RC/PT Slabs: Aids & Concepts

پیاده‌سازی‌های آینده ممکن است به سمت یک «گردش کار هوش مصنوعی عاملی» (Agentic AI workflow) تکامل یابند که شامل استفاده از نرم‌افزارها و ابزارهای موجود است، جایی که سیستم‌های هوش مصنوعی مسئله را تفسیر کرده و به استدلال کمک می‌کنند تا فرآیند حل مسئله به صورت مشارکتی تکمیل شود. بنابراین، این مثال‌ها هم قدرت و هم محدودیت‌های فعلی هوش مصنوعی را برجسته می‌کنند و تاکید دارند که بزرگترین پتانسیل آن در کمک به مهندس برای کار کارآمدتر است، نه در انجام وظایف کامل به صورت خودکار. در نهایت، مهندس سازه (انسان) همچنان مسئول تحلیل و طراحی سازه‌ها و استفاده صحیح از هوش مصنوعی، مدل‌سازی کامپیوتری و محاسبات دستی است.

جمع بندی مقاله هوش مصنوعی (AI) به روش‌های گوناگونی مورد استفاده قرار می‌گیرد و مهندسی سازه نیز از این قاعده مستثنی نیست. این مقاله پیشرفته‌ترین هوش مصنوعی حال حاضر برای استفاده عمومی را با تمرکز بر جدیدترین نسخه OpenAI، یعنی GPT-5، و همچنین نسخه‌های پیشرفته‌تر آن شامل GPT-5-Thinking و GPT-5-Pro (به دلیل قابلیت‌های حل مسئله بالاتر)، مورد بررسی قرار داده است. پنج مسئله نامعین ایستایی (استاتیکی) با استفاده از محاسبات دستی حل شدند و سپس با راه‌حل ارائه‌شده توسط ChatGPT مقایسه شدند. در تمام موارد، ورودی داده‌شده به ChatGPT تنها یک ترسیم ساده از مسئله و این دستور بود که باید با «تفکر» آن را حل کند. ChatGPT توانست از روی ترسیم، طول اعضا، بارهای متمرکز و گسترده، شرایط مرزی و مقادیر مختلف ممان اینرسی برای اعضای گوناگون را به درستی تفسیر کند. همچنین بر اساس هندسه ترسیم، متوجه شد که چه زمانی بارهای متمرکز در وسط دهانه اعمال شده‌اند. برای حل مسئله، ChatGPT برنامه کامپیوتری خود را به زبان پایتون نوشت و آن را اجرا کرد. جالب اینجاست که این مدل به جای ابداع تکنیک‌های جدید، بر روش‌های کلاسیک مهندسی سازه تکیه کرد و پس از انتخاب روش مورد نظر (معمولاً روش پخش لنگر، روش سختی یا روش شیب-افت)، برنامه‌ای برای حل آن نوشت. در یکی از مسائل، هوش مصنوعی در سه تلاش مختلف، مسئله را به سه روش متفاوت حل کرد. در مواردی که بین نتایج ChatGPT و محاسبات دستی تفاوت وجود داشت، از روش دستی دیگری برای تایید محاسبات اولیه استفاده شد. علاوه بر این، برای هر پنج مسئله، «حل بسته» متعلق به نویسنده اول مقاله، به صورت دستی اعمال شد تا نتایج تایید شوند. رویکرد هوش مصنوعی بسیار ساده است و گاهی نتایج صحیحی ارائه می‌دهد، اما اغلب پاسخ‌های اشتباه می‌دهد؛ حتی در تلاش‌های مجدد برای همان مسئله‌ای که قبلاً درست حل کرده بود. و گاهی اوقات نتایج با خطای زیادی همراه بود. این تغییر در نتایج قابل انتظار است، زیرا مدل‌های زبانی بزرگ (LLMs) مانند ChatGPT بر استدلال احتمالی تکیه دارند نه بر محاسبات قطعی هر تلاش، مسیر منطقی کمی متفاوتی را دنبال می‌کند که به نحوه تفسیر مدل از مسئله بستگی دارد و منجر به گام‌های میانی و پاسخ‌های نهایی متفاوت می‌شود. لازم به ذکر است که در هر تلاش برای یک مسئله واحد، هیچ اطلاعاتی از تلاش قبلی به مدل داده نشد و همه تلاش‌ها کاملاً مستقل بودند. همچنین، پس از ارائه اطلاعات اولیه به ChatGPT، هیچ دخالت انسانی صورت نگرفت. واضح است که اگر ما ChatGPT را در مسیر حل مسئله هدایت می‌کردیم، نتایج بهتری حاصل می‌شد و شاید پاسخ‌های صحیح با ثبات بیشتری به دست می‌آمدند. به نظر می‌رسد برای کاربردهای مهندسی سازه، به‌ویژه برای سازه‌های نامعین ایستایی، هوش مصنوعی در وضعیت فعلی باید به عنوان یک «دستیار» برای مهندس سازه استفاده شود که در وظایف مشخص کمک می‌کند، اما نباید اجازه داد که فرآیند را از ابتدا تا انتها به تنهایی پیش ببرد. نتایج حاصل از پنج مثال این مقاله به وضوح نشان می‌دهد که هوش مصنوعی قدرتمند است، اما به دلایل مختلف می‌تواند اشتباه کند. برای استفاده از هوش مصنوعی، مهندس سازه باید عناصر کلیدی تحلیل را تایید کند و در صورت گمراه شدن مدل، آن را به مسیر درست بازگرداند. اگرچه مثال‌های این مقاله توانایی قابل‌توجه ChatGPT در تفسیر اسکیس‌ها، نوشتن کد کامپیوتری و استدلال برای حل مسائل سازه‌ای را نشان می‌دهند، اما این ممکن است موثرترین روش استفاده از هوش مصنوعی برای کارهای مهندسی نباشد. نقش صحیح هوش مصنوعی باید کمک به توسعه، اعتبارسنجی یا خودکارسازی اجزایی در درون گردش‌کارهای تثبیت‌شده مهندسی باشد، نه جایگزینی کامل آنها. در این مرحله، رویکرد عملی‌تر این است که از هوش مصنوعی برای تولید یا ترجمه ورودی‌های مدل برای برنامه‌های تحلیل ماتریسی تثبیت‌شده استفاده شود؛ جایی که مصالح، شرایط مرزی و ترکیبات بار می‌توانند توسط مهندس تعریف و تایید شوند. بدین ترتیب، هوش مصنوعی می‌تواند به عنوان یک رابط هوشمند عمل کند (تبدیل اسکیس‌ها یا توضیحات به مدل‌های اولیه، ترسیم و بصری‌سازی سازه، یا نوشتن کدهای سفارشی برای انجام وظایف خاص) در حالی که تصمیمات نهایی تحلیل و طراحی تحت کنترل مستقیم انسان باقی می‌ماند.

و مقاله از لینک زیر ملاحظه نمایید:

🖊💻 هوش مصنوعی در مقابل محاسبات دستی مجله Structure در شماره اخیر خود، مقاله با عنوان " هوش مصنوعی در مقابل محاسبات دستی" دارد که در آن با استفاده از مدل های پیشرفته Chatgpt نسبت به حل پنج مسئله و سپس مقایسه نتایج با حل دستی بسته اقدام کرده است و در نهایت به ارزیابی توانایی مدل ها پرداخته است. مسائل اشاره شده، پرامپت داده شده به مدل Chatgpt 5 و حل دستی را در لینک زیر مشاهده نمایید:

🖊 مهندسی مسیر بار: آیا می‌توان با تغییر آرماتورگذاری به سازه "دستور" داد؟ ✅ یکی از جذاب‌ترین بحث‌ها در طراحی دال‌های بتنی این است: آیا ما صرفاً تابع هندسه هستیم، یا می‌توانیم با تغییر آرایش میلگرد، مسیر بار (Load Path) را به دلخواه خود تغییر دهیم؟ پاسخ کوتاه بله است، اما با یک "اما"ی بزرگ! ✅ این مفهوم، اساس «قضیه کران پایین پلاستیسیته» (Lower Bound Theorem) است. این قضیه می‌گوید: اگر بتوانید مسیری برای انتقال بار پیدا کنید که تعادل را ارضا کند و برای آن مسیر میلگرد کافی تأمین کنید، سازه در حالت نهایی (ULS) فرو نخواهد ریخت. فرض کنید یک دال مربعی دارید که ذاتاً تمایل به عملکرد دوطرفه دارد. اگر شما فقط در یک جهت میلگردگذاری سنگین انجام دهید و جهت دیگر را رها کنید، دال در جهت ضعیف ترک می‌خورد، سختی خود را از دست می‌دهد و بار مجبور می‌شود از مسیری که شما با میلگرد "مسلح" کرده‌اید (یک‌طرفه) منتقل شود. ✅چالش اصلی کجاست؟ (نبرد سرویس و نهایی) مشکل در تفاوت رفتار سازه در بارهای بهره‌برداری (Service) و نهایی (Ultimate) است: ۱. در حالت الاستیک (بهره‌برداری): بتن هنوز ترک نخورده است. بار از هندسه و سختی ناخالص ( Ig) پیروی می‌کند و "نمی‌داند" میلگردها کجا هستند. اگر مسیر طبیعی بار را نادیده گرفته باشید، سازه سعی می‌کند دوطرفه عمل کند و چون میلگرد ندارد، دچار ترک‌خوردگی‌های شدید و خیز زیاد می‌شود ۲. در حالت پلاستیک (نهایی): پس از ترک‌خوردگی، سختی بازتوزیع می‌شود و بار دقیقاً به سمت میلگردها جریان می‌یابد. ✅ نتیجه‌گیری مهندسی:شما می‌توانید با تغییر آرایش میلگرد، مسیر بار را "هدایت" کنید (اصلی که در بازپخش لنگر یا Moment Redistribution استفاده می‌کنیم)، اما نمی‌توانید طبیعت سازه را کاملاً انکار کنید. مهندس حرفه‌ای کسی است که: ۱. مسیر بار طبیعی (الاستیک) را درک می‌کند. ۲. با هوشمندی و با استفاده از ضرایب کاهش سختی (Stiffness Modifiers) مسیر را بهینه می‌کند. اما 3. بیش از ۱۵ تا ۲۰ درصد با طبیعت سازه نمی‌جنگد تا شرایط بهره‌برداری (ترک و خیز) مختل نشود. .

https://www.youtube.com/watch?v=7xTGNNLPyMI

🔻یک دیدگاه اخیرا استفاده از هوش مصنوعی و شبکه‌های عصبی در مقالاتی تحت عناوینی چون پیش بینی رفتار، بهینه سازی و... در جامعه مهندسی عمران برای حل مسائلی که راه حل مشخص و اثبات شده محاسباتی دارند یا بر داده‌های آزمایشگاهی متکی هستند در قالب مقاله، کتاب یا ادعاهای…

Changes in the design criteria for building structures from ACI 318-19 to ACI 318-25. _____________ https://t.me/mehabb_str

در این سند، تغییرات ACI 318-25 نسبت به ACI 318-19 با تاکید بر سازه های ساختمانی بیان شده است.

در نهایت اگر به مفاهیم مهندسی ژئوتکینک لرزه ای علاقمند باشید در بخش 3.1 مقاله یک روش برای محاسبه پروفایل سرعت موج برشی یک گمانه با استفاده از چهار مدل ساده تا پیچیده توضیح داده شده است. .

اگر در مورد مفاهیم اشاره شده در این مقاله ابهام دارید من در اینجا به صورت خلاصه اصطلاحات پایه ای را معرفی و شرح داده ام. .

📖 یک مقاله کاربردی عنوان مقاله: Site-Specific Response Spectra: Guidelines for Engineering Practice هدف این مقاله، ارائه یک روند عملی و گام به گام به مهندسان برای تولید طیف‌های پاسخ ویژه ساختگاه (SSRS) و شتاب‌نگاشت‌های سطحی (در سطح زمین و نه سنگ بستر) است. کاربرد اصلی آن، ایجاد ورودی‌های لرزه‌ای دقیق‌تر و بالقوه اقتصادی‌تر برای طراحی و ارزیابی سازه‌ها، نسبت به آنچه در آیین‌نامه‌های ساختمانی استاندارد ارائه شده است، می‌باشد. روش‌شناسی این مقاله جایگزینی برای PSHA نیست؛ بلکه، یک پالایش است که از سطح خطر برگرفته از PSHA (مانند آنچه در آیین‌نامه وجود دارد) به عنوان نقطه شروع استفاده می‌کند. سپس از روش‌شناسی طیف میانگین شرطی (CMS) برای ایجاد یک طیف هدف واقعی‌تر و ویژه‌ی یک رویداد خاص، جهت تحلیل دینامیکی دقیق، استفاده می‌کند. .

کتاب عملاً سعی می‌کند قوانین مکانیک سازه‌ها را به داده‌محوری صرف تبدیل کند. یعنی به‌جای فهم و مدل‌سازی فیزیکی رفتار سازه، داده‌های زیاد تولید می‌کند و شبکه را آموزش می‌دهد تا تابع هدف و قیود را “حدس بزند”. در بخش پیشگفتار حتی آمده است: > “ANN-based Hong-Lagrange algorithm … is a stepping stone … not based on engineering theories.” این جمله خطرناک است؛ حذف نظریه مهندسی از طراحی سازه یعنی از بین رفتن مبنای اطمینان و تفسیرپذیری. به طور خلاصه: هوش مصنوعی در طراحی سازه، ابزار مکمل و شتاب‌دهنده است، نه جایگزین قوانین مکانیک و آیین‌نامه‌ها. کار درست این است که: 1. از روش‌های ثابت‌شده برای تحلیل و طراحی استفاده کنیم، 2. از هوش مصنوعی برای پیش‌بینی، بهینه‌سازی، یا تقریب رفتارهای پیچیده بهره بگیریم

در این کتاب که به عنوان نمونه آورده ام، برای اغلب مسائل طراحی مواردی را مطرح می‌کند که شبکه عصبی، مسئله را تقریب می‌زند؛ اما داده‌های آموزش همین شبکه از نتیجه حل عددی و کلاسیک حاصل شده‌اند، یعنی خود شبکه دانش بنیادی ندارد و فقط تبدیل داده است. در بخش‌هایی نویسنده ادعا می‌کند نتایج شبکه عصبی با روش‌های کلاسیک اختلاف ناچیز دارد، ولی این موضوع معمولاً وقتی صدق می‌کند که مسئله به روش تحلیلی یا عددی حل شده و نتایج کافی جهت آموزش وجود دارد. در این حالت استفاده از شبکه عصبی فقط برای سرعت در طراحی انبوه یا تولید جداول تقریبی قابل‌قبول است و جایگزین روش علمی اصل حل مسئله نیست. عدم شفافیت در روابط و فرآیند محاسبه؛ زیرا روابط ریاضی شبکه عصبی قابل توضیح، کنترل و تفسیر مهندسی نیست و بنابراین برای مسائل حساس، این رویکرد فاقد اطمینان عملی است.شبکه عصبی در این کتاب وابسته به صحت و گستردگی داده‌هاست و اگر داده‌های آموزش دارای خطا یا دامنه محدود باشد، نتیجه حاصل از شبکه نیز نامعتبر یا غیرقابل اطمینان خواهد بود. براساس همین نکته در کتاب، مقایسه‌های جداول خطا انجام شده تا صحت شبکه بررسی شود.در برخی مسائل (مانند کنترل فعال یا بهینه‌سازی چندهدفه) استفاده محدود از شبکه عصبی قابل دفاع است، اما برای طراحی اولیه و تحلیل سازه‌هایی که حل علمی وجود دارد، استفاده صرف از شبکه عصبی بیش از حد تبلیغی و وابسته به داده است.

🔻یک دیدگاه اخیرا استفاده از هوش مصنوعی و شبکه‌های عصبی در مقالاتی تحت عناوینی چون پیش بینی رفتار، بهینه سازی و... در جامعه مهندسی عمران برای حل مسائلی که راه حل مشخص و اثبات شده محاسباتی دارند یا بر داده‌های آزمایشگاهی متکی هستند در قالب مقاله، کتاب یا ادعاهای نرم افزاری رایج شده است (نمونه کتاب پیوست). جدا از درگیر شدن در جو غالب و بدون شناخت کافی یک آفت همیشگی بوده است، استفاده از شبکه‌های عصبی و روش‌های هوش مصنوعی برای حل مسائل طراحی سازه که پیش‌تر برای آن‌ها راه‌حل تحلیلی یا عددی ثابت شده وجود دارد، از نظر علمی محل بحث و نقد جدی است و باید با دقت انجام شود. دیدگاه‌های فنی و نظری بسیاری از مسائل سازه‌ای توسط معادلات دیفرانسیل جزئی (مانند پایداری، ارتعاشات، آنالیز تنش) حاصل می‌شوند که برای آن‌ها روش‌های تحلیلی یا عددی کلاسیک وجود دارد. جزییات بسیاری از روش‌های طراحی خصوصا در طراحی بتنی و ژئوفیزیک مبنایی تجربی دارند و حاصل بازی با اعداد نیستند. شبکه‌های عصبی داده‌محور (مانند MLP، CNN) نیازمند حجم زیادی داده آزمایشی (trial)، عددی یا تجربی برای آموزش هستند و فاقد درک ذاتی از فیزیک یا معادلات حاکم بر مسئله‌اند. تلاش برای جایگزین‌کردن این روش‌ها با هوش مصنوعی بدون لحاظ کردن معادلات فیزیکی مسئله، غالباً منجر به نتایج غیرقابل اعتماد، تخمینی و با دقت پایین‌تر نسبت به روش‌های تحلیلی می‌شود. موارد قابل پذیرش و استثناهاشبکه‌های عصبی مطلع از فیزیک (PINN)، با ترکیب داده و معادلات حاکم، می‌توانند در برخی مسائل پیچیده که حل تحلیلی ممکن نیست یا داده کافی وجود ندارد، راه‌حل موثرتری ارائه کنند. هوش مصنوعی برای مسائل بهینه‌سازی یا کنترل فعال سازه‌ها (مانند مغزشبکه‌های کنترل ارتعاش، کنترل فعال زلزله)، کاربرد ارزشمندی دارد، جایی که راه‌حل تحلیلی صریح وجود ندارد یا بسیار دشوار است. مشکلات و نقدها، استفاده تبلیغاتی و غیرضروری از شبکه عصبی در مواردی است که راه‌حل کلاسیک دقیق و سریع موجود است. این روش، توجیه علمی ندارد و نه تنها موجب پیچیدگی غیرضروری، بلکه ممکن است منجر به خطاهای جدی در طراحی گردد. دقت، شفافیت، قابلیت توضیح و کنترل صحت روند حل در روش‌های کلاسیک نسبت به روش‌های شبکه عصبی غیرشفاف بسیار بالاتر است و در بسیاری از استانداردهای مهندسی الزام‌آور می‌باشد.

A simple program for generating foundation drawings from F2K files Nowadays, excellent programs are available for drawing concrete structures based on mathematical model outputs. The attached program, primarily the result of personal curiosity during leisure time, generates preliminary drawings from the F2K output file of SAFE software, including: -Gridline Plan -Reinforcement Plan -Dimensioning Plan -Shear Reinforcement Designation Plan -Foundation Section Details -AutoCAD drawing output