21452

21452

تشخيص خرابي در يك پل كابلي با استفاده از داده هاي موجود بر مبناي روش يادگيري عميق

كارشناسي ارشد

عمران

1395

1398/6/26

دكتر قدرتي اميري

دكتر درويشان

عمران

چكيده: بروز آسيب‌هاي ناشي از بارگذاري‌هاي ناگهاني و خاص مانند زلزله باعث تغييرات نامطلوبي در عملكرد سازه مي‌شود لذا در سال‌هاي اخير با توجه به افزايش هزينه ساخت سازه‌هاي مهم شده است. از سوي ديگر به جهت كاهش احتمال آسيب‌هاي اساسي و تعمير سازه پيش از بروز هرگونه خطر تخريب، نياز به روش‌هايي جهت شناسايي آسيب در سازه‌ها بيش از پيش احساس مي‌شود. ازاين‌رو دست‌يابي به روش‌هايي جهت شناسايي و يافتن محل آسيب همواره مورد توجه مهندسين عمران، مكانيك و هوافضا بوده است. ايده اصلي در اكثر اين روش‌ها استفاده از پاسخ‌هاي سازه بر اساس پيش‌فرض‌هاي موجود به عوامل بيروني است. در اغلب اين مطالعات سازه به‌عنوان‌ يك سيستم ‌ديناميكي با جرم، سختي و ميرايي يكتا در نظر گرفته مي‌شود. در صورت آسيب سازه ‌اين پارامترها با تغيير مواجه مي‌شوند و تغييرات خود را در پاسخ‌هاي سازه نشان مي‌دهد. اين پاسخ‌ها به‌صورت سيگنال‌هاي زماني، حاوي خصوصيات ديناميكي سازه است. با تحليل سيگنال خصوصيات قابليت استخراج داشته و در تشخيص آسيب مي‌توان از آن‌ها بهره گرفت. پيشرفت روزافزون علم يادگيري ماشين نه تنها شرايط را براي پيشرفت علوم مهندسي مهيا كرده است بلكه اين پيشرفت به گونه‌اي بوده كه امروزه كامپيوترها اغلب محاسبات مهم را بر عهده خواهند داشت. يكي از روش‌هاي موردتوجه استفاده از شبكه‌هاي عصبي عميق درهم‌تنيده(كانولوشن) به‌منظور تشخيص خصوصيات ذكر شده در سيگنال‌هاي سازه است. در اين پايان‌نامه سعي شده است تا شبكه‌ي درهم‌تنيده‌ي(كانولوشن) يك‌بعدي جهت تشخيص حالت سالم از ناسالم طراحي شود، علاوه بر آن اثر تابع نرمال‌ساز در فاز پيش‌پردازش داده و اثر دو تابع بهينه‌ساز گراديان كاهشي و آدام در فرآيند آموزش شبكه نيز موردبررسي قرار گرفته‌است. به جهت ارزيابي توانايي روش ارائه شده از داده‌هاي موجود پل كابلي يانگ در كشور چين استفاده شده است. درنهايت مي‌توان بيان كرد كه نتايج حاكي از عملكرد رضايت بخش، دقيق و سريع روش شبكه عصبي عميق درهم‌تنيده(كانولوشن) يك‌بعدي در تشخيص حالت سالم از ناسالم است.

1398/09/30

Damage detection of cable_stayed bridge based on existing data using Deep Learning

9/16/2020 12:00:00 AM

Abstarct: Damage caused by sudden and specific loads such as earthquakes causes undesirable changes in structural performance. Therefore, in recent years due to the increasing cost of constructing important structures to reduce the likelihood of major damages And repairing structures before any risk of demolition requires methods to identify damage in structures is feels more than ever. Therefore, finding ways to identify damages and its location is one of the issues that has always been discussed in civil, mechanical and aerospace engineering.The main idea in most of these methods is to use the responses that the structure gives to external factors based on the assumptions available, in most of these studies structures are considered as a dynamic system with unique mass, stiffness and dampimg wich in the case of structural damage, these parameters change and reflect changes in the structural responses.This response is often in the form of time signals containing structural properties that can be extracted and used to detect potential damage by examining them.The increasing advancement of machine learning science has not only provided the conditions for the improvement of engineering sciences but it has been such that today it is the computers that often do the most important calculations, One of the most widely used methods today is deep convolutional neural networks to detect the properties mentioned in structural signals. This thesis attempts to design a one-dimensional convoluted network to detect a healthy state from unhealthy in wich we investigate the effect of the normalizer function on the pre-processing phase is attempted and the effect of Stochastic decreasing gradient and Adam (two optimization functions) on the network learning process is also investigated. To evaluate the capability of the proposed method, data from the Yong cable bridge in China were used. Finally, it can be concluded that the results show satisfactory, accurate and fast one-dimensional deep neural network (convolution) performance in the diagnosis of unhealthy state.

پايش سلامت سازه ها , شبكه عصبي عميق , دسته بندي داده , شبكه عصبي كانولوشن

Structural Health Monitoring , Deep Neural Network , Convolutional Neural Network , Data Classification