شماره ركورد
30947
پديد آورنده
سعيد اكبري مقدم
عنوان
شناسايي آسيب در پلها با استفاده از روش تجزيه مود ديناميكي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران- سازه
سال تحصيل
1398
تاريخ دفاع
1402/7/15
استاد راهنما
غلامرضا قدرتي اميري
استاد مشاور
حسين باباجانيان بيشه
دانشكده
مهندسي عمران
چكيده
سازههاي مهندسي بهطور مداوم و پيوسته در معرض عوامل محيطي و انساني قرار ميگيرند كه اين امر موجب كاهش چرخه عمر آنها ميشود. در نتيجه، پايش و نظارت مستمر بر سازههاي عمراني جهت ارزيابي شرايط سازهاي آنها و تهيه هشدارهاي زودهنگام در برابر خسارت سازهاي از اهميت بالايي برخوردار است. با ظهور پيشرفتهايي در قدرت محاسبات و فناوري حسگر در دهه اخير، علم پايش سلامت سازه موردتوجه مهندسان سازه و عمران قرار گرفته است. مطالعات قابلتوجهي در زمينه روشهاي مبتني بر ارتعاش انجام شده است كه در آنها از پاسخ ارتعاشي سازه تحت پايش بهمنظور ارزيابي شرايط و شناسايي آسيب سازهاي آن استفاده شده است. روشهاي مبتني بر مدل نيازمند زمان و تخصص زياد است و بهروزرساني آن در لحظه صورت نميگيرد. در مقابل، روشهاي مبتني بر داده نيازي به مدلسازي سازه ندارند و ميتوان از آنها براي پايش سلامت آني و در لحظه سازهها بهره برد. همچنين، اين روشها براي تشخيص زودهنگام آسيب مناسب هستند و اين امكان را ميدهند تا در اسرع وقت سازه توسط متخصصين مورد بازرسي دقيق قرار گيرد و محل و شدت آسيب تعيين گردد و از گسترش آسيب يا وقوع فاجعه جلوگيري شود. در اين پاياننامه به بررسي يك روش شناسايي آسيب مبتني بر داده پرداخته ميشود كه با برنامهنويسي پايتون و در بستر گوگل كلب انجام شده است. نوآوري اين تحقيق استفاده از تجزيه مود ديناميكي نخستينبار بهعنوان يك تكنيك پردازش سيگنال براي پايش سلامت پلها است. همچنين، با كمك اين روش ويژگيهايي حساس به آسيب از سيگنالهاي شتاب دو پل يانگ و KW51 بهعنوان معيار در مقياس واقعي استخراج گرديد. علاوه بر آن، از فيلتر كالمن براي پيشپردازش سيگنالها جهت كاهش نوفه استفاده گرديد. در اين پژوهش طبقهبندي اين ويژگيها با استفاده از يادگيري ماشين نظارت شده شامل ماشين بردار پشتيبان و جنگل تصادفي انجام شده است كه با دقت خوبي پل در حالت آسيبديده را از حالت سالم تشخيص دادهاند. در هر دو پل با وجود 14 و 6 حسگر شتاب مشخص شد كه استفاده از 2 الي 3 حسگر كافي است تا با دقت بالايي خرابي تشخيص داده شود. اين امر باعث كاهش هزينه و كارآمدتر كردن پايش سلامت پلها ميشود.
تاريخ ورود اطلاعات
1403/03/22
عنوان به انگليسي
Damage Detection in Bridges by Using Dynamic Mode Decomposition Method
تاريخ بهره برداري
10/6/2024 12:00:00 AM
دانشجوي وارد كننده اطلاعات
سعيد اكبري مقدم
چكيده به لاتين
Engineering structures are continuously exposed to environmental and human factors, leading to a reduction in their lifespan. Therefore, continuous monitoring and assessing civil structures are crucial to prepare for potential damages and issue early warnings. With recent advances in computational power and sensor technology, Structural Health Monitoring (SHM) has gained significant attention from structural and civil engineers. Several studies have focused on vibration-based methods, utilizing structural vibration responses for evaluating conditions and identifying structural damages. However, these model-based methods require significant time and expertise for modeling, making real-time updates challenging. On the other hand, data-driven methods do not necessitate structural modeling and enable real-time and instant monitoring of structures, allowing for early detection of damages. This thesis explores a data-driven method for structural damage identification, executed through Python programming on the Google Colab platform. The novelty of this research lies in utilizing Dynamic Mode Decomposition (DMD) as a signal-processing technique for the health monitoring of bridges. It extracts damage-sensitive features from acceleration signals of Yanghe and KW51 bridges as real-scale benchmarks. Additionally, the Kalman filter is used for noise reduction in signal preprocessing. The extracted features are interpreted and classified using supervised machine learning techniques, such as support vector machine and random forest, successfully distinguishing damaged states from healthy ones. Remarkably, using only 2 to 3 out of 14 or 6 accelerometers in the bridges provides highly accurate damage detection. This cost-effective and efficient approach enhances the overall effectiveness of bridge health monitoring.
كليدواژه هاي فارسي
تشخيص آسيب , پل , تجزيه مود ديناميكي , فيلتر كالمن , يادگيري ماشين
كليدواژه هاي لاتين
Damage Detection , bridge , Dynamic Mode Decomposition , Kalman filter , Machine Learning
Author
Saeed Akbari Moghadam
SuperVisor
Dr. Ghodrati