گنبدهای ژئودزیک به دلیل عملکرد سازهای بسیار مطلوب و زیبایی معماری منحصربهفرد، کاربرد وسیعی در پوشش دهانههای بزرگ دارند. با این حال، ماهیت فضاکار و رفتار لرزهای پیچیده این سازهها موجب میشود تحلیل و طراحی آنها، بهویژه در چارچوب بهینهیابی، فرآیندی بسیار سنگین و زمانبر باشد. هدف این پژوهش، ارائه یک روش سیستماتیک و کارآمد برای طراحی لرزهای بهینه گنبدهای ژئودزیک است که همزمان معیارهای ایمنی (مقاومت، تغییرمکان و کمانش) و اقتصادی (کاهش وزن سازه) را لحاظ کرده و در عین حال زمان محاسبات را به طور چشمگیری کاهش دهد. بررسیها نشان داد که زمان محاسبات برای هر بار بهینهیابی کامل بسیار زیاد است که اجرای عملی را در پروژههای واقعی غیرممکن میسازد. برای رفع این چالش، از یک مدل یادگیری ماشین بهعنوان جایگزین تحلیلهای تکراری و پرهزینه استفاده شد. به این منظور، یک پایگاه داده جامع از مقاطع تصادفی تولید گردید و برای هر نمونه، تحلیل تاریخچه زمانی کامل تحت هفت رکورد زلزله واقعی انجام شد. خروجیهای کلیدی شامل حداکثر نسبت تنش اعضا و بیشینه جابهجایی گرهها استخراج و بهعنوان داده آموزشی مورد استفاده قرار گرفت. سپس یک شبکه عصبی پیشخور ایجاد و آموزش داده شد تا بتواند این پاسخهای لرزهای را با دقت بالا پیشبینی کند. مقایسه نتایج شبکه عصبی با تحلیلهای واقعی نشان داد که مدل آموزشدیده قادر است با خطای اندک، پاسخهای لرزهای اصلی را شبیهسازی کند. در مرحله نهایی، این مدل هوشمند در کنار الگوریتم گرگ خاکستری برای فرآیند بهینهیابی بهکار گرفته شد. متغیرهای طراحی شامل سه تیپ مختلف از مقاطع لولهای فولادی در نظر گرفته شد و تابع هدف بر پایه حداقلسازی وزن سازه تعریف گردید. قیود طراحی نیز شامل محدودیتهای ناشی از مقاومت مجاز مصالح، تغییرمکانهای مجاز گرهای و شرط لاغری اعضا بودند. نتایج نشان داد که روش پیشنهادی، ضمن ارائه طرحی ایمن و اقتصادی، از دقت و قابلیت اعتماد بالایی در پیشبینی پاسخهای لرزهای برخوردار است، همچنین زمان کل فرآیند بهینهیابی را بهطور چشمگیری کاهش میدهد و میتواند بهعنوان ابزاری عملی برای طراحی لرزهای بهینه گنبدهای ژئودزیک مورد استفاده قرار گیرد.
