25644

شناسايي آسيب در سازه‌هاي مسلح بتني با درنظرگرفتن اثرات پيچش با استفاده از شبكه‌هاي عصبي

كارشناسي ارشد

مهندسي عمران - سازه

1399-1400

3/8/1400

دكتر پدرام قادري

عمران

سازه‌ها در طول عمر خود ممكن است بارهاي مختلفي از جمله زلزله را تجربه كنند كه در اثر آن سازه دچار آسيب شود. به همين دليل شناسايي و ارزيابي خسارت در سازه‌ها يكي از مسائل مورد توجه مهندسين بوده است، تا از به وجود آمدن خسارات مالي و جاني فراوان جلوگيري شود. از اين رو مهندسان همواره به دنبال بهترين و موثرترين راهكار براي شناسايي آسيب در سازه‌ها بوده‌اند. در سال‌هاي اخير توانايي شبكه‌هاي عصبي در حوزه‌هاي مختلفي مانند شناسايي الگو و استخراج ويژگي از داده‌ها، مورد توجه مهندسين براي حل مسائل شناسايي خرابي و پايش سلامت سازه‌ها قرار گرفته است. در اين پايان‌نامه به بررسي توانايي شبكه‌هاي عصبي مصنوعي و همينطور يادگيري عميق در شناسايي آسيب در سازه‌هاي بتن مسلح پرداخته مي‌شود. بدين منظور ابتدا با استفاده از يك شبكه عصبي پيش‌خور (Feedforward) كه يك شبكه استاتيك محسوب مي‌شود به شناسايي آسيب در سازه‌هاي بتن مسلح پرداخته شده است. در اين روش با استفاده از داده‌هاي خاص حاصل از شتاب، پارامترهاي ورودي مورد نياز شبكه تامين شده و با استفاده از مفاهيم قابل استنتاج از ارتباط جابجايي و دريفت پسماند با خرابي سازه، شاخص خسارت تعريف و به شناسايي آسيب سازه پرداخته شده است. سپس در روشي ديگر با استفاده از شبكه حافظه بلندكوتاه مدت (LSTM) كه يك شبكه ديناميك محسوب مي‌شود و توانايي درنظر گرفتن وابستگي‌هاي بلند مدت داده‌هاي سري زماني را دارد، داده‌هاي شتاب مراكز جرم طبقات به شبكه داده شده و مجددا مطابق با حالت قبل به بررسي و شناسايي آسيب در سازه پرداخته شده است. براي اين منظور سازه‌هاي بتن مسلح با پلان‌هاي منظم و نامنظم هندسي در ارتفاع‌هاي مختلف طراحي و تحت تحليل تاريخچه زماني غيرخطي قرار گرفته‌اند. سپس داده‌هاي مورد نياز براي آموزش شبكه‌ها استخراج شده‌اند و پيش‌پردازش‌هاي مناسب هر شبكه روي داده‌ها صورت گرفته است تا با كمترين پيچيدگي‌هاي محاسباتي نتايج مناسبي به دست آيد. با بررسي نتايج نيز مشاهده شد هر دو شبكه توانايي شناسايي آسيب با دقت بالاي 85% را دارا مي‌باشند. از طرف ديگر مشاهده شد شبكه‌ي حافظه بلندكوتاه مدت در پيش‌بيني سطوح آسيب در سازه‌هاي تحت ركورد در دو راستا دقت بالاتر و عملكرد بهتري دارد. همچنين در صورتي كه سطوح آسيب از 5 به 3 سطح تقليل يابد دقت هر دو شبكه به بالاي 90% نيز مي‌رسد.

1400/09/10

Damage detection in reinforced concrete structures by considering torsional effects, using neural networks

10/25/2022 12:00:00 AM

Structures during their lifetime may experience various loads, including earthquakes, which will damage the structures. For this reason, identifying and evaluating damage to structures has been one of the issues of concern to engineers to prevent a lot of financial and human losses. Therefore, engineers have always been looking for the best and most effective ways to identify damage to structures. In recent years, the ability of neural networks in various fields such as pattern recognition and feature extraction from data has been considered by engineers to solve the problems of damage detection and structural health monitoring. This thesis examines the ability of artificial neural networks and deep learning to detect damages in reinforced concrete structures. For this purpose, first, by using a feedforward neural network, which is a static network, damage in reinforced concrete structures has been identified. In this method, using specific data obtained from acceleration, the input parameters required by the network are provided, and using deductive concepts of the relationship between displacement and residual drift with structural damage, the damage index is defined and structural damage is identified. Then, in another method, using the long short-term memory (LSTM) network, which is a dynamic network and can consider the long-term dependencies of the time series data, the center of mass acceleration data are given to the network and re-examined damage identification in the structure as before. For this purpose, reinforced concrete structures with regular and irregular geometric plans with different heights have been designed and then subjected to nonlinear time history analyses. Then, the data required for training networks are extracted, and appropriate pre-processing of each network is done on the data to achieve good results with the least computational complexity. Examination of the results also showed that both networks can detect damage with an accuracy of over 85%. On the other hand, it was observed that the long short-term memory network has higher accuracy and better performance in predicting damage levels when acceleration is applied to the structures in both directions. Also, if the damage levels are reduced from 5 to 3 levels, the accuracy of both networks will reach over 90%.

شناسايي آسيب , شبكه عصبي مصنوعي , يادگيري عميق , استخراج ويژگي , شاخص خسارت

Damage detection , Artificial neural network , Deep learning , – Feature extraction , Damage index