The current study proposes a framework to provide an optimal distribution of energy dissipation devices for low- and mid-rise framed buildings using an artificial neural network (ANN) and fuzzy inference system (FIS). Three illustrative framed buildings to be retrofitted using steel slit dampers are presented to demonstrate the effectiveness of the proposed framework. Two hundred natural earthquake records are used to consider variability in seismic ground motions, and 33,600 nonlinear time history analyses (NLTHAs) are conducted to train the framework. Three engineering demand parameters are used to represent the strength and serviceability requirements concurrently, and the fuzziness of structural limit states is also included within the framework. The framework is fine-tuned by carrying out sensitivity exercises based on different sample sizes to select the most appropriate training algorithm, activation function, and ANN architecture. After that, the proposed framework is compared with three different supervised machine learning classification algorithms; namely, support vector machine, decision tree, and bagged ensemble. The results show the superiority of the proposed framework compared to the conventional machine learning algorithms in predicting the ranking and obtaining the optimum retrofit scheme for low- and mid-rise framed buildings. Finally, NLTHAs are conducted to validate the results produced by the framework, which are found to be in good agreement with the NLTHAs testing results.

中文翻译：

---

使用神经网络和模糊推理系统的地震能量耗散装置的优化分布

当前的研究提出了一个框架，使用人工神经网络 (ANN) 和模糊推理系统 (FIS) 为中低层框架建筑提供能量耗散装置的最佳分布。展示了三个要使用钢缝阻尼器进行改造的示例性框架建筑，以证明所提议框架的有效性。使用 200 条自然地震记录来考虑地震地面运动的可变性，并进行 33,600 次非线性时程分析 (NLTHAs) 来训练框架。用三个工程需求参数同时表示强度和使用性能要求，框架内还包括结构极限状态的模糊性。该框架通过根据不同的样本大小进行敏感性练习来微调，以选择最合适的训练算法、激活函数和 ANN 架构。之后，将提出的框架与三种不同的监督机器学习分类算法进行比较；即支持向量机、决策树和袋装集成。结果表明，与传统的机器学习算法相比，所提出的框架在预测排名和获得中低层框架建筑的最佳改造方案方面具有优越性。最后，进行 NLTHAs 以验证框架产生的结果，发现这些结果与 NLTHAs 测试结果非常一致。之后，将提出的框架与三种不同的监督机器学习分类算法进行比较；即支持向量机、决策树和袋装集成。结果表明，与传统的机器学习算法相比，所提出的框架在预测排名和获得中低层框架建筑的最佳改造方案方面具有优越性。最后，进行 NLTHAs 以验证框架产生的结果，发现这些结果与 NLTHAs 测试结果非常一致。之后，将提出的框架与三种不同的监督机器学习分类算法进行比较；即支持向量机、决策树和袋装集成。结果表明，与传统的机器学习算法相比，所提出的框架在预测排名和获得中低层框架建筑的最佳改造方案方面具有优越性。最后，进行 NLTHAs 以验证框架产生的结果，发现这些结果与 NLTHAs 测试结果非常一致。结果表明，与传统的机器学习算法相比，所提出的框架在预测排名和获得中低层框架建筑的最佳改造方案方面具有优越性。最后，进行 NLTHAs 以验证框架产生的结果，发现这些结果与 NLTHAs 测试结果非常一致。结果表明，与传统的机器学习算法相比，所提出的框架在预测排名和获得中低层框架建筑的最佳改造方案方面具有优越性。最后，进行 NLTHAs 以验证框架产生的结果，发现这些结果与 NLTHAs 测试结果非常一致。