تشخیص آسیب در قاب فولادی با استفاده از شبکه عصبی غیر احتمالاتی و در نظرگرفتن عدم قطعیت ها

امروزه یکی از موضوعات مهم در تحقیقات سازه ای ، موضوع پایش سلامت سازه است که مسایلی همچون تشخیص آسیب و ایمنی سازه را تحتالشعاع قرار میدهد. اخیرا مدلهای شبکهی عصبی مصنوعی به طور گسترده ای برای مدلسازی روابط پیچیده غیرخطی استفاده گردیده است. از آنجا که انواع شبکه عصبی در ایجاد رابطه ی غیرخطی بین پارامترهای ارتعاش (فرکانس و شکل مودی) با پارامترهای آسیب، عملکرد موفقی داشتند؛ در این مطالعه از یک شبکه عصبی پرسپترون به منظور شبیه سازی آسیب در یک قاب فولادی استفاده شده است. با این حال به دلایلی همچون خطای کالیبراسیون و اندازه گیری داده ها، نتایج و پارامترهای مدل با نوعی عدم قطعیت همراه است. در این مطالعه به منظور در نظر گرفتن عدم قطعیت ها در مدل تشخیص آسیب از یک شبکه عصبی غیر احتمالاتی استفاده میشود. داده های ورودی، فرکانس طبیعی و شکل مودی و خروجی آن مدول یانگ است که در نقش پارامتر سختی المان (ESP) عمل میکند. برای ساخت یک مدل غیر احتمالاتی باید در دادههای ورودی، نویز در نظر گرفته شود. به منظور ایجاد دادههای نویزی از روش تحلیل فاصله استفاده میشود. در این روش یک باند بالا و پایین برای ESP به دست می آید و به این ترتیب شبکه عصبی برای پیشبینی باند بالا و پایین ESP با در نظر گرفتن عدم قطعیتها در دادههای ورودی اجرا میشود. ارزیابی روش مذکور با معیارهای احتمال وجود آسیب (PODE)، فاکتور کاهش سختی (SRF) انجام میشود. نتایج نشان میدهد که روش پیشنهادی در تشخیص آسیب سازه با داده های نویزی عملکرد موفقی دارد. همچنین استفاده از نویز در داده ها در مقایسه با شبکه عصبی احتمالاتی باعث بالا رفتن دقت مدلسازی میشود.

کلیدواژه ها:

تشخیص آسیب ، فرکانس ، شکل مودی ، شبکه عصبی مصنوعی ، عدم قطعیت