26081

ارائه روشي جديد براي شناسايي آسيب سازه ها با استفاده از مدهاي متعامد مناسب و شبكه هاي عصبي مصنوعي

كارشناسي ارشد

مهندسي عمران- زلزله

1397

1400/8/29

محسنعلي شايانفر

مسعود ذبيحي ساماني

مهندسي عمران

آسيب¬ها به طور مداوم در تمام سازه‌هاي عمراني كه بار تحمل مي¬كنند، مانند پل‌ها، ساختمان‌ها و سكوهاي دريايي، در طول عمر آن¬ها جمع مي‌شود و بخش‌هاي بسياري از زيرساخت‌هاي فني ما در حال نزديك شدن يا فراتر رفتن از عمر طراحي اوليه خود هستند. اما به¬دليل مسائل اقتصادي، اين سازه‌ها علي‌رغم پيري و تجمع آسيب‌ها مورد استفاده قرار مي‌گيرند و آسيب¬هاي تشخيص داده نشده ممكن است به شكست سازه و از دست رفتن زندگي انسان¬ها منجر شود. بنابراين تشخيص آسيب در يك سازه و انجام تعميرات مناسب در اسرع وقت مهم و ضروري مي‌باشد. در اين تحقيق يك روش يادگيري نظارت شده براي شناسايي، تعيين مكان و شدت آسيب با استفاده از تركيب مدهاي متعامد (POM) و شبكه عصبي مصنوعي استفاده شده است. مدهاي متعامد مناسب، تابعي از بارگذاري خارجي و مشخصات مكانيكي هستند و مزيت اصلي تكنيك‌هاي ارتعاش را حفظ مي‌كنند. در اين مطالعه براي محاسبه POM از كرنش هاي اندازه¬گيري شده اعضاي سازه استفاده مي¬شود و براي تشخيص اختلاف بين POMها در حالت سالم و آسيب ديده يك رگرسيون شبكه عصبي مصنوعي توسط گروهي از POMها حاصل از بارگذاري¬هاي مختلف براي شناسايي آسيب آموزش داده مي¬شود. براي بررسي روش پيشنهادي، يك آزمايش شبيه¬سازي شده بر روي يك سازه خرپا اجرا مي¬شود. يك خرپا 25 عضوي با استفاده از روش اجزاي محدود در نرم¬افزار متلب مدل مي¬شود و تحت بارگذاري¬هاي مختلف قرار مي¬گيرد سپس بارها براساس ميانگين كرنش گروه¬بندي مي¬شوند. شبكه عصبي شدت آسيب را در بارهاي گروه¬هاي 1 و 2 و 3 به خوبي تشخيص مي¬دهد اما در بارگذاري¬هاي گروه 4 و اعضا 21 و 22 خرپا مشاهده مي¬شود كه شبكه عصبي نمي¬تواند در همه موارد به درستي شدت آسيب را تشخيص دهد اما عضو آسيب ديده را شناسايي مي¬كند. همچنين در نتايج مشاهده مي¬شود كه اين روش براي آسيب¬هاي با شدت بالاتر از 50 درصد مكان و شدت آسيب را با دقت خوبي شناسايي مي¬كند و ميزان خطاي تشخيص در اعضاي سالم كاهش مي¬يابد و براي آسيب¬هاي كمتر چون مقدار تشخيص اشتباه در اعضا بين 10 تا 15 درصد مشاهده شده مي¬توان بيان كرد كه اين روش براي آسيب¬هاي بيشتر از 20 درصد مناسب است. در نهايت مي¬توان نتيجه گرفت كه روش پيشنهادي مي¬تواند آسيب را در سطوح مختلف با موفقيت خوبي شناسايي كند.

1400/12/02

A new method for structural damage detection using proper orthogonal modes and artificial neural networks

11/20/2022 12:00:00 AM

Damage is constantly accumulating in load-bearing structures, such as bridges, buildings, and offshore platforms, during their service life, and many parts of our technical infrastructure are approaching or exceeding their lifespan. However, due to economic issues, these structures are used despite aging and the accumulation of related damage. Undetected damage may lead to structural failure and loss of human life. Therefore, it is important and necessary to detect damage in a structure and make proper repairs as soon as possible. In this research, a supervised learning method has been used to identify, locate and severity of damage using a combination of proper orthogonal modes (POM) and artificial neural network. proper orthogonal modes are a function of external loading and mechanical properties and retain the main advantage of vibration techniques, i.e. monitor global changes in the structure. In this study, the measured strains of the structural elements are used to calculate the POM. To detect the difference between healthy and damaged POMs, an artificial neural network regression is trained by a group of POMs from different loads to identify the damage. To test the proposed method, a simulated test is performed to a truss structure to identify damage. A 25-element truss is modeled using the finite element method in MATLAB software and subjected to different loads, then the loads are grouped according to the strain RMS. The neural network recognizes the severity of the damage well in the groups 1, 2 and 3, but in the group 4 and members 21 and 22 of the truss, it is observed that the neural network can not properly detect damage in all cases. The results also show that this method detects the location and severity of the damage for damages with severity higher than 50% and the error in intact elements reduced and for low damages such as the amount of misdiagnosis in the observed elements between 10 and 15% can be said that this method is suitable for damages greater than 20%. Finally, it can be concluded that the proposed method can successfully identify the damage at different levels.