22786

پايش سلامت پل هاي بتني بر مبناي تركيب داده چند حسگري

كارشناسي ارشد

زلزله

1399/9/11

دكتر قدرتي اميري

دكتر درويشان

عمران

در سال هاي اخير، پايش سلامت سازه موضوع تحقيقات بسياري در زمينه هاي مختلاف مهندساي ، از جمله مهندسي عمران بوده است. هدف اصلي مطالعات انجام شده در اين زمينه، تشخيص وجود آسيب در سازه و تعيين موقعيت و شدت آن است. براي اين منظور، از داده هاي به دست آمده از سازه توسط حسگرهاي نصب شده روي آن استفاده مي شود. رشد چشمگير حسگرها و روش هاي اندازه گيري در دهه هاي اخير ، زمينه را براي دستيابي به داده هاي متنوع در حجم زياد فراهم كرده و زمينه ساز پيشارفت در حوزه پايش سالامت سازه شده است. با اين حال، چگونگي تركيب اين داده ها و دستيابي به نتايج دقيق بر اساس آن ها چالش اصلي مطرح در اين حوزه است. در اين پايان نامه، پس از بررسي مفاهيم پايش سلامت سازه و روش هاي پركاربرد تركيب داده در اين حوزه ، به بررسي مفاهيم يادگيري ماشين و يادگيري عميق، به عنوان پركاربردترين رويكردهاي مورد استفاده براي تركيب داده و پايش سلامت سازه در سال هاي اخير، خواهيم پرداخت. در آخر، روشي جديد و مبتني بر يادگيري عميق براي پايش سلامت سازه هاي عمراني معرفي خواهد شد . روش پيشانهادي از يك شبكه خودرمزنگار پيچشي عميق براي تركيب داده هاي خام شتاب به دست آمده از چندين حسگر نصب شده روي سازه استفاده مي كند و در نهايت وسعت آسيب در سازه را تخمين مي زند. بر خلاف اغلب روش هاي مبتني بر يادگيري ماشين معرفي شده در حوزه پايش سلامت سازه كه به داده هايي از سازه در حالت سالم و حالات مختلف خرابي براي آموزش شبكه نياز دارند، در روش پيشنهادي آموزش خودرمزنگار پيچشي تنها با استفاده از داده هاي حالت سالم سيستم انجام مي شود. اين مزيت به خصوص از اين جهت سودمند است كه در سازه هاي واقعي عمراني، دسترسي به داده هاي حالت خراب سيستم معمولا امكان پذير نيست . روش پيشنهادي روي دو مدل عددي و يك پل بتني در مقياس واقعي اعمال شده و كارايي آن مورد بررسي قرار گرفت. با توجه به نتايج حاصله، با استفاده از اين روش مي توان وجود آسيب در سازه را تشخيص داده، شدت آن را تحت سناريوهاي مختلف آسيب با موفقيت تخمين زده و وضعيت سلامت كلي سازه را ارزيابي كرد.

1399/09/12

Multi-sensor data fusion-based structural health monitoring of concrete bridges

12/2/2021 12:00:00 AM

Structural health monitoring has been the subject of many researches in various engineering fields, including civil engineering, in recent years. The main objective of these studies is to detect the presence of damage in a structure and specify its location and severity. Data from the sensors installed on the structure are used for this purpose. The remarkable advances in sensors and measurement technologies in recent decades have paved the way for getting access to different kinds of data in large amounts and thus, have led to a progress in structural health monitoring field. However, how to fuse these data and reach more accurate results based on them, is still a big challenge. In this thesis, the concepts of structural health monitoring and the popular data fusion approaches used in this field are reviewed and the main concepts of machine learning and deep learning, as the most popular data fusion approaches in structural health monitoring in recent years, are explained. A new deep learning-based method is also presented to monitor the health states of civil structures. The proposed method uses a deep convolutional autoencoder to fuse raw acceleration data from multiple sensors installed on a structure and estimates the extent of damage in the structure. Unlike most machine learning-based approaches proposed for structural health monitoring which need data from the healthy state and different damaged states of a structure, the method presented in this thesis needs only the healthy state data in the training phase. This is especially useful because data from damaged states of a real civil structure is not usually accessible. The efficiency of the proposed method was studied through its application on two numerical models and a full-scale concrete bridge. The results show that this method can successfully detect and quantify damage in various damage scenarios and assess the global health state of the structure.