Immo LUKAS
Application of high-performance computing for the seismic collapse assessment of a planar steel frame
structure (in Englisch)
Naturkatastrophen zählen seit jeher zu den gefährlichsten Ereignissen für die Menschheit. Trotz allem technologischen Fortschritt haben die jüngsten Erdbebenereignisse ihre zerstörerische Kraft demonstriert. Insbesondere im urbanen Umfeld bleibt der Umgang mit den Auswirkungen von Erdbeben auf Gebäude und Infrastruktur eine zentrale Aufgabe für die Ingenieurwissenschaft. Im Bereich des Erdbebeningenieurwesens zählt die Beurteilung des Tragwerkskollaps zu den ersten und wichtigsten Anliegen bei der Bewertung der Fähigkeit eines Bauwerks, seismischen Ereignissen standzuhalten. Nichtlineare dynamische Analysen bieten die Möglichkeit, das Gebäudeverhalten unter seismischer Anregung realistisch abzubilden. Diese Analysen sind rechenaufwändig und werden daher in der Praxis selten eingesetzt. Aus diesem Grund wird vom Arbeitsbereich für Angewandte Mechanik der Universität Innsbruck im Rahmen einer groß angelegten Studie eine Datenbank generiert, die die Berechnungsergebnisse mehrgeschossiger rahmenartiger Strukturen bereitstellt und damit die Grundlage für ein tieferes Verständnis ihres Einsturzverhaltens unter Erdbebenanregung ermöglicht. Langfristiges Ziel ist es, die rechenaufwändigen Berechnungen zur seismischen Einsturzbeurteilung durch Machine Learning basierte Vorhersagen zu umgehen. Basierend auf der NGA-West2 Erdbebendatenbank werden 17 000 Erdbebenschriebe einer Incremental Dynamic Analysis unterzogen. In der vorliegenden Masterarbeit wird eine 8-geschossige Stahlrahmenkonstruktion betrachtet. Die Untersuchung beinhaltet die Ausarbeitung der notwendigen Grundlagen des Erdbebeningenieurwesens und gibt Einblicke in die Modellierung und Implementierung der Konstruktion. Die Auswertung der Ergebnisse offenbart eine signifikante Änderung der Tragwerksverformungen im Einsturzzustand im Vergleich zum Bewertungspunkt kurz vor dem Einsturz. Gängige Intensitätsmaße (IM) werden hinsichtlich der Kriterien der Effizienz, Suffizienz und Skalierbarkeit bewertet. Bei der Untersuchung des Einflusses einzelner Geschosse auf das gesamte Einsturzverhalten ist zu beobachten, dass insbesondere der Einsturz oberer Geschosse stark mit einem hohen Skalenfaktor korreliert, der wiederum die Erdbebenschriebe verzerrt und damit vermutlich nur eine eingeschränkte Aussagekraft liefert. Zuletzt wird mit dem Machine Learning Algorithmus K-means clustering darauf abgezielt, die Datenbank der Erdbebenschriebe gemäß ähnlicher Charakteristika zu strukturieren und zu Datensätzen (Sets) zusammenzufassen. Auf Basis der gezielt ausgewählten Sets erhofft man sich die Vorhersagegenauigkeit generalisierter linearer Machine Learning Modelle zu erhöhen.