ترجمه فارسی مقاله یک تکنیک همگن سازی مواد مبتنی بر یادگیری ماشین برای دیوارهای بنایی بارگذاری شده در صفحه

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

چکیده

In recent years, significant advancements have been made in computational methods for analyzing masonry structures. Within the Finite Element Method, two primary approaches have gained traction: Micro and Macro Scale modeling, and their subsequent integration via Multi-scale methods based on homogenization theory and the representative volume element concept. While Micro and Multi-scale approaches offer high fidelity, they often come with a substantial computational burden. On the other hand, calibrating homogenized material parameters in Macro-scale approaches presents challenges for practical engineering problems. Machine learning techniques have emerged as powerful tools for training models using vast datasets from various domains. In this context, we propose leveraging Machine Learning methods to develop a novel homogenization strategy for the in-plane analysis of masonry structures. This strategy involves automatically calibrating a continuum nonlinear damage constitutive law and an appropriate yield criteria using relevant data derived from Micro-scale analysis. The optimization process not only enhances material parameters but also refines yield criteria and damage evolution laws to better align with existing data. To achieve this, a virtual laboratory is created to conduct micro-model simulations that account for the individual behaviors of constituent materials. Subsequently, a data isotropization process is employed to reconcile the results with typical isotropic constitutive models. Next, an optimization algorithm that minimizes the difference of internal dissipated work between the micro and macro scales is executed. We apply this technique to the in-plane homogenization of a Flemish bond masonry wall. Evaluation examples, including simulations of shear and compression tests, demonstrate the method's accuracy compared to micro modeling of the entire structure.

چکیده به فارسی (ترجمه ماشینی)