27680

شناسايي خسارت سازه ها بر اساس تكنيك هاي پيش بيني مبتني بر پردازش سيگنال و يادگيري ماشين

كارشناسي ارشد

مهندسي عمران

1397

1401/9/8

دكتر غلامرضا قدرتي اميري

دكتر احسان درويشان

پرديس دانشگاهي - مهندسي عمران

امروزه اهميت پايش سلامت سازه ها به منظور تشخيص زود هنگام آسيب در گام هاي اوليه وقوع آسيب و همچنين جلوگيري از گسترش آن در سازه كه به عنوان يك عامل منفي در مقاومت و سختي سازه اثر گذار است، بر كسي پوشيده نيست. بر اين اساس در اين پژوهش به تشخيص آسيب با استفاده از روش هاي پردازش سيگنال و روش هاي پيش بيني داده ها با استفاده از شبكه عصبي پرداخته شده است. در پايان نامه حاضر تلاش شده تا با استفاده از پاسخ شتاب اخذ شده از يك مدل پل فولادي مرجع كه در آزمايشگاه دانشگاه فلوريداي مركزي در سال 2003 به صورت كوچك مقياس مدل سازي شده، استفاده گردد تا به بررسي روش تشخيص آسيب مذكور در عنوان پايان نامه پرداخته شود. ابتدا پاسخ ها با استفاده از روش تجزيه تجربي مودي ( EMD ) كه يكي از روش هاي پردازش سيگنال مي باشد، مورد پيش پردازش قرار گرفته است. سپس با بدست آمدن توابع حالت ذاتي ( IMF ) هر سيگنال در حالت سالم و سناريوهاي آسيب با بهره گيري از شبكه عصبي حافظه بلند مدت – كوتاه ( LSTM ) و آموزش شبكه عصبي مذكور با داده هاي سازه ي سالم و سپس آزمايش شبكه با داده هاي سازه ي آسيب ديده با سناريوهاي آسيب مختلف و انجام پيش بيني توسط اين شبكه عصبي به بررسي خطاي شبكه در پيش بيني توابع حالت ذاتي ( خطاي بين داده هاي واقعي ماخوذ از پل و داده هاي پيش بيني شده توسط شبكه ) و همچنين تعريف شاخص آسيب حاصل از فاصله آماري داده ها در حالت واقعي و پيش بيني شده پرداخته مي شود . فرض بر اين است كه وقوع آسيب باعث حضور قله هاي بلند و ناپيوستگي در سيگنال مي شود. بنابر اين سيگنال هاي ماخوذ از سازه ي آسيب ديده داراي نقاط با قله ي بزرگ تري هستند كه اين امر موجب افزايش خطا در پيش بيني و همچنين افزايش در شاخص آسيب مي گردد. بديهيست كه هر چه آسيب از شدت بيشتري برخوردار باشد اين ناپيوستگي ها و قله ها در سيگنال، دامنه ي بيشتري دارند. لذا خطاي بين داده هاي واقعي و داده هاي پيش بيني شده توسط شبكه عصبي در مقايسه ي بين دو حالت كه در حالت اول شبكه عصبي با داده هاي سازه سالم تعليم مي بيند و با همان داده ها نيز تست مي شود نسبت به حالت دوم كه شبكه عصبي با داده هاي سازه ي سالم آموزش مي بيند ولي با داده هاي سازه ي آسيب ديده تست مي شود بالاتر مي رود و همچنين شاخص آسيب نيز افزايش مي يابد. لذا در اين پژوهش از اين اصل براي بررسي خطاي حاصل از پيش بيني شبكه عصبي و همچنين تعريف شاخص آسيب با استفاده از فواصل آماري داده ها به منظور تشخيص آسيب و مكان يابي تقريبي آسيب بهره گرفته شده است. نتايج اين پژوهش نيز حاكي از افزايش خطاي پيش بيني و شاخص آسيب در حالتي كه شبكه عصبي با داده هاي سازه سالم تعليم داده شده است و با همين داده ها نيز آزمايش شده است نسبت به حالتي كه شبكه با داده هاي سازه ي سالم آموزش داده شده اما با داده هاي سازه آسيب ديده آزمايش شده است، دارد.

1401/10/18

Damage Detection of Structures Using Forecasting Techniques Based on Signal Processing and Machine Learning

11/29/2023 12:00:00 AM

nowadays, the importance of Structural health monitoring of structures in order to detect early stage damage and also prevent it’s propagation in the structure, which has a negative effects on the strength and stiffness of the structure, is not negligible. thus, in this research, damage detection has been done by using of signal processing methods and data prediction methods with neural networks. In this research, an attempt has been made to use the acceleration response obtained from a benchmark steel bridge model which is an small scale laboratory model which was built in University of Central Florida in 2003 to investigate the damage detection methods. First, the responses of installed sensors on structure have been pre-processed using the Empirical Mode Decomposition (EMD) method, which is one of the signal processing methods. Then the Intrinsic Mode Functions (IMF) of each signal in healthy state and damage scenarios obtained. thereafter, each IMF feed as input to the long-short-term memory neural network (LSTM) and training it with the data of healthy structure and then testing the network with the same data. Afterward, damaged structure data with different damage scenarios fed to LSTM network. In both state error indices, statistical distance functions calculated using the real data and predicted data. It is assumed that the occurrence of damage causes the presence of high peaks and discontinuity in the signal. Therefore, the signals derived from the damaged structure have larger peak points, which increases the prediction error and also increases the damage index. Obviously, the more the severe of damage, the greater the amplitude of these discontinuities and peaks in the signal. There for, damage indices increase in second state because of presence of sudden peaks in signal. So, this principle has been used to calculate the error resulting from the prediction of the neural network between two state and compare the results. Moreover, the damage indices using the statistical distance function and error indices used as damage index in order to detect the damage and approximate location of the damage along the bridge model. The results indicate an increase in the amount of prediction errors and damage indices in the case that the neural network was trained with the healthy structure data and tested with the same data, compared to the case which the network was trained with the healthy structure data and test with damaged structure data.

پايش سلامت سازه ها , تشخيص آسيب , يادگيري ماشين , پردازش سيگنال

Structural Health Monitoring , Damage Detection , Machine Learning , Signal Proccessing

Hosein Saffar Yosefi Fard

Prof. Gholamreza Ghodrati Amiri