دفاعیه کارشناسی ارشد (سازه و زلزله) تشخیص خرابی مبتنی بر ارتعاش قاب‌های خمشی با استفاده از شبکه عصبی کانولوشن

 | تاریخ ارسال: 1401/6/28 | 
دانشجو: آقای شاهین قزوینه
استاد راهنما: دکتر غلامرضا نوری
زمان: دوشنبه ۲۸ شهریور ماه ۱۴۰۱ ساعت: ۱۲:۰۰
مکان: کرج سالن جلسات دانشکده فنی و مهندسی
چکیده
 در الگوریتم‌های تشخیص خرابی سازه  مبتنی بر روش های سنتی یادگیری ماشین ، استخراج ویژگی‌های حساس به خرابی از داده های سری زمانی یک مسئله چالش برانگیز است. همچنین این روش ها نیازمند به پیش پردازش در داده های خام هستند که خود فرایند پردازش را کندتر می کند. تلاش های زیادی برای غلبه بر این محدودیت ها با گسترش یادگیری عمیق  در زمینه پایش سلامت سازه  صورت گرفته است. با این حال، از آنجایی که اکثر این سیستم ها دارای معماری های عمیق هستند، به رایانه های با توان محاسباتی بالا و همینطور میزان قابل توجهی داده در طول مرحله آموزش نیاز دارند که در نتیجه برای کاربردهای برخط مناسب نیستند. برای حل چالش‌های بالا، در این پایان نامه یک روش مبتنی بر شبکه‌های عصبی کانولوشن  دوبعدی (CNN) و ماشین‌های بردار پشتیبان  (SVM)، به منظور ادغام دو مرحله استخراج ویژگی و طبقه‌بندی سریع به طور همزمان، ارائه می شود. این روش از یک شبکه کم عمق CNN استفاده می کند که سیگنال های شتاب خام را به عنوان ورودی شبکه دریافت می کند. برای بررسی توانایی الگوریتم پیشنهاد شده از دو مجموعه داده ی نویزدار و بدون نویز به دست آمده از یک سازه آزمایشگاهی مقیاس بزرگ به عنوان ورودی شبکه استفاده شده است. در مقایسه با سایر روش ها این الگوریتم سرعت عمل، ثبات و دقت بالاتری از خود نشان می دهد. به طور میانگین روش پیشنهادی دارای دقت ۹۹.۴% بر روی داده های بدون نویز و برای سه حالت نویزدار ۵، ۲.۵ و ۰ دسیبل به ترتیب به دقت ۹۷.۴%، ۹۵.۸% و ۹۳.۳% رسیده است که نشان از توانایی بالای الگویابی آن در شرایط شدید است.




CAPTCHA

دفعات مشاهده: 49 بار   |   دفعات چاپ: 3 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر