23892

ارائه روشي مبتني بر يادگيري عميق جهت بررسي وضعيت سلامت موضعي و كلي سازه هاي عمراني

كارشناسي ارشد

مهندسي عمران-سازه

1399/12/12

دكتر پدرام قادري

مهندسي عمران

سازه هاي مهندسي عمران به دليل قرار گرفتن در معرض شرايط جوي و بارگذاري هاي مختلف در طول عمر خود ممكن است دچار آسيب هاي گوناگون شوند. پايش سلامت سازه همواره مورد توجه مهندسين عمران بوده و با توجه به ابزار و امكاناتي كه در هر دوره در اختيار مهندسين عمران قرار داشته، روش هاي مختلفي جهت بررسي سلامت سازه هاي عمراني رواج پيدا كرده است. شبكه هاي عصبي با توجه به توانايي مناسبي كه در زمينه مسائل شناسايي الگو و تشخيص ويژگي هاي موجود در داده هاي با حجم زياد دارند، در سال هاي اخير مورد توجه مهندسين عمران جهت حل مسائل پايش سلامت سازه قرار گرفته اند. در اين پايان نامه يك روش مبتني بر يادگيري عميق جهت پايش سلامت سازه ارائه خواهد شد كه قادر است وجود آسيب هاي كلي و موضعي و همچنين شدت آسيب هاي موجود را تشخيص دهد. در روش پيشنهادي ابتدا پاسخ هاي سازه سالم در اثر بارهاي محيطي ثبت مي شوند. يك شبكه عصبي بدون بازرس عميق كه از پشت سر هم قرار گرفتن چند لايه ماشين بولتزمن مجزا تشكيل شده است، با استفاده از پاسخ هاي سازه سالم در برابر بارهاي محيطي آموزش داده مي شود. شبكه عصبي بدون بازرس عميق پس از آموزش قادر خواهد بود ويژگي هاي معنادار موجود در پاسخ هاي سازه سالم را استخراج كند. در مرحله بعد سازه در وضعيت نامشخص از نظر سلامت مورد بررسي قرار مي گيرد. پاسخ هاي سازه در وضعيت مجهول در برابر بارهاي محيطي جمع آوري شده و با استفاده از شبكه عصبي كه قبلا آموزش ديده، ويژگي هاي موجود در داده هاي جديد استخراج مي شوند. اين عمل مي تواند به صورت جداگانه براي هر يك از بخش هاي مورد نظر در سازه انجام شود. با استفاده از ويژگي هاي استخراج شده از سازه ي سالم و سازه در وضعيت مجهول از نظر سلامت سازه، شاخص سلامت براي هر يك از بخش هاي مورد بررسي سازه محاسبه مي شود. با توجه به اختلاف ويژگي هاي استخراج شده در حالت سالم و مجهول سازه، وجود و شدت آسيب هاي احتمالي شناسايي مي شوند. جهت بررسي و صحت سنجي روش ارائه شده چهار نمونه ساختمان با ارتفاع هاي متفاوت و تعداد طبقات 5، 15، 25 و 35 طبقه مدلسازي و يك ساختمان بتني مرجع بررسي و نتايج بدست آمده مورد بحث و بررسي قرار گرفته اند. نتايج بدست آمده از پياده سازي روش براي سازه هاي ساختماني در بخش هاي پيش رو در پايان نامه ارائه شده است كه بيانگر عملكرد قابل قبول و دقت مناسب روش در شناسايي آسيب هاي و همچنين تشخيص شدت آسيب هاي موجود در اين سازه ها مي باشد. برداشت داده ها و بارگذاري سازه بايد با دقت كافي انجام شود تا از ايجاد خطا هاي احتمالي جلوگيري شود. شاخص هاي سلامت بدست آمده اعدادي بين 0 و 1 هستند كه مقادير كوچكتر بيانگر وجود آسيب هاي بزرگتر در هر يك از قسمت ها هستند.

1400/03/23

A DEEP LEARNING BASED METHOD FOR LOCAL AND GLOBAL HEALTH CONDITION ASSESSMENT OF CIVIL STRUCTURES

3/3/2022 12:00:00 AM

Civil structures may experience unexpected loads and consequently damages during their life cycle. Damage identification has been a challenging inverse problem in structural health monitoring. The main difficulty is characterizing the unknown relation between the measurements and damage patterns. Such damage indicators would ideally be able to identify the existence, location, and severity of damages. In this thesis a methodology is described for global and local health condition assessment of structural systems using vibration response of the structure. The model incorporates Fast Fourier Transform and unsupervised deep Boltzmann machine to extract features from the frequency domain of the recorded signals. A benefit of the proposed model is that it does not require costly experimental results to be obtained from a scaled version of the structure to simulate different damage states of the structure and only vibration response of the healthy structure is needed. The input consists of a set of records obtained from the healthy state of the structure and another set of records with unknown health states. The model extracts information from both healthy and unknown sets to determine the health states of the unknown set. The healthy records are low intensity vibrations of the structure at least in one planar direction in the healthy state in the form of time series signals. An appropiate health index is defined and calculated for each part of the structure. The value of this index is between 0 and 1. The closer the value is to 1 the healthier the structure. To evaluate the efficiency of the proposed method four building structureses with 5,15,35 and 35 story has been simulated in OPENSEES. Data collection should be selected appropriately to prevent errors. Obtained result demonstrate that proposed method has about 95 percent efficiency to predict damages and their severity.

پايش سلامت سازه , استخراج ويژگي , شبكه عصبي بدون بازرس عميق , يادگيري عميق

Structural Health Monitoring , Feature Extraction , Deep Learning , Deep Unsupervised Neural Network