În plus, analizând Tabelul 6.14 se observă că scenariul optim din punct de vedere al timpului maxim de evacuare, corespunzător Studiului de caz 5 este echivalent cu cel obținut în Studiul de caz 1, mai precis IIP (Bunea, 2016e).

Singura diferență majoră este modificarea celui mai defavorabil scenariu. Astfel, rezultatele Studiului de caz 5 indică cel mai defavorabil scenariu ca fiind IPP, spre deosebire de PPI obținut în Studiul de caz 1. De asemenea, acestea sunt scenariile pentru care diferențele înregistrate între cele două studii de caz sunt importante, abaterile fiind în intervalul ±(2,7)%. În ambele situații se remarcă disponibilitatea celui de-al doilea pod, care se află pe traseul optim al agenților, după cum a fost evidențiat în Capitolul 6.3.3, precum și impracticabilitatea unui singur pod. Practic, aceste două scenarii sunt similare, iar rocada apărută în urma modificării numărului de indivizi dintr-un grup poate fi explicată de densitatea diferită a agenților în sistem (Bunea, 2016e).

Luând în considerare că în cadrul simulării participă două tipuri de agenți, respectiv pietonii și agenții cu acces la mașină, este necesară și analiza separată a rezultatelor pentru aceste categorii. Tabelul 6.15 compară valorile perioadei maxime de evacuare, în minute, obținute în Studiul de caz 5 cu cele din Studiul de caz 1, pe categorii.

67

Page 76: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Tabel 6.15 Comparație privind perioadele maxime de evacuare din Studiul de caz 1 și Studiul de caz 5, funcție de modul de deplasare

Modul de deplasare

PPP IPP PIP PPI PII IPI IIP Studiul de caz 1

Mașină 77 59 66 67 59 141 250 Pedestru 438 438 441 448 444 438 416

Total 438 438 441 448 444 438 416 Studiul de caz 5

Mașină 59 83 87 67 56 68 249 Pedestru 438 459 441 438 442 438 412

Total 438 459 441 438 442 438 412 Abatere [%]

Mașină -23.3766 40.67797 31.81818 0 -5.08475 -51.773 -0.4 Pedestru 0 4.794521 0 -2.23214 -0.45045 0 -0.96154

Total 0 4.794521 0 -2.23214 -0.45045 0 -0.96154

Conform Tabelului 6.15, diferențele rezultatelor între Studiul de caz 1 și 5 se amplifică, în special, în cazul agenților care se deplasează cu mașina, acestea ajungând și la peste 50% din valoarea inițială. Deși aceste diferențe sunt relativ mari, ele nu influențează rezultatul final al simulărilor din cauza vitezei ridicate de deplasare, aceștia finalizând evacuarea mult înaintea agenților pedeștri. Reducerea numărului de indivizi dintr-un grup are ca efect creșterea gradului de complexitate al sistemului, care, împreună cu viteza mare a agenților și structura complicată a mediului, conduce la o predictibilitate mai scăzută a mișcării entităților. În ambele cazuri, scenariul căruia i se asociază valoarea maximă a perioadei maxime de evacuare a mașinilor nu se schimbă, acesta fiind IIP. De asemenea, și valoarea minimă a perioadei maxime de evacuare a mașinilor rămâne nemodificată, aceasta fiind asociată scenariului PII.

Rezultatele cercetărilor și concluziile simulărilor multiagent În cadrul acestui capitol am efectuat o serie de simulări multiagent ce au ca obiectiv

analiza deplasării persoanelor din anumite zone rezidențiale vulnerabile seismic ale municipiului Iaşi în prima fază post-seism. Simulările s-au efectuat cu ajutorul programului REvaSim, dezvoltat în colectiv în cadrul ROADERS (Teo et al. 2015, http://florinleon.byethost24.com/mcserm/en/roaders.htm). Rezultatele pot reprezenta un ghid în conturarea unui plan de evacuare a populației din zonele cu potențial ridicat de vulnerabilitate. Concluziile specifice fiecărui studiu de caz analizat sunt prezentate în paragrafele următoare:

• Studiul de caz 1 reprezintă punctul de pornire al analizei, în care cetățenii din partea de sud a orașului decid să găsească adăpost sau spital în partea de nord. Am constatat că disponibilitatea tuturor podurilor la capacitate maximă, în scenariul PPP, nu este o alegere optimă în situații post-seism. În acest context, cele mai bune rezultate s-au obținut pentru

68

Page 77: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

scenariul IIP, în care mișcarea mașinilor este încetinită, situație de care profită o parte dintre agenții pedeștri, care reușesc să ocupe primii spațiile de cazare aflate în vecinătate, în ciuda vitezei reduse.

• Studiul de caz 2 evidențiază că tratarea drumurilor congestionate ca blocate nu reprezintă în toate cazurile un avantaj. Eliminând timpul de așteptare al agenților cu acces la mașină, există posibilitatea creșterii perioadei de evacuare a agenților pedeștri, în funcție de poziționarea podurilor nefuncționale.

• Studiul de caz 3 separă cele trei categorii principale de agenți, respectiv răniții, agenții pedeștri și agenții ce utilizează mașina personală, luând în considerare posibilitatea lor de a traversa un pod avariat. Astfel, am decis ca, în cadrul simulărilor, agenților pedeștri să li se aprobe accesul pe podurile avariate, în proporție de 50% din capacitatea nominală. Rezultatele au evidențiat importanța celui de-al doilea pod în evacuarea populației, pentru trei dintre cele patru regiuni afectate. Permiterea traversării podurilor avariate de către pietoni s-a dovedit a fi favorabilă.

• Studiul de caz 4 se axează doar pe zona de nord a municipiului, mai precis pe legăturile rutiere adiacente nodului 35. A fost introdusă în programul software REvaSim opțiunea de selectare a probabilității de obținere a informațiilor de către agenți. Aceste informații fac referire la starea capacității spațiilor de cazare, respectiv a spitalelor vizate, acestea fiind semnalate ca disponibile sau indisponibile. Tendința de scădere a perioadei de evacuare odată cu creșterea gradului de informare s-a obținut pentru toate scenariile studiate, cu excepția celui ce are în vedere evacuarea pietonilor și în care capacitatea drumurilor adiacente nodului 35 este redusă la 5% din cea nominală, corespunzător scenariului Parțial operațional I. Cel de-al doilea pod, respectiv Podu Roș, reprezintă un element prioritar, potrivit analizelor efectuate, și necesită atât o investigare amănunțită, precum și o monitorizare specializată, pentru a verifica rezistența acestuia sub acțiunea seismică.

• În Studiul de caz 5 am realizat o analiză asupra modificării numărului de indivizi asociat unui agent inteligent din cadrul sistemului. Astfel, am luat Studiul de caz 1 ca referință și am efectuat o analiză microscopică, din punct de vedere al mărimii grupului. În urma acesteia am observat diferențe relativ mici, la nivel general, între rezultatele Studiului de caz 1 și cele ale Studiului de caz 5. Luând în considerare diferența relativ mică dintre rezultatele celor două tipuri de simulări, dar și durata de rulare, rezultă că simularea mesoscopică este preferabilă în analiza evacuării maselor dintr-o zonă urbană.

Aceste rezultate au relevat aplicabilitatea sistemelor multiagent în întocmirea unor reguli pentru planul de management al situațiilor de urgență, care să permită evacuarea rapidă și în siguranță a populației, într-o situație imediat post-seism. Analiza amănunțită a rezultatelor SMA și stabilirea ulterior a unor reguli de cuantificare ale acestora astfel încât valoarea rezilienței seismice a zonei studiate să poată fi obținută, conduce la oportunitatea de a evalua

69

Page 78: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

judicios impactul unui eveniment seismic și apoi de a monitoriza variația acestuia în funcție de modificările efectuate în infrastructura zonei, respectiv în modul de organizare al evacuării.

70

Page 79: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 7

7. Concluzii generale ale cercetării doctorale. Contribuții personale. Valorificarea și diseminarea rezultatelor

cercetărilor

Concluzii generale ale cercetării doctorale

Cercetările realizate în cadrul programului meu de studii doctorale și prezentate în această teză de doctorat au condus la următoarele concluzii:

• Există încă discuții referitoare la maniera în care conceptul de reziliență seismică poate fi cuantificat, deși interesul pentru acesta a crescut substanțial în ultimul deceniu. Modelele de cuantificare propuse până la momentul actual nu sunt utilizate încă pe scară largă, unul dintre motivele principale fiind atât cantitatea mare de informații necesară în calcul rezilienței, cât și dificultatea de a obține datele în unele cazuri. În acest context, inteligența artificială poate facilita obținerea anumitor indicatori specifici rezilienței seismice.

• Sistemul multiagent SMA, potrivit studiului documentar prezentat în teza mea de doctorat, reprezintă o metodă frecvent utilizată de către cercetători, în ultima perioadă, pentru a analiza mișcarea maselor de persoane în situația producerii unui eveniment distructiv. În analiza evacuării locuitorilor unei zone urbane ca urmare a producerii unui eveniment seismic major, SMA oferă avantaje de ordin economic și temporal, în comparație cu simulările reale. În vederea realizării unui plan de management al situațiilor de urgență, SMA poate fi folosit în detectarea posibilelor zone în care pot apărea blocaje în trafic, în timpul procesului de evacuare. De asemenea, utilizând SMA se pot obține o serie de indicatori ai rezilienței seismice, care pot fi folosiți ulterior în cuantificarea conceptului.

• În urma studiului documentar realizat cu privire la modul în care rețelele neuronale artificiale RNA pot fi utilizate în ingineria civilă s-a evidențiat posibilitatea de a le folosi în domeniul rezilienței seismice. Astfel, rețelele neuronale RNA pot aproxima gradul de degradare al unei structuri, având la bază, desigur, o bază de date obținută în urma analizei, în prealabil a diferitelor modele cu ajutorul programelor cu elemente finite EF sau a simulărilor în mediul real. Posibilitatea de a afla gradul de degradare al unei structuri, în situația post-seism, într-o perioadă de timp redusă conduce automat la majorarea rezilienței seismice, prin reducerea perioadei de așteptare a locuitorilor pentru reocuparea domiciliilor și prin creșterea siguranței acestora.

71

Page 80: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

• Municipiul Iaşi a fost ales ca bază de studiu pentru crearea mediului în SMA, motivele principale fiind zona seismică importantă în care se situează și densitatea mare a clădirilor, respectiv a populației. În urma analizei evoluției normativelor seismice începând din anul 1941 s-a conturat necesitatea realizării unui studiu privind riscul seismic în municipiul Iaşi, din cauza prevederilor nerealiste privind seismicitatea zonei și a recomandărilor neconforme pentru proiectarea seismică a structurilor asociate, în special, codurilor seismice publicate înaintea cutremurului din 1977.

• Cercetările efectuate de către autor referitoare la riscul seismic din municipiul Iaşi au relevat anumite zone rezidențiale cu un grad ridicat de risc seismic, precum Podu Roș, Tătărași Sud și Cantemir. De asemenea, în urma cercetărilor s-au evidențiat zone în care undele seismice pot fi amplificate, precum lunca râului Bahlui, sau în care există probabilitatea apariției alunecărilor de teren, precum zona Copou sau Dealul Bucium, ca efect al structurii geologice a terenului.

• Validitatea rețelelor neuronale RNA în aproximarea celor șase parametri de ieșire considerați a fost confirmată în cadrul cercetărilor prezentate în Capitolul 5.2, ca urmare a analizei rezultatelor obținute prin antrenarea RNA.

• Rezultatele privind analiza influenței parametrilor de intrare introduși în RNA asupra coeficientului de degradare finală a rigidității structurale FS și a coeficientului deplasării relative de nivel IDR au evidențiat trei parametri structurali a căror influență este semnificativă, mai precis numărul de niveluri, lățimea deschiderii și lățimea secțiunii stâlpului. Clasamentul influenței parametrilor acțiunii seismice asupra coeficienților FS și IDR indică faptul că valoarea de vârf a vitezei terenului PGV și valoarea de vârf a accelerației terenului PGA influențează în cea mai mare măsură degradarea structurală.

• În urma testării RNA pentru valori ale parametrilor de intrare diferite de cele introduse în antrenare se constată că RNA poate prezice la un nivel acceptabil parametrii de ieșire, cu excepția coeficientului de degradare finală a rigidității structurale FS, în cazul căruia diferențele absolute între rezultatele analizei cu element finit AEF și RNA sunt semnificative și conduc la alterarea rezultatelor privind nivelul de degradare al structurii.

• Simplificarea RNA prin eliminarea parametrilor de intrare cu un nivel redus de influență asupra degradării structurale conduce la o ușoară reducere a coeficientului de corelație r dintre rezultatele AEF și RNA, dar gradul de corelație rămâne totuși foarte puternic.

• Studiile de caz prezentate în Capitolul 6.3 aplică sistemele multiagent SMA în scopul analizei mișcării persoanelor evacuate și a determinării punctelor vulnerabile ce pot apărea în zona municipiului Iaşi, imediat după un eveniment seismic. În Studiul de caz 1 s-a constatat că disponibilitatea la capacitate maximă a tuturor podurilor considerate în analiză nu este o alegere optimă în situații post-seism. Rezultatul cel mai bun al acestor simulări a fost obținut pentru scenariul IIP, în care primele două poduri sunt indisponibile, în timp ce doar ultimul permite

72

Page 81: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

accesul cetățenilor. Studiul de caz 2 a evidențiat faptul că blocarea drumurilor congestionate nu constituie un avantaj în toate cazurile. Rezultatele obținute în cazul Studiului de caz 3 au evidențiat faptul că permiterea accesului pe pod doar a pietonilor, cu anumite restricții, în situația avarierii parțiale a acestuia este favorabilă, în comparație cu interzicerea completă a accesului. În urma analizei rezultatelor obținute în cazul Studiului de caz 4 se observă tendința de scădere a perioadei de evacuare odată cu creșterea gradului de informare al populației. Totuși, în cazul Parțial operațional I, în care se realizează evacuarea pietonilor în condițiile reducerii capacității drumurilor adiacente nodului 35 la 5%, tendința este de creștere a perioadei de evacuare odată cu majorarea gradului de informare al agenților. În Studiul de caz 5 a fost modificată mărimea grupului, efectuându-se o analiză microscopică în cadrul SMA. Diferențele dintre rezultatele Studiului de caz 1 și cele ale Studiului de caz 5 sunt semnificative doar în cazul agenților cu acces la mașină, mișcarea agenților pedeștri nefiind influențată major.

• Analizele realizate cu SMA asupra mișcării populației evacuate în situația imediat post-seism au evidențiat prioritatea în privința reabilitării structurale a celor trei poduri considerate. Astfel, cel de-al doilea pod, respectiv Podu Roș, este prioritar și necesită o investigare amănunțită, precum și o monitorizare specializată în timp.

Contribuții personale

În cadrul programului de studii doctorale am adus o serie de contribuții științifice personale referitoare la tematica abordată, ce se prezintă sintetic astfel:

a. Contribuții referitoare la studiul documentar realizat pe tematica abordată în teza de doctorat

• Realizarea sintezei documentare privind stadiul actual al cercetărilor științifice în domeniul rezilienței seismice, definirea conceptului având la bază mai multe surse din literatura de specialitate și prezentarea metodelor de evaluare teoretice și a celor cu aplicație practică;

• Realizarea unui studiu documentar referitor la caracteristicile și componentele sistemului multiagent SMA, precum și al stadiului actual al cercetărilor privind aplicațiile SMA în domeniul rezilienței seismice, în special în analiza mișcării maselor de persoane în procesul de evacuare al unei anumite zone;

• Efectuarea unei sinteze documentare privind componentele și tipurile de rețele neuronale artificiale RNA, precum și stadiul actual al cercetărilor referitoare la aplicațiile RNA în ingineria civilă, cu precădere în determinarea degradărilor structurale apărute ca urmare a diferitelor acțiuni distructive;

• Realizarea unui studiu privind influența activității seismice din zona Vrancea asupra regiunii de Nord-Est a României, determinarea posibilelor valori de vârf ale accelerațiilor terenului PGA pentru zona municipiului Iaşi utilizând metode empirice;

73

Page 82: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

• Analiza dinamicii progresului nivelului de cunoaștere privind prevederile normelor seismice românești începând cu anul 1941;

b. Contribuții privind utilizarea inteligenței artificiale în scopul îmbunătățirii rezilienței seismice a unei zone urbane

• Realizarea unei baze de date formată din rezultatele analizelor neliniare de EF de tip Time-History investigând 243 de structuri de tip cadru din beton armat, ce a fost utilizată ulterior în antrenarea RNA. În analiza structurilor am urmărit detectarea modificărilor ce apar în structură ca urmare a diferitelor acțiuni seismice.

• Evaluarea influenței parametrilor de intrare ai RNA, structurali și celor ai acțiunii seismice, asupra coeficienților de degradare, mai precis a coeficientului de degradare finală a rigidității structurale FS și coeficientului deplasării relative de nivel IDR.

• Verificarea aplicabilității RNA în aproximarea unor parametri de ieșire asociați cu degradarea unei structuri de tip cadru din beton armat prin analizarea rezultatelor mai multor studii de caz. În studiile de caz am urmărit compararea rezultatelor analizei cu elemente finite în urma utilizării programului software SAP2000 cu cele obținute în urma rulării RNA.

• Realizarea unor studii privind riscul seismic în municipiul Iaşi în prezent, luând în considerare atât o serie de expertize tehnice realizate până în anul 2015 cât și prevederile normelor seismice conform cărora au fost construite imobilele. Realizarea unui clasament al zonelor rezidențiale din orașul Iaşi din punct de vedere al riscului seismic și determinarea celor mai vulnerabile. Determinarea punctelor vulnerabile seismic din municipiul Iaşi considerând geomorfologia și structura geologică a terenului;

• Realizarea unei hărți de localizare a zonelor vulnerabile, precum și posibile spații de cazare și de spitalizare din municipiul Iaşi, ce pot fi folosite în urma unui eveniment seismic major. Punctele vulnerabile s-au determinat considerând poziția imobilelor încadrate în clasa de risc seismic sau categoria de urgență R1/U1, respectiv R2/U2.

• Studiul procesului de evacuare al populației din municipiul Iaşi prin simulări bazate pe utilizarea programului software REvaSim și evaluarea importanței a trei poduri principale amplasate pe râul Bahlui. Analiza influenței închiderii segmentelor de drum care devin congestionate în timpul procesului de evacuare al populației. Studierea influenței gradului de informare al populației asupra procesului de evacuare.

• Realizarea unei versiuni îmbunătățite a programului software REvaSim, prin introducerea unor opțiuni noi, care să permită obținerea unor rezultate mai realiste în urma analizei procesului de evacuare al populației.

74

Page 83: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Valorificarea și diseminarea rezultatelor cercetărilor

Valorificarea rezultatelor tezei de doctorat și a sintezelor documentare s-a realizat prin publicarea acestora în reviste și publicații de specialitate naționale/ internaționale cotate CNCSIS și ISI, și prin diseminarea informațiilor în cadrul diferitelor manifestări științifice, precum conferințe naționale și internaționale, respectiv workshopuri. Astfel, au fost publicate până la momentul actual 12 lucrări și articole științifice. Diseminarea rezultatelor cercetărilor se prezintă în continuare.

A. Lucrări științifice publicate în reviste cotate ISI Thomson-Reuters cu factor de

impact (FI = 1.855)

Bunea, G., Leon, F., Atanasiu, G. M. (2016). Postdisaster Evacuation Scenarios Using Multiagent System, Journal of Computing in Civil Engineering, Vol. 30, Nr. 6, pp. 05016002, American Society of Civil Engineers ASCE, Ed. R. Raymond Issa, SUA, http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000575.

B. Lucrări științifice publicate în volume ale conferințelor indexate ISI Proceedings

Bunea, G., Atanasiu, G.M., Leon, F. (2016). The effect of information on the performance of a multiagent system for post-disaster evacuation, Life-Cycle of Engineering Systems: Emphasis on Sustainable Civil Infrastructure IALCCE 2016, General Sessions, pp. 2053-2059, ISBN 978-1-138-02847-0, Taylor and Francis Group, London, UK, CRC Press.

Leon, F., Atanasiu, G. M., Bunea, G. (2015). Critical Assessment of Road Network Resilience Using an Agent-Based Evacuation Model, Proceedings of the 7th Balkan Conference in Informatics BCI 2015, 2-4 Septembrie 2015, Craiova, Romania, pp. 21, Association for Computing Machinery (ACM), New York, NY, USA.

C. Lucrări științifice publicate în reviste indexate BDI Bunea, G., Doniga, C., Atanasiu, G. M. (2016). New Trends in Earthquake Engineering:

Seismic Resilience Estimation, Buletinul Institutului Politehnic din Iași, Secția Construcții. Arhitectură, Vol. 62(66), Fasc. 3, pp. 63-74, ISSN: 1224-3884, http://www.bipcons.ce.tuiasi.ro/.

Bunea, G., Atanasiu, G. M. (2014). Overview of Romania’s Seismicity Focusing On the North-Eastern Region, Buletinul Institutului Politehnic din Iași, Tomul LX (LXIV), Fasc. 1, pp. 43-52, Secția Construcții. Arhitectură, ISSN: 1224-3884, http://www.bipcons.ce.tuiasi.ro/.

D. Lucrări științifice publicate în volume ale conferințelor naționale și internaționale indexate BDI

Bunea, G., Doniga, C., Atanasiu, G.M. (2016). Study Concerning the Level of Seismic Risk in Iaşi Municipality, International Conference - Towards a Sustainable Built Environment

75

Page 84: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

EBUILT 2016, Iaşi, România, Advanced Engineering Forum, Vol.21, Modern Trends in Civil Engineering, pp. 86-93, Trans Tech Publications Ltd, Zurich, Elveția.

Bunea, G., Atanasiu, G. M. (2014). Relevant Aspects Concerning the Local Seismic Hazard for Iaşi Municipality, Proceedings of the Second International Conference for PhD Students in Civil Engineering and Architecture CE-PhD 2014, UTPRESS, ISSN 2392 – 9715, pp. 74-81, 10-13 Decembrie 2014, Cluj-Napoca, România.

Bunea, G., Ciutea, D., Atanasiu, G. M. (2014). Time-History Analysis of Reinforced Concrete Bridge Structure by Using Artificial Accelerograms, The 12th International Symposium “Computational Civil Engineering” CCE 2014, Editura Societății Academice „Matei-Teiu Botez”, pp. 59-68, ISSN 2285 – 2735, Iaşi, Romania.

E. Lucrări științifice publicate în reviste sau în volumele unor manifestări științifice necotate ISI sau BDI

Atanasiu, G.M., Bunea, G. (2016). Noi concepte în Ingineria seismică. Conceptul de reziliență seismică, Revista Construcțiilor, 128: 58-62, STAR PRES EDIT, București, România.

Bunea, G. (2015). Vulnerabilitatea seismică în cazul municipiului Iași. Studiu de caz, Creații universitare 2015, Al VIII-lea Simpozion Național, pp. 20-27, Editura Societății Academice „Matei - Teiu Botez”, ISSN 2247-4161, ISSN-L 2247-4161 Iași, România.

F. Prezentări susținute în cadrul workshopurilor internaționale Bunea, G. (2016) Seismic Resilience Analysis for Iași Municipality Using Artificial

Intelligence, The Seismic Performance and Retrofitting of Historical Structures Workshop, 20-21 Iunie 2016, Universitatea Kassel, Germania.

Bunea, G., Atanasiu, G. M. (2013). Overview of Romania’s Seismicity Focusing at Country and Regional Level, ERA Net FP7 – Concert Japan, Road Networks for Earthquake Resilient Societies - Roaders Project, ctr. 3003/2013, Proceedings of the First Split Workshop at the Technical University "Gheorghe Asachi" of Iasi, pp. 29-53, 7-11 Octombrie 2013, Iași, România.

G. Articole în evaluare Bunea, G., Leon, F., Atanasiu, G. M. (2018) Influence of Seismic Hazard on RC

buildings’ resilience based on ANN, The Sixth International Symposium on Life-Cycle Civil Engineering IALCCE 2018, Taylor and Francis Group, London, UK, CRC Press.

Bunea, G., Leon, F., Atanasiu, G. M. (2018) Influence of structural and seismic action parameters on damage indices using ANN, Earthquake Engineering & Structural Dynamics, Oxford:Elsevier Ltd.

Pe perioada programului de doctorat am obținut un grant de cercetare pe o durată de 10 luni, pe care l-a efectuat la Universitatea Kassel din Germania.

76

Page 85: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

H. Granturi și proiecte de cercetare europeană Câștigarea prin competiție a Bursei de cercetare pentru doctoranzi și tineri cercetători

(pentru un stagiu de peste 6 luni) oferită de DAAD, German Academic Exchange Service, pentru perioada 01.10.2015 – 01.08.2016.

Participarea la Proiectul COST Action TU1406, http://www.tu1406.eu/ - membru în comitetul de management.

Lucrarea științifică Postdisaster Evacuation Scenarios Using Multiagent System, menționată la punctul A, a fost premiată în cadrul Competiției 2016 UEFISCDI, după cum urmează:

I. Premierea rezultatelor cercetării Premierea rezultatelor cercetării - articole, Competiția 2016 UEFISCDI, 07.12.2016, PN-

III-P1-1.1-PRECISI-2016-13179

Direcții viitoare de cercetare

Activitatea de cercetare realizată în cadrul programului doctoral și rezultatele obținute privind utilizarea inteligenței artificiale în îmbunătățirea rezilienței seismice, împreună cu studiile de caz realizate în teza de doctorat referitoare la modul în care pot fi utilizate sistemele multiagent și rețelele neuronale în acest context, deschid noi direcții ce pot fi urmate în continuarea cercetărilor pe această tematică astfel:

• Efectuarea de simulări multiagent suplimentare privind situația municipiului Iaşi, care să evidențieze mișcarea populației imediat post-seism în diferite cazuri, precum apariția unor incendii localizate, blocarea altor drumuri principale cauzate de prăbușirea imobilelor sau modificarea comportamentului agenților. Se pot introduce în cadrul simulărilor și aspecte referitoare la îndrumarea autorităților, pentru a analiza influența acestora asupra mișcării agenților.

• Codul programului software REvaSim poate fi modificat astfel încât să ia în calcul posibilitatea ca anumiți agenți, odată ajunși în adăpost, să se întoarcă în zona afectată pentru a prelua alți membri de familie sau diferite obiecte personale.

• Propunerea unor soluții referitoare la gestionarea traficului și poziționarea spațiilor de cazare în situații de urgență post-seism, pentru municipiul Iaşi, în urma analizei rezultatelor SMA. Realizarea unui plan de evacuare a populației cu domiciliul în municipiul Iaşi, în cazul unui eveniment seismic major.

• Efectuarea de verificări suplimentare privind aplicabilitatea RNA în determinarea gradului de degradare structurală. Verificarea RNA în privința menținerii nivelului de performanță sau a nivelului de degradare structurală în comparație cu cel obținut în urma AEF. Optimizarea structurii în funcție de acțiunea seismică și nivelul de degradare dorit.

77

Page 86: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

• Adăugarea altor parametri de intrare în rețeaua neuronală cu influență semnificativă asupra răspunsului structurii la acțiunea seismică, spre exemplu coeficientul de armare al elementelor structurale, testarea noilor RNA și determinarea celei mai bune combinații de parametri de intrare.

• Utilizarea altor indici de degradare, introducerea lor ca parametri de ieșire în antrenarea RNA și testarea RNA pentru acești indici. Determinarea celei mai bune combinații de parametri de intrare și parametri de ieșire care aproximează cel mai bine degradarea structurală, având ca termen de comparație rezultatele AEF.

78

Page 87: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

Capitolul 8

8. Bibliografie

Articole științifice, cărți de specialitate și monografii

1. Adger, W.N. (2000). Social and ecological resilience: are they related?, Progress in Human Geography, vol. 24, nr. 3, pp. 347–364, http://phg.sagepub.com/content/24/3/347.

2. Almufti, I., Wilford, M. (2013). REDi Rating System: Resilience-based Earthquake Design Initiative for the Next Generation of Buildings, San Francisco: ARUP, http://publications.arup.com/Publications/R/REDi_Rating_System.aspx .

3. Amezquita-Sanchez, J., Valtierra-Rodriguez, M., Aldwaik, M., Adeli, H. (2016). Neurocomputing in civil infrastructure, Scientia Iranica.Transaction A, Civil Engineering, vol. 23, nr. 6, pp. 2417-2428.

4. Atanasiu, G.M., Bunea, G. (2016). Noi concepte în Ingineria seismică. Conceptul de reziliență seismică, Revista Construcțiilor, vol. 128, pp. 58-62.

5. Boore, D.M., Joyner, W.B. (1997). Equations for Estimating Horizontal Response Spectra and Peak Acceleration from Western-North American Earthquakes: A Summary of Recent Work, Seismological Research Letters, vol. 68, nr. 1, pp. 128-153.

6. Bradley, B.A., MacRae, G.A., Dhakal, R.P., Cubrinovski, M. (2009). Ground-Motion Prediction Equation for SI Based on Spectral Acceleration Equations, Bulletin of the Seismological Society of America, vol. 99, nr. 1, pp. 277-285, doi: 10.1785/0120080044.

7. Bruneau, M., Chang, S.E., Eguchi, R.T., Lee, G.C., O’Rourke, T.D., Reinhorn, A.M., Shinozuka, M., Tierney, K., Wallace, W.A., Winterfeldt, D. (2003). A framework to quantitatively assess and enhance the seismic resilience of communities, Earthquake Spectra, vol. 19, nr. 4, pp. 733–752.

8. Bunea, G., Atanasiu, G.M. (2013). Overview of Romania’s Seismicity Focusing at Country and Regional Level, Proceedings of the First Split Workshop at the Technical University "Gheorghe Asachi" of Iasi, ERA Net FP7 – Concert Japan, Road Networks for Earthquake Resilient Societies - Roaders Project, ctr. 3003/2013, Iași, România, pp. 29-53.

9. Bunea, G., Atanasiu, G.M. (2014a). Overview of Romania’s Seismicity Focusing On the North-Eastern Region, Buletinul Institutului Politehnic din Iași. Secția Construcții. Arhitectură, Tomul LX (LXIV), Fasc. 1, pp. 43-52, ISSN: 1224-3884.

10. Bunea, G., Atanasiu, G.M. (2014b). Relevant Aspects Concerning the Local Seismic Hazard for Iaşi Municipality, Proceedings of the Second International Conference for PhD Students in Civil Engineering and Architecture CE-PhD 2014, Cluj-Napoca, România, pp. 74-81.

79

Page 88: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

11. Bunea, G., Ciutea, D., Atanasiu, G. M. (2014). Time-History Analysis of Reinforced Concrete Bridge Structure by Using Artificial Accelerograms, The 12th International Symposium “Computational Civil Engineering” CCE 2014, Editura Societății Academice „Matei-Teiu Botez”, pp. 59-68, ISSN 2285 – 2735, Iaşi, Romania.

12. Bunea, G. (2015). Vulnerabilitatea seismică în cazul municipiului Iași. Studiu de caz, Creații universitare 2015, Al VIII-lea Simpozion Național, pp. 20-27, Editura Societății Academice „Matei - Teiu Botez”, ISSN 2247-4161, ISSN-L 2247-4161 Iași, România.

13. Bunea, G., Doniga, C., Atanasiu, G.M. (2016a). New Trends in Earthquake Engineering: Seismic Resilience Estimation, Buletinul Institutului Politehnic din Iași. Secția Construcții. Arhitectură, vol. 62(66), nr. 3, pp. 63-74, ISSN: 1224-3884.

14. Bunea, G., Doniga, C., Atanasiu, G.M. (2016b). Study Concerning the Level of Seismic Risk in Iaşi Municipality, International Conference - Towards a Sustainable Built Environment EBUILT 2016, Iaşi, România, Advanced Engineering Forum, Vol.21, Modern Trends in Civil Engineering, pp. 86-93.

15. Bunea, G., Leon, F., Atanasiu, G.M. (2016c). Postdisaster Evacuation Scenarios Using Multiagent System, Journal of Computing in Civil Engineering, vol. 30, nr. 6, p. 05016002, http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000575 .

16. Bunea, G., Atanasiu, G.M., Leon, F. (2016d). The effect of information on the performance of a multiagent system for post-disaster evacuation, Life-Cycle of Engineering Systems: Emphasis on Sustainable Civil Infrastructure IALCCE 2016, Delft, Olanda, pp. 2053-2059.

17. Bunea, G. (2016e) Seismic Resilience Analysis for Iași Municipality Using Artificial Intelligence, The Seismic Performance and Retrofitting of Historical Structures Workshop, 20-21 Iunie 2016, Universitatea Kassel, Germania.

18. Bunea, G., Leon, F., Atanasiu, G.M. (2018a). Influence of Seismic Hazard on RC buildings’ resilience based on ANN, Proceedings of the Sixth International Symposium on Life-Cycle Civil Engineering IALCCE 2018, Ghent, Belgia. (în evaluare)

19. Bunea, G., Leon, F., Atanasiu, G.M. (2018b). Influence of structural and seismic action parameters on damage indices using ANN, Earthquake Engineering & Structural Dynamics. (în evaluare)

20. Chaib-Draa, B., Moulin, B., Mandiau, R., Millot, P. (1992). Trends in Distributed Artificial Intelligence, Artificial Intelligence Review, vol. 6, pp. 35-66.

21. Chojaczyk, A.A., Teixeira, A.P., Neves, L.C., Cardoso, J.B., Guedes Soares, C. (2015). Review and application of Artificial Neural Networks models in reliability analysis of steel structures, Structural Safety, vol. 52, nr. A, pp. 78-89, https://doi.org/10.1016/j.strusafe.2014.09.002 .

22. Cimellaro, G.P., Fumo, C., Reinhorn, A., Bruneau, M. (2008). Seismic Resilience of Health Care Facilities, Proceedings of the 14th World Conference on Earthquake Engineering WCEE, Beijing, China, http://www.iitk.ac.in/nicee/wcee/article/14_S21-001.PDF .

80

Page 89: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

23. Cimellaro, G.P., Reinhorn, A.M., Bruneau, M. (2010). Seismic resilience of a hospital system, Structure and Infrastructure Engineering, vol. 6, nr. 1-2, pp. 127–144, doi: 10.1080/15732470802663847.

24. Computers & Structures, Inc. (2016) CSI Analysis Reference Manual, Berkeley, SUA: Computers & Structures, Inc.

25. Ghobarah, A. (2004). On drift limits associated with different damage levels, Proceedings of the International Workshop Performance-Based Seismic Design: Concepts and Implementation, Bled, Slovenia, pp. 4321-4332.

26. Hakim, S.J.S., Razak H. A. (2014b). Modal parameters based structural damage detection using artificial neural networks - a review, Smart Structures and Systems, vol. 14, nr. 2, pp. 159-189, doi: 10.12989/sss.2014.14.2.159.

27. Hossain, M.S., Ong, Z.C., Ismail, Z., Noroozi, S., Khoo, S.Y. (2017). Artificial neural networks for vibration based inverse parametric identifications: A review, Applied Soft Computing, vol. 52, pp. 203-219, https://doi.org/10.1016/j.asoc.2016.12.014 .

28. Jennings, N.R. (2000). On agent-based software engineering, Artificial Intelligence, vol. 117, nr. 2, pp. 277-296, http://dx.doi.org/10.1016/S0004-3702(99)00107-1.

29. Jennings, N.R., Sycara, K., Wooldridge, M. (1998). A Roadmap of Agent Research and Development, Autonomous Agents and Multi-Agent Systems, vol. 1, pp. 275-306.

30. Kagaya, S., Uchida, K., Hagiwara, T., Negishi, A. (2005). An Application of Multi-Agent Simulation to Traffic Behavior for Evacution in Earthquake Disaster, Journal of the Eastern Asia Society for Transportation Studies, vol. 6, pp. 4224 - 4236.

31. Kononenko, I., Šimec, E., Robnik-Šikonja, M. (1997). Overcoming the Myopia of Inductive Learning Algorithms with RELIEFF, Applied Intelligence, vol. 7, nr. 1, pp. 39–55.

32. Lautour, O.R., Omenzetter, P. (2009). Prediction of seismic-induced structural damage using artificial neural networks, Engineering Structures, vol. 31, nr. 2, pp. 600-606, https://doi.org/10.1016/j.engstruct.2008.11.010 .

33. Leon, F., Atanasiu, G.M., Bunea, G. (2015). Critical Assessment of Road Network Resilience Using an Agent-Based Evacuation Model, Proceedings of the 7th Balkan Conference in Informatics BCI ’15, Craiova, România, Articol 21, pp. 1-8, doi: 10.1145/2801081.2801107.

34. Longstaff, P.H., Armstrong, N.J., Perrin, K., Parker, W.M., Hidek, M.A. (2010). Building Resilient Communities: A Preliminary Framework for Assessment, Homeland Security Affairs, vol. 6, nr. 3, pp. 1-23.

35. Lungu, D., Cornea, T., Gelder, P., Zaicenco, A. (1997). Seismic Hazard: Recurrence and Attenuation of Subcrustal (60-170km) Earthquakes, Proceedings of the Seventh International Conference on Structural Safety and Reliability ICOSSAR `97, Kyoto, Japonia, vol. 3, pp. 1525-1533.

36. Mander, J.B., Priestley, M.J.N., Park, R. (1984). Theoretical Stress-Strain Model for Confined Concrete, Journal of Structural Engineering, vol. 114, nr. 3, pp. 1804-1826.

81

Page 90: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

37. Mareš, T., Janouchová, E., Kučerová, A. (2016). Artificial neural networks in the calibration of nonlinear mechanical models, Advances in Engineering Software, vol. 95, pp. 68-81, https://doi.org/10.1016/j.advengsoft.2016.01.017.

38. Mărmureanu, G., Cioflan, C.O., Mărmureanu, A. (2010). Cercetări privind hazardul seismic local (microzonare) a zonei metropolitane București, Iași: Editura Tehnopress, ISBN 978 – 973 – 702 – 809 – 9.

39. Mosleh, A., Rodrigues, H., Varum, H., Costa, A., Arêde, A. (2016). Seismic behavior of RC building structures designed according to current codes, Structures, vol. 7, pp. 1-13.

40. Navarro, L., Corruble, V., Flacher, F., Zucker, J.-D. (2013). A Flexible Approach to Multi-Level Agent-Based Simulation with the Mesoscopic Representation, The 12th International Conference on Autonomous Agents and Multiagent Systems AAMAS 2013, Saint Paul, Minnesota, SUA, pp. 159-166, www.ifaamas.org .

41. Petrovici, R. (2014b). Evoluția prevederilor de proiectare seismică pentru structurile și elementele nestructurale din zidărie în perioada 1963-2013 (I), Revista Construcțiilor, Anul X, Nr. 110, pp. 50-56.

42. Renschler, C.S., Frazier, A.E., Arendt, L.A., Cimellaro, G.P., Reinhorn, A.M., Bruneau, M. (2010). Developing the ‘PEOPLES’ Resilience Framework For Defining And Measuring Disaster Resilience at the Community Scale, Proceedings of the 9th U.S. National and 10th Canadian Conference on Earthquake Engineering, Toronto, Ontario, Canada, Paper No. 1827, pp. 1-10.

43. Robnik-Šikonja, M., Kononenko, I. (2003). Theoretical and Empirical Analysis of ReliefF and RReliefF, Machine Learning Journal, vol. 53, pp. 23-69.

44. Shyam Singha, D., Chowdarya, G.B.L., Mahapatraa, D.R. (2017). Structural Damage Identification Using Artificial Neural Network and Synthetic data, ARXIV, ArXiv eprint:1703.09651, https://arxiv.org/abs/1703.09651v1.

45. Takeda, T., Sozen, M.A., Nilson, N.N. (1970). Reinforced concrete response to simulated earthquake, Journal of Structural Engineering, vol. 96, nr. 12, pp. 2557-2573.

46. Teo, J.S.E., Schmöcker, J.D., Leon, F., Li, J.Y.T., Ji, J., Atanasiu, G.M., Taniguchi, E. (2015). An agent-based evacuation model considering field effects and government advice, Transportation Research Record: Journal of the Transportation Research Board, nr. 2532, pp. 129-140.

47. Vlassis, N. (2007). A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence, 1st edition, San Rafael, California: Morgan and Claypool Publishers.

48. Weiss, G. (1999). Prologue, în Weiss, G. (ed.) Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, pp. 1-24, London: MIT Press.

49. Weyns, D., Schumacher, M., Ricci, A., Virol, M., Holvoet, T. (2005a). Environments in multiagent systems, The Knowledge Engineering Review, vol. 20, nr. 2, pp. 127–141, doi:10.1017/S0269888905000457.

82

Page 91: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

50. Weyns, D., Van Dyke Parunak, H., Michel, F., Holvoet, T., Ferber, J. (2005b). Environments for Multiagent Systems State-of-the-Art and Research Challenges, Environment for Multi-Agent Systems: First International Workshop E4MAS 2004, New York, SUA, LNAI 3374, pp. 1–47.

51. Wooldridge, M. (1999). Intelligent Agents, în Weiss, G. (ed.) Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, London: MIT Press.

52. Wooldridge, M. (2002). An Introduction to Multiagent Systems, Chichester: John Wiley & Sons Ltd.

Documente și rapoarte de specialitate

1. Consiliul Județean Iaşi (2012). Proiect de Hotărâre privind declararea zonelor de risc la alunecări de teren de pe teritoriul administrativ al Municipiului Iaşi. Iași, România: Direcția Proiecte și Dezvoltare Durabilă, Serviciul Dezvoltare Durabilă.

2. DiPasquale, E., Cakmak, A. S. (1989). On the Relation Between Local and Global Damage Indices. Technical Report NCEER-89-0034, NCEER Contract Number 88-1007, NSF Master Contract Number 86-07591, National Center for Earthquake Engineering Research, New York, SUA.

3. Guzga, F. (2007) Anii de construcție a tuturor blocurilor din oraș, Ziarul de Iaşi, sursa: Arhiva DAPP (DAFIS) Iaşi, http://documents.tips/documents/anii-de-constructie-a-tuturor-blocurilor-din-oras.html.

4. ISU Iaşi. (2015). Planul de analiză și acoperire a riscurilor. Iaşi, România: Ministerul Afacerilor Interne, Departamentul pentru Situații de Urgență, Inspectoratul pentru Situații de Urgență „Mihail Grigore Sturdza” al județului Iaşi.

5. Pinghiriac, D. (2013). Raport de evaluare. Iaşi: Camera Notarilor Publici Iaşi, http://www.anrp.gov.ro/uploads/CNP_IASI_2013/Iasi_2013.pdf.

6. Primăria Municipiului Iaşi. (2014). Actualizarea Planului Urbanistic General al municipiului Iaşi și detalierea acestuia prin Planuri Urbanistice Zonale, Search Corporation, Etapa IV, ctr. 242/2007, indicativ proiect: 7242 – S – U – 2007.

7. Primăria Municipiului Iaşi (2015). Lista imobilelor expertizate cu risc seismic actualizată - aprilie 2015, Acte de interes public, http://www.primaria-iasi.ro/content.aspx?lang=RO&item=1620.

8. SC CET Iaşi SA. (2011). Plan de apărare în cazul producerii unei situații de urgență specifice provocate de cutremure și/sau alunecări de teren. Iași, România: Serviciul Prevenire, Protecție și Urgență, http://www.cet-iasi.ro/ .

Normative și standarde

1. *** Cod de Proiectare Seismică – Partea I - Prevederi de Proiectare pentru Clădiri. Indicativ P100-1/2006, Monitorul Oficial al României, Partea I, nr. 803bis/25.09.2006, Ministerul Transporturilor, Construcțiilor și Turismului MTCT, București, România, 2006.

83

Page 92: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

2. *** Cod de Proiectare Seismică – Partea I - Prevederi de Proiectare pentru Clădiri. Indicativ P100-1/2013, Monitorul Oficial al României, Partea I, Nr. 558 bis/3.09.2013, Ministerul Dezvoltării Regionale și Administrației Publice MDRAP, București, România, 2013.

3. *** Eurocod 1: Acțiuni asupra structurilor. Partea 1-1: Acțiuni generale – Greutăți specifice, greutăți proprii, încărcări din exploatare pentru construcții. Anexa națională. SR EN 1991-1-1:2004/NA:2006, Asociația de Standardizare din Romania ASRO, București, România, 2006.

4. *** Eurocod 2: Proiectarea structurilor de beton. Partea 1-1: Reguli generale și reguli pentru clădiri. SR EN 1992-1-1:2004, Asociația de Standardizare din Romania ASRO, București, România, 2006.

5. *** Eurocod 8: Proiectarea structurilor pentru rezistența la cutremur. Partea 1: Reguli generale, acțiuni seismice și reguli pentru clădiri. SR EN 1998-1:2004, Asociația de Standardizare din Romania ASRO, București, România, 2006.

6. *** Normativul condiționat pentru proiectarea construcțiilor civile și industriale din regiuni seismice. Indicativ P13-63, Comitetul de Stat pentru Construcții, Arhitectură și Sistematizare CSCAS, Ordinul nr. 306, 1963.

7. *** Normativ pentru proiectarea antiseismică a construcțiilor de locuințe social-culturale, agrozootehnice și industriale. Indicativ P 100-78(81), Institutul Central de Cercetare, Proiectare și Directivare în Construcții ICCPDC, 1978.

8. *** Normativ pentru proiectarea antiseismică a construcțiilor de locuințe, social-culturale, agrozootehnice și industriale. Indicativ P100-92, Buletinul Construcțiilor, Vol. 1-2, Ministerul Lucrărilor Publice și Amenajării Teritoriului MLPAT, Departamentul Construcțiilor și Lucrărilor Publice, Editor INCERC, București, România, 1992.

9. *** P100-92 Completarea și modificarea cap. 11 si 12, Ordinul nr. 71/N din 7.10.1996, aprobat de Ministerul Lucrărilor Publice și Amenajării Teritoriului MLPAT, Direcția Generală Reglementari și Atestări Tehnice, București, România, 1996.

10. *** Prestandard and Commentary for the Seismic Rehabilitation of Buildings Fema 356, Federal Emergency Management Agency, SUA, 2000.

Pagini web

1. ***Artificial intelligence, https://en.wikipedia.org/w/index.php?title=Artificial_intelligence&oldid=723666773 , Wikipedia, The Free Encyclopedia, 2016 [Accesat 08.06.2016].

2. *** DEX `09. Dicționarul explicativ al limbii române (ediția a II-a revăzută și adăugită), https://dexonline.ro/, Dexonline, Licența Publică Generală GNU (GPL), 2016 [Accesat 07.06.2016].

3. *** Institutul Național de Cercetare-Dezvoltare pentru Fizica Pământului INFP, http://www.infp.ro/, 2015 [Accesat 15.10.2015].

4. *** Intelligence, https://en.wikipedia.org/w/index.php?title=Intelligence&oldid=723098505, Wikipedia, The Free Encyclopedia,, 2016 [Accesat 07.06.2016].

84

Page 93: REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ · 3.2.4 Modelare și simulare utilizând sisteme multiagent 38 13 3.2.5 Stadiul actual al cercetărilor privind aplicațiile

REZILIENȚA SEISMICĂ UTILIZÂND INTELIGENȚA ARTIFICIALĂ

5. *** Multi-Agent Systems, https://www.cs.cmu.edu/~softagents/multi.html, Carnegie Mellon University, 2012 [Accesat 10.06.2016].

6. *** Municipiul Iaşi, https://www.google.ro/maps/place/Municipiul+Ia%C8%99i/@47.1535488,27.5303614,12z/data=!4m5!3m4!1s0x40cafb758b1974d7:0x862c6dbecbdbc1a6!8m2!3d47.1584549!4d27.6014418 , Google Maps, 2016 [Accesat 10.07.2016].

7. *** Pearson correlation coefficient, https://en.wikipedia.org/w/index.php?title=Pearson_correlation_coefficient&oldid=783715247, Wikipedia, The Free Encyclopedia, 2017 [Accesat 16.06.2017].

8. *** Road Networks for Earthquake Resilient Societies ROADERS, http://florinleon.byethost24.com/mcserm/en/roaders.htm, 2015 [Accesat 10.07.2016].

Programe software

1. REvaSim vs. 1.0 (2015) Concert Japan Project—Roaders, http://florinleon.byethost24.com/mcserm/ro/proiecte.htm.

2. SAP2000 vs. 14.1.0 (2009). Computers and Structures, Inc., California, SUA, https://www.csiamerica.com/.

3. SeismoSignal vs. 2016, Seismosoft, Ltd., Pavia, Italia, http://www.seismosoft.com. 4. Visual Studio Enterprise 2017, Preview version 15.2, https://www.visualstudio.com/.

85


Recommended