از زمانی که استفاده از کامپیوترهای محاسبه‌گر به رشته مهندسی عمران رواج پیدا کرده است، تحول عظیمی در روند مسائل مهندسی سازه بخصوص در طراحی‌های طولانی و زمان‌بر به وجـود آمده است. با این حال هنوز برخی از مسائل در طراحی وجود دارند که به علت پیچیدگی اطلاعـات و یـا نبـود تئوری مدونی، حتی به کمک کامپیوتر نیز برای رسیدن به جواب، زمان طولانی صرف می‌شود. شبکه‌های عصبی مصنوعی که یک تکنولوژی در حوزه هوش مصنوعی می‌باشند، ابزار قدرتمندی هستند کـه قادرنـد یـک رابطـه عمـومی بـین اطلاعـات حجـیم و پیچیده ناشی از آزمایش‌ها و مثال‌های تجربی بدست آورند و در حل مسائل مشابه بدون صرف زمـان زیـادی مفید خواهند بود.
در ادامه با بررسی اجمالی چند مساله که به وسیله شبکه‌های عصبی حل شده‌اند می‌پردازیم.
1. دستیابی به ارتفاع بهینه یک دال بتنی:
در این مساله پارامترهای طول و عرض دال بتنی و همچنین مقدار بارگذاری در ابعاد مختلف دال به عنوان ورودی در نظر گرفته شده‌اند تا بتوان به مقدار عمق بهینه دال بتنی دست پیدا کرد. برای حل این مساله از شبکه‌های گوناگونی مثل NRBF، MLP و RBF استفاده شده است که بهترین نتیجه با اختلاف معناداری مربوط به شبکه NRBF می‌باشد. همچنین حداکثر خطای موجود در این شبکه عصبی برابر 3% بوده است.
در استفاده از شبکه‌های عصبی باید محدودیت‌هایی نیز در نظر گرفت تا از لحاظ ایمنی پاسخ قابل قبولی داشته باشیم. در اینجا سه محدودیت به شبکه اعمال شده است که به شرح زیر می‌باشد.
- هزینه حداقل
- نسبت طول دهانه به عمق موثر بر اساس آیین نامه BS8110
- حداکثر مقدار فولاد (4% کل مقطع) بر اساس BS8110
2. بهینه‌سازی سازه:
بهینه‌سازی سازه گستره وسیعی می‌باشد، هدف از راه‌حل ارائه شده در این بخش به کارگیری شبکه‌های عصبی در بهینه‌یابی سازه‌ها و کاهش زمان محاسبات در مقایسه با روش‌های متداول است.
اجرای بهینه‌سازی در سه مرحله صورت می‌گیرد. در اولین مرحله متغیرهای طراحی (ب آمـوزش داده شده بدین صورت انجام می‌گیرد که قیود و مشـتقات مربـوط در مـدت زمـان کوتـاهی از طریـق شـبکه عصبی در اخه عنـوان مثـال سـطح مقطع عضو) به صورت تصادفی ایجاد می‌گردند و سپس قیود و مشتقات قیود مربـوط بـه هـر مجموعـه از متغیرهای تصادفی ایجاد شده محاسبه می‌گردند. در مرحلـه دوم، دو شـبکه عصـبی انتشـار متقابـل بـر اساس اطلاعات قیود و مشتقات آن آموزش داده می‌شوند و ماتریس های وزن بـه طـور خـودکـار در مرحلـه آموزش محاسبه می‌گردند. در مرحله نهایی به منظور بهینه‌سازی با استفاده از شبکه های عصـبیتیار بهینه‌ساز قرار می‌گیرد.
3. بهینه‌سازی تیرهای فولادی سرد نورد:
هدف استفاده از شبکه‌های عصبی بدست آوردن مقطع بهینه طراحی برای نیمرخ‌هـایی اسـت کـه از مقـاطع فولادی سرد نورد ساخته شده و در سازه استفاده می‌شوند. علت اصلی استفاده از مقاطع سرد نورد، قابلیت انعطاف آنها است از این نظـر کـه ایـن مقـاطع را در شـکل‌ها و اندازه‌های دلخواه در اختیار طراح قرار می‌دهد. سوالی که در مورد این مقاطع به وجود می‌آید این است که چه مقطعی انتخاب شود تا اقتصادی‌تـرین مقطـع براي طراحی چنین سازه‌های فولادی بدست آید.
همان طور که گفته شد شبکه‌های عصبی یکی از پرکاربردترین تکنولوژی‌های هوش مصنوعی می‌باشد که از توانایی‌های زیـادی در مسـائل مهندسـی بـه خصـوص در طراحی سازه برخوردار است. به همین دلیل نظر طراحان را به سوی خود جلـب کـرده اسـت و در آینـده ایـن شبکه‌ها جای خود را در مسائل مهندسی محکم خواهند کرد و بـه عنـوان یـک مرجـع قابـل اطمینـان مـورد استفاده قرار خواهند گرفت، به شرطی که دقت زیادی در ارائه داده‌های طراحی شود.
