22041

22041

پايش سلامت سازه‌اي پل‌ها از طريق استخراج و انتخاب ويژگي با استفاده از روش‌هاي يادگيري ماشين

كارشناسي ارشد

زلزله

1395

1398/12/6

دكتر غلامرضا قدرتي اميري

دكتر احسان درويشان

عمران

با توجه به نقش مهم مسائل اقتصادي در دنياي امروز و ضرورت پيشگيري از خرابي‌هاي ناگهاني در سازه‌ها كه منجر به خسارات جاني و مالي زيادي مي‌شود، علم پايش سلامت سازه‌ها به نقطه عطف بزرگي در جريان تكامل خود رسيده است. يكي از شاخه‌هاي مطرح در اين علم، روش‌هاي مبتني بر پردازش سيگنال مي‌باشد.علاوه بر اين روش‌هاي مبتني بر هوش مصنوعي امروزه با اقبال بسيار گسترده‌اي مواجه شده است. روش‌هاي متداولِ پايش سلامت سازه‌ها در اين حوزه، اكثراً از مرحله پيش‌پردازش و پردازش سيگنال بهره مي‌برند كه منجر به بالا رفتن حجم محاسبات و پايين آمدن سرعت پيش‌بيني مي‌شود. ضمن اينكه در اكثر اين روش‌ها تعداد سنسورها در سيستم پايش سلامت سازه، ثابت در نظر گرفته مي‌شود. در اين پايان‌نامه سعي شده است تا با استفاده از روش‌هاي يادگيري ماشين، الگوريتمي كارآمد جهت تشخيص خرابي در سازه‌ها طراحي شود، به نحوي كه با كم كردن تعداد سنسورهاي لازم جهت پايش سلامت، از حجم عمليات محاسباتي كاسته شود. به اين ترتيب اين روش قادر خواهد بود هزينه كمتري را در عين دقت بالا از خود نشان دهد. 2 نوآوري مهم در اين پژوهش، حذف مرحله پردازش سيگنال و در نظر گرفتن سنسورها در مرحله انتخاب ويژگي است. در اين تحقيق با تعريف عبارت سنسور-ويژگي سعي شده است تا برخلاف ساير روش‌هاي متداول، علاوه بر انتخاب ويژگي‌هاي برتر، بهترين سنسورها نيز تعيين شوند تا در راستاي كم‌هزينه كردن و كارآمدتر كردن پايش سلامت سازه‌ها قدم بزرگي برداشته شود كه اين كار به عنوان نوآوري دوم اين پژوهش براي اولين بار بر روي اين پل صورت گرفته است. درنهايت پس از پياده‌سازي اين روش بر روي داده‌هاي يك پل مرجع، از ميان 16 سنسور مستقر شده بر روي عرشه اين پل، 2 سنسور به عنوان بهترين سنسورها و ويژگي آنتروپي شانون نيز به عنوان بهترين ويژگي معرفي شد تا به عنوان ورودي براي يادگيري ماشين استفاده شوند. در پايان روش پيشنهادي دقت بسيار بالايي از خود نشان داد و در مقايسه با ساير روش‌هاي مطرح موفق‌تر عمل كند. واژه‌هاي كليدي: پايش سلامت سازه‌ها، شناسايي آسيب، يادگيري ماشين، دسته‌بندي

1399/03/22

Bridge Structural Health Monitoring (SHM) by Data Feature Extraction and selection Using Machine Learning Methods

3/20/2021 12:00:00 AM

Given the important role of economic issues in today's world and the need to prevent sudden structural damages, which leads to a great loss of lives and properties, the science of structural health monitoring has reached a major turning point in its evolution. One of the branches of this science is using signal processing based methods. Moreover, the methods based on artificial intelligence are very popular today. Common methods of structural health monitoring in this area often use the signal processing and pre-processing stage, which leads to an increase in the volume of calculations and a decrease in the prediction speed. In addition, in most of these methods, the number of sensors in the structural health monitoring system is considered constantly. In this dissertation, an attempt has been made to design an efficient algorithm using machine learning methods to detect the failure in structures, so that by reducing the number of sensors required for health monitoring, the volume of computational operations is reduced. In this way, this method will be more cost-effective. Two important innovations in this research are the elimination of the signal processing stage and the consideration of sensors in the feature selection stage. In this study, by defining the term feature-sensor, despite other common methods, in addition to selecting the superior features, the best sensors have been determined as the second innovation and is accomplished for the first time on this bridge to take a big step in the direction of low cost and more efficient structural health monitoring. Finally, after implementing this method on the data of the benchmark structure, among the 16 sensors located on the deck of this bridge, 2 sensors were introduced as the best sensors and the feature of Shannon entropy was introduced as the best feature to be used as the most proper input for machine learning. In the end, the proposed method depicted very high accuracy and was more successful in comparison with other methods. Keywords: structural health monitoring (SHM), damage detection, machine learning, classification

پايش سلامت سازه‌ها، شناسايي آسيب، يادگيري ماشين، دسته‌بندي

structural health monitoring (SHM), damage detection, machine learning, classification