25496

تشخيص آسيب در قاب فولادي با استفاده از رويكرد جديد يادگيري عميق

كارشناسي ارشد

مهندسي عمران- مهندسي زلزله

1397

1400/07/08

دكتر غلامرضا قدرتي اميري

مهندسي عمران

بررسي وضعيت سلامت سازه‌ها با كاربري‌‌هاي متفاوت پس از رخدادهاي مختلف همچون زلزله‌، سيل، آتش‌سوزي، خوردگي و يا حتي اثر افزايش سن سازه بر آن ضروري بوده و در صورت استفاده از نيروي متخصص شامل افراد و تجهيزات بررسي، جزو عمليات‌هاي گران قيمت و زمان‌بر محسوب مي‌شود. بازرسي‌هاي دوره‌اي برخي از سازه‌ها با كاربري مهم‌تر همچون نيروگاه‌ها، پالايشگاه‌ها، مراكز با تراكم جمعيت بالا و… نيز براي جلوگيري از آسيب‌هاي جبران ناپذير ضروري است. در اين پژوهش به منظور كاهش هزينه‌ها و افزايش دقت و وسعت بررسي سازه‌ها با به كارگيري روشي نوين و كم‌هزينه با استفاده از مدسازي سازه و استفاده از شبكه عصبي عميق كانولووشن سعي در برآورده كردن اين منظور شده است. اين روش در سال‌هاي اخير در زمينه‌هاي مختلف همچون بررسي سطوح هواپيما و فضاپيما‌، بررسي سيستم‌هاي مكانيكي پيچيده و همچنين در زمينه‌هاي پزشكي همچون تشخيص سرطان و غده‌هاي مغزي استفاده شده و نتيجه‌هايي بسيار درخشان از خود به جاي گذاشته است. شبكه‌هاي عصبي عميق با قابليت استخراج خودكار ويژگي از داده‌هاي خامي همچون پاسخ شتاب سازه و طبقه‌بندي آنها اين امكان را به مهندسين مي‌دهد تا با دقتي بالا و سرعتي زياد به سوالات مطرح شده درباره سلامت سازه پاسخ داده شود. براي حل مشكل احتمالي كمبود داده كافي از سازه نيز با مدلسازي آن و به روز رساني اين مدل، داده كافي براي آموزش شبكه عصبي فراهم مي‌گردد. نتايج درخشان حاصل از الگوريتم جديد مطرح شده در اين پژوهش بر روي قاب فولادي هفت طبقه مدلسازي شده و سازه چهار طبقه فولادي مرجع به همراه داده‌هاي واقعي نشان داد كه اين روش، روشي قابل اطمينان و كم هزينه براي استفاده برخط در انواع سازه‌ها مي‌باشد چراكه علي‌رغم تعبيه تعداد اندكي سنسور براي هر طبقه، دقت تشخيص وجود آسيب و مكان‌يابي آن در تمامي سناريوهاي مطرح شده، شامل سناريوهايي همراه با نويز، در محدوده بالاي 90 درصد باقي مي‌ماند.

1400/08/17

ِDamage detection of steel frame using new approach of deep learning

9/30/2022 12:00:00 AM

Controlling the health level of structures with different utilities after various phenomena like earthquakes, floods, fire, or even the effect of aging in buildings is necessary, and in the case of using experts, including inspection equipment and specialists, this process is a highly expensive and time-consuming task. Periodic inspection of some important buildings such as powerplants, high population centers, etc, is necessary to prevent irreversible harm. In this study, to reduce costs and increase the accuracy and width of inspecting structures, a novel convolutional neural network has been proposed which is a very cost-effective method and consumes the acceleration response of a simulated structure. This method recently has been used in various fields like inspecting the surface of airplanes or spaceships, inspecting complex mechanical systems, and has been used in bio to detecting cancerous glands and brain glands. This method has been reported brilliant results in all of that pointed fields. Deep neural networks can automatically extract high-level features from raw data like the acceleration response of a structure and classify these data into proper sections to answer all of the questions proposed about the health condition of a structure in a short time and with high accuracy. In order to resolve the lack of real data from a building, modeling and simulating the structure and updating it into various conditions can provide enough data for the network. Brilliant results achieved from a novel proposed algorithm in the present research which has been done on a simulated seven-story steel frame and a reference four-story contains real data shows that this method is reliance and cost-effective in order to use online in a variety of structures. The number of sensors used in each story was limited, while the accuracy of detecting damage and localization of it in all of the introduced scenarios include scenarios with a noisy condition, remained above 90 percent precision.

پايش سلامت سازه , مدلسازي , قاب فولادي , پاسخ ارتعاشي , شبكه عصبي عميق كانولووشن

Structural health monitoring , modeling , steel frame , vibrational response , deep convolutional neural network