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

كارشناسي ارشد

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.

210040

دانشگاه علم و صنعت ايران

مسعود ذبيحي ساماني

مهندسي عمران- زلزله

محسنعلي شايانفر