31275

پايش سلامت ارتعاشي پل راه آهن پرسرعت با استفاده از هوش مصنوعي (يادگيري ماشين و شبكه عصبي)

كارشناسي ارشد

مهندسي ماشين هاي ريلي

1403

1403/6/26

دكتر محمدعلي رضواني بابلي

استاد مشاور نداشتم.

راه آهن

در اين پايان نامه، هدف پايش سلامت ارتعاشي پل با استفاده از هوش مصنوعي مي باشد. در راستاي اجراي اين هدف، دو نوع شبكه عصبي به طور كلي ايجاد شد. شبكه عصبي اول با استفاده از فركانس طبيعي هاي پل معيوب (يك آسيب در پل وجود دارد كه گستردگي آن تغيير مي كند) در محل هاي مختلف آموزش مي بيند و در نهايت، مي تواند با اعمال فركانس طبيعي (به عنوان ورودي) يك پل معيوب، محل آسيب و گستردگي آن و ميزان آسيب را پيدا كند. اين شبكه از نوع شبكه چند لايه مي باشد. به منظور ايجاد ديتاست براي وجود يك آسيب، 404 بار شبيه سازي انجام شد و فركانس طبيعي هاي پل به دست آمد. اين شبكه پايش سلامت سطح دو و سه را انجام مي دهد. شبكه عصبي دوم با استفاده از فركانس طبيعي هاي پل معيوب (دو آسيب در پل وجود دارد كه گستردگي آن ثابت است و محل آن دو آسيب تغيير مي كند) در محل هاي مختلف آموزش مي بيند و در نهايت، مي تواند با اعمال فركانس طبيعي (به عنوان ورودي) يك پل معيوب، محل آسيب و گستردگي آن و ميزان آسيب را پيدا كند. اين شبكه از نوع شبكه چند لايه مي باشد. به منظور ايجاد ديتاست براي وجود دو آسيب، در مجموع 808 بار شبيه سازي سه بعدي پل انجام گرفت و فركانس طبيعي هاي به دست آمد. شبيه سازي ها بر اساس پيشروي آسيب ها به سمت راست انجام شده است و لذا نمايش فركانس طبيعي هاي پل آسيب ديده بر حسب شماره شبيه سازي نشان دهنده يك نمودار با مفهومي خاص خواهد بود كه نمايش جالبي خواهد داشت. ديتاست اين شبكه بر اساس مدل هاي دو بعدي و سه بعدي ايجاد شده است. اين شبكه با سرعت زيادي آموزش ديد و از كارآمدي زيادي برخوردار بود. براي بررسي ميزان مقاومت به خطا، خطاي رندوم به داده ها ورودي اعمال شد و ميزان حد حداكثري تحمل خطا مشخص شد. اين شبكه پايش سلامت سطح دو و سه را انجام مي دهد. در ادامه، پاسخ ديناميكي پل به صورت سه بعدي و اندركنش بين قطار و پل به دست آمد. نوآوري در خصوص اين شبكه، استفاده از آن براي يك پل سه بعدي و با دقت نسبتا زياد بود. همچنين، نمايش تغييرات فركانس هاي طبيعي بر حسب محل آسيب نيز يك نوآوري محسوب مي شود كه در اين پايان نامه وجود داشت. شبكه عصبي سوم با استفاده از پاسخ ديناميكي پل سالم در چهارده سرعت مختلف عبور قطار TGV آموزش ديده است. اين شبكه از نوع مدل بروني خودپنداره غير خطي مي باشد. ورودي آن، توابع پله عبوري از پل هستند و خروجي آن، پاسخ ديناميكي پل سالم مي باشد. اين شبكه نشان مي دهد كه بين مجموع نيرو هاي عمودي چرخ ها عبوري از پل با پاسخ ديناميكي پل ارتباط وجود دارد. در آخر، مقايسه اي بين خروجي شبكه و پاسخ ديناميكي پل معيوب انجام مي گيرد و وجود خطا نشان دهنده عيب در پل مي باشد. در حقيقت اين شبكه پايش سلامت سطح يك را انجام مي دهد. در اين بخش، شباهت مجموع توابع پله چرخ هاي عبوري از پل با جا به جايي مركز پل نشان داده شده است و ارتباط مشتق جا به جايي مركز پل با مجموع توابع پل نشان داده شد. همچنين، مطالعه ي پارامتري بر پاسخ ديناميكي پل صورت گرفت و پارامتر هايي مثل تعداد واگن هاي عبوري از پل، اثر خرابي پروفيل چرخ قطار، تغيير مدول يانگ كلي پل (افزايش و كاهش سختي پل)، تغيير ميرايي پل، افزايش تعداد دهانه و طول پل، اثر ورود و خروج چرخ هاي قطار بر چرخ هاي ديگر موجود بر پل، سرعت بحراني عبور قطار و تطابق آن با انچه حل بسته بررسي شده است. در آخرين قسمت، تبديل سريع فوريه بر شتاب بوژي قطار اعمال شد و همچنين شتاب دو بوژي محاسبه شد و از يكديگر تفريق شد و بر روي شتاب باقي مانده تبديل سريع فوريه اعمال شد. همچنين، از شتاب بوژي چگالي طيفي تواني گرفته شد و فركانس طبيعي هاي پل و بوژي و واگن در آن مشهود بود. نوآوري اين شبكه در ديتاست تهيه شده براي آن بود كه از مدل سه بعدي اندركنشي استفاده شده است.

1403/07/09

High-speed railway bridge vibration health monitoring using artificial intelligence (machine learning and neural network)

9/17/2025 12:00:00 AM

In this thesis, the aim is to monitor the vibrational health of the bridge using artificial intelligence. In order to implement this goal, two types of neural networks were created in general. The first neural network is trained using the natural frequencies of the defective bridge (there is a damage in the bridge that changes its extent) in different locations, and finally, it can use the natural frequency (as input) of a defective bridge. find the location of the damage and its extent and the amount of damage. This network is a multilayer network. In order to create a dataset for the presence of a damage, 404 simulations were performed and the natural frequencies of the bridge were obtained. This network performs level two and three health monitoring. The second neural network is trained using the natural frequencies of the defective bridge (there are two damages in the bridge, the extent of which is fixed and the location of the two damages changes) in different places, and finally, it can use the natural frequency ( as input) to find a defective bridge, the location of the damage and its extent and the amount of damage. This network is a multilayer network. In order to create a dataset for the presence of two damages, a total of 808 three-dimensional bridge simulations were performed and natural frequencies were obtained. The simulations have been done based on the progress of the damage to the right, and therefore the display of the natural frequencies of the damaged bridge according to the simulation number will show a diagram with a special concept that will have an interesting display. The dataset of this network is created based on two-dimensional and three-dimensional models. This network was trained very quickly and was very efficient. To check the level of error resistance, random error was applied to the input data and the maximum level of error tolerance was determined. This network performs level two and three health monitoring. Next, the dynamic response of the bridge was obtained in three dimensions and the interaction between the train and the bridge. The innovation regarding this network was to use it for a three-dimensional bridge with relatively high accuracy. Also, showing the changes of natural frequencies according to the location of the damage is also considered an innovation that was present in this thesis. The third neural network is trained using the dynamic response of the healthy bridge at fourteen different speeds of the TGV train. This network is a type of non-linear self-concept external model. Its input is the step functions of the bridge and its output is the dynamic response of the healthy bridge. This network shows that there is a relationship between the total vertical forces of the wheels crossing the bridge with the dynamic response of the bridge. Finally, a comparison is made between the network output and the dynamic response of the faulty bridge, and the presence of an error indicates a fault in the bridge. In fact, this network performs level one health monitoring. In this section, the similarity of the sum of the step functions of the wheels passing through the bridge with the displacement of the center of the bridge is shown, and the relationship between the derivative of the displacement of the bridge center and the sum of the functions of the bridge is shown. Also, a parametric study was conducted on the dynamic response of the bridge and parameters such as the number of wagons passing through the bridge, the effect of train wheel profile damage, the change of the overall Young's modulus of the bridge (increase and decrease of bridge stiffness), the change of bridge damping, the increase in the number of spans and length The bridge, the effect of entering and leaving the wheels of the train on the other wheels on the bridge, the critical speed of the train and its compatibility with the closed solution have been investigated. In the last part, the fast Fourier transform was applied to the acceleration of the train bogie, and the acceleration of two bogies was calculated and subtracted from each other, and the fast Fourier transform was applied to the remaining acceleration. Also, the power spectral density was obtained from the acceleration of the bogie and the natural frequencies of the bridge, bogie and wagon were evident in it. The innovation of this network was in the dataset prepared for it, which uses a three-dimensional model of interaction.

پايش سلامت پل , پاسخ ديناميكي , شبكه عصبي , راه آهن پرسرعت , پل جعبه اي , مدل سه بعدي اندركنشي پل- قطار , فركانس هاي طبيعي , شبكه عصبي چند لايه , شبكه عصبي مدل بروني خودپنداره غير خطي , پايش سلامت سطح اول و دوم و سوم

Bridge health monitoring , dynamic response , neural network , high-speed railway , box bridge , three-dimensional bridge-train interaction model , natural frequencies , Multilayer perceptron neural network (MLP) , Nonlinear autoregressive neural network (NARXnet) , First, second and third level of health monitoring

Mahdi Bahreman

Dr. Mohammad Ali Rezvani Baboli