Comparative Evaluation of Semiactive Control Strategies for the Milad Telecommunication Tower Using MR Dampers Under Spectrally Matched Near‐ and Far‐Field Earthquakes
Notice bibliographique
Résumé
ABSTRACT Tall telecommunication towers are highly vulnerable to seismic and wind‐induced vibrations due to their slender geometry, low damping, and long fundamental periods. Existing control systems often struggle to balance adaptability, energy efficiency, and real‐time feasibility. This study introduces a fully data‐driven semiactive control framework for the Milad Tower, integrating magnetorheological (MR) dampers modeled via artificial neural networks (ANNs) with four control strategies: linear quadratic regulator (LQR), fuzzy logic controller (FLC), model predictive controller (MPC), and adaptive neuro‐fuzzy inference system (ANFIS). The tower was subjected to 21 spectrally matched ground motions, categorized into near‐field with pulse, near‐field without pulse, and far‐field earthquakes, tailored to its long‐period dynamics using wavelet‐based spectral matching. Among all strategies, MPC achieved the greatest peak and RMS response reductions, lowering RMS displacement and acceleration by 73.3% and 40.3%, respectively, but required the highest control effort (60.9%). ANFIS matched or slightly exceeded MPC's performance while consuming less energy (54.6%) and demonstrated superior adaptability, especially under high‐pulse near‐field events by preventing control saturation. FLC consistently outperformed LQR but lagged behind ANFIS in adaptability. These results underscore the effectiveness of combining ANN‐based damper modeling with intelligent, data‐driven controllers, offering a high‐performance and energy‐efficient solution for real‐time seismic mitigation in tall telecommunication structures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».