Period estimate of wood buildings employing soft modelling techniques

Der Artikel stellt eine ausgefeilte Methode zur Schätzung der grundlegenden Periode von Holzgebäuden mittels künstlicher neuronaler Netzwerke (ANN) und des Glühwürmchen-Algorithmus vor. Traditionelle Methoden, wie sie im National Building Code of Canada (NBCC) verwendet werden, beruhen häufig auf vereinfachten Gleichungen, die auf der Gebäudehöhe beruhen. Das vorgeschlagene ANN-Modell, das mit dem Glühwürmchen-Algorithmus optimiert wurde, berücksichtigt mehrere physikalische Eigenschaften von Gebäuden wie Höhe, Fläche sowie maximale Länge und Breite. Die Studie vergleicht die Leistung des ANN-Modells mit anderen Optimierungsalgorithmen, einschließlich genetischer Algorithmen und Partikelschwarm-Optimierung, sowie mit Regressionsmodellen und Bauvorschriften. Die Ergebnisse zeigen, dass das mit dem Glühwürmchen-Algorithmus optimierte ANN-Modell eine überlegene Genauigkeit bei der Vorhersage der grundlegenden Periode von Holzgebäuden bietet. Darüber hinaus betont die Studie, wie wichtig es ist, verschiedene Baugrundstücke für eine genaue Zeitschätzung zu berücksichtigen, anstatt sich ausschließlich auf die Höhe zu verlassen. Der Artikel schließt mit einer Sensitivitätsanalyse der grundlegenden Periode geometrischer Baueigenschaften und schlägt zukünftige Arbeiten mit anderen innovativen Algorithmen vor.