25943

توسعه روش هاي جانمايي بهينه سنسور و شناسايي آسيب در سازه ها به كمك نظريه گراف و الگوريتم هاي فراكاوشي

دكتري تخصصي

مهندسي عمران - مهندسي زلزله

1397

1400/10/7

دكتر علي كاوه

مهندسي عمران

شناسايي مؤثر و دقيق آسيب سازه، نيازمند استفاده از اطلاعاتي است كه توسط سنسورهايي كه در نقاط مختلف آن نصب شده اند، گردآوري مي شوند. به همين دليل، انتخاب موقعيت مناسب براي جانمايي سنسورها از مسائل اساسي در پايش سلامت سازه ها است. مهمترين هدف در جانمايي بهينه سنسورها اين است كه با نصب تعداد مشخصي سنسور، بيشترين و مفيدترين اطلاعات براي شناسايي رفتار سازه بدست آيد. پس از بدست آوردن اطلاعات لازم از سازه، مي توان با استفاده از روش هاي مبتني بر مدل فيزيكي و يا روش هاي مبتني بر داده، وضعيت سازه را پايش كرد. اين رساله شامل چهار قسمت اصلي است. در قسمت اول، با كمك نظريه گراف و روش هاي بهينه يابي، راهبردي نوين در جانمايي بهينه سنسورها در سازه ها ارائه مي شود. در اين راهبرد چند مرحله اي، ابتدا تعداد حداقل سنسورهاي مورد نياز براي سازه مشخص مي شود. سپس با استفاده از نظريه گراف، علاوه بر بهبود نمايش شكل مودي سازه ها كه يكي از معيارهاي مهم در شناسايي سازه هاست، همبستگي مودها كاهش مي-يابد. همچينين، اين مرحله موجب كاهش فضاي جستجو و بهبود عملكرد الگوريتم بهينه يابي مي گردد. علاوه براين، با اعمال تغييراتي در ساختار الگوريتم تكاملي QEA، قابليت جستجوي آن بهبود داده شده و با ارائه نسخه DQEA براي جانمايي بهينه سنسورها استفاده مي شود. در قسمت بعدي، براي نخستين بار يك روش نوين بهينه يابي هوش ازدحامي مبتني بر چرخه زندگي حشرات آب پيما (WSA) مطرح مي شود. پس از بررسي عملكرد الگوريتم ابداع شده در مسائل رياضياتي و مهندسي، نسخه هاي مختلف آن براي شناسايي آسيب در سازه ها به روش معكوس براي به روزرساني مدل به كار مي روند. در پايان، نسخه جبري الگوريتم آب پيما براي مسائل باينري مطرح و در انتخاب ويژگي هاي بهينه براي تشخيص آسيب با كمك روش هاي يادگيري ماشين كلاسبندي استفاده مي شود. در نسخه جبري ارائه شده، فضاي جستجو به صورت يك گراف كيلي مدلسازي مي شود و با استفاده از مفاهيم تئوري گروه ها، بروزرساني ذرات جستجوگر انجام مي پذيرد. علاوه بر اين، در اين قسمت، از تلفيق داده ها در سطح تصميم براي بهبود بيشتر نتايج استفاده مي شود. نتايج نشان مي دهند كه روش چند مرحله اي ارائه شده براي جانمايي بهينه سنسور، نه تنها منجر به كاهش حدود 40% مقدار بيشنه ماتريس TMAC نسبت به روش بهينه يابي عمومي مي شود، بلكه حدود 70% از خطاي بازتوليد شكل هاي مودي نسبت به روش عمومي مي كاهد. شاخص ها و آزمون هاي آماري حاكي از عملكرد مطلوب الگوريتم آب پيما در مسائل رياضي و مهندسي و در مقايسه با بسياري از الگوريتم هاي شناخته شده است. بررسي سناريوهاي مختلف شناسايي آسيب در سازه ها، عملكرد مناسب نسخه آشوبناك CWSA را از نظر كاهش خطاي شناسايي و كاهش مقدار تابع هزينه نشان مي دهد. استفاده از نسخه جبري AWSA در پايش سلامت مبتني بر داده و روش هاي يادگيري ماشين، منجربه افزايش دقت تشخيص آسيب در مقايسه با ساير الگوريتم ها شده است. همچنين تلفيق نتايج با استفاده از نظريه دمپستر-شفرِ بهبود يافته، موجب افزايش دقت در اتخاذ تصميم نهايي در خصوص پايش سلامت سازه مي شود.

1400/11/04

Development of Optimal Sensor Placement and Structural Damage Identification Methods Using Graph Theory and Metaheuristic Algorithms

12/28/2022 12:00:00 AM

For accurate and efficient identification of damage in a structure, information is generally collected by sensors installed in various locations of the structure. Choosing suitable locations for sensors is, therefore, a critical aspect of structural health monitoring (SHM). The purpose of optimal sensor placement is to install a certain number of sensors to obtain the most useful information for identifying the behavior of structures. Having gathered the necessary data, the structural model can be identified through physics-based or data-driven methods. The thesis consists of four main parts. In the first part, a new multi-stage framework for optimal sensor placement is presented, in which, the number of required sensors are determined. Then optimization algorithms and graph theory are used to improve mode shape visualization, reduce search space and the number of sensors, and enhance the performance of optimization algorithms. Additionally, an enhanced version of QEA algorithm, called DQEA, is provided to find the optimal sensor placements efficiently. In the next part, a novel swarm-intelligence optimization algorithm, WSA, inspired by the water strider bug’s lifecycle is proposed. After verifying the performance of the new algorithm in mathematical and engineering benchmark problems, several versions of the algorithm are designed and applied for the inverse damage detection problem in the next part. Finally, an algebraic water strider algorithm for binary problems is proposed and applied in optimal feature selection for SHM. In this method, the search space is viewed as a Cayley graph, and the search agents are updated based on group theory rules. The results of classification machine learning methods are further enhanced by the application of data fusion at the decision level. The obtained results demonstrate that the proposed multi-stage framework not only reduces the maximum array of TMAC by 40% but also decreases the error of reconstruction of mode shapes by 70%. Statistical indexes and tests show that the introduced WSA results in a satisfactory performance compared to other well-known algorithms. Application of the improved versions of WSA indicates that the chaotic version, CWSA, outperforms other algorithms. AWSA is able to find features yielding less error compared to other algorithms. Additionally, the method designed for data fusion at the decision level helps decision-makers to reach an accurate and consistent decision about studied structures.

پايش سلامت سازه ها , جانمايي بهينه سنسور , تشخيص آسيب , نظريه گراف , يادگيري ماشين , بهينه يابي , تلفيق داده ها

Structural health monitoring , Optimal sensor placement , Damage detection , Graph theory , Optimization , Machine Learning , Data fusion