پیش بینی پاسخ پل معلق تحت اثر باد با استفاده از رگرسیون بردار پشتیبان

چکیده
نیاز به پایش سلامت سازه با هدف پیش‌بینی پاسخ سازه در پل‌ها به عنوان یکی از مهم‌ترین سازه‌های موجود در هر جامعه به دلیل بارهای محیطی مانند زلزله و تحریکات باد از اهمیت بالایی برخوردار است. با پیش‌بینی پاسخ سازه می‌توان سلامت سازه‌های عمرانی در حال سرویس را برای شرایط احتمالی مختلف در آینده، مورد ارزیابی قرار داد. با داشتن پاسخ‌های دینامیکی پل تحت اثر تحریکات محیطی(باد) بدست آمده از حسگرها(اکتساب داده) می‌توان با استفاده از روش‌های پردازش سیگنال ، ویژگی‌های دینامیکی سازه مانند فرکانس را بدست آورد. یکی از قدرتمندترین روش‌های پردازش سیگنال ، تبدیل موجک می‌باشد. در این پژوهش از تبدیل موجک برای حذف نویز و فرکانس‌های ناخواسته(فرکانس‌های بالا و پایین) استفاده شده است. با توجه به عدم دست‌یابی به فرکانس‌های اولیه سازه در حالت عادی، از تبدیل موجک‌ برای بدست آوردن فرکانس‌های اولیه سازه استفاده شده است. مقایسه فرکانس محاسبه شده در حالت فیلتر شده و فیلتر نشده نشان داد که می‌توان از تبدیل موجک برای بدست آوردن فرکانس‌های اولیه سازه استفاده کرد. با توجه به پیشرفت‌های صورت گرفته در حوزه رایانه و افزایش قدرت محاسباتی در آنها، استفاده از هوش مصنوعی و یادگیری ماشین برای پیش‌بینی پاسخ سازه در سال‌های اخیر شدت بیشتری پیدا کرده است. یکی از روش‌هایی که برای پیش‌بینی پاسخ سازه مورد استفاده قرار می‌گیرد رگرسیون بردار پشتیبان (SVR) است که از آن در این پایان‌نامه استفاده شده است. با توجه به حجم بالای داده‌ها، یک روش برای انتخاب بخش مناسب که تمامی ویژگی‌های فرکانسی سازه را دارا می‌باشد ارائه شده است. در این پژوهش برای افزایش کارایی رگرسیون بردار پشتیبان و بدست آوردن بهترین مقادیر برای پارامتر‌ها و متغیر‌های آن از الگوریتم بهینه سازی مبتنی بر مبصر- معلم- دانش‌آموز (OTLBO) استفاده شد. برای ارزیابی عملکرد مدل رگرسیون بردار پشتیبان بهینه شده توسط الگوریتم بهینه سازی مبتنی بر مبصر- معلم- دانش‌آموز(SVR-OTLBO) در پیش‌بینی پاسخ شتاب سازه مورد بررسی، از شاخص‌های ضریب همبستگی پیرسون (R)، ریشه میانگین مربعات خطا (RMSE)، درصد سوگیری (PBIAS) و شاخص توافق اصلاح‌شده (md) استفاده شد. میانگین ضریب همبستگی پیرسون در تمامی سنسورهای موجود برای داده‌ی آموزشی، داده‌ی آزمون روز اول، داده‌ی آزمون روز دوم و داده‌ی آزمون روز سوم به ترتیب ۰.۹۸۲۵ ، ۰.۹۸۸۰ ، ۰.۹۸۹۹ و ۰.۹۸۸۴ است که عملکرد عالی مدل SVR-OTBLO را نشان می دهد. علاوه بر این، شاخص ریشه میانگین مربعات خطا برای تمام داده‌ها مقدار کمی دارد. میانگین مقادیر شاخص درصد سوگیری مدل پیشنهادی در تمامی سنسورهای موجود برای داده‌ی آموزشی، داده‌ی آزمون روز اول، داده‌ی آزمون روز دوم و داده‌ی آزمون روز سوم به ترتیب ۰.۰۲۹۴ ، ۰.۰۰۱۶ ، ۰.۰۰۲۹ و ۰.۰۱۱۰ می‌باشد. میانگین شاخص توافق اصلاح‌شده مدل SVR-OTLBO در تمامی سنسورهای موجود برای داده‌ی آزمون روز اول، داده‌ی آزمون روز دوم و داده‌ی آزمون روز سوم به ترتیب ۰.۸۴۹۳ ، ۰.۸۴۸۸ و ۰.۸۵۲۳ می‌باشد. نتایج حاصل از مدل‌ SVR-OTLBO عملکرد خوبی در پیش‌بینی پاسخ شتاب پل هاردانگر را نشان می‌دهد.
لازم به ذکر است در این پژوهش از داده‌های ثبت شده‌ی پل هاردانگر که از نوع پل معلق کابلی می‌باشد استفاده شده است. پل هاردانگر تا امروز طولانی ترین پل معلق نروژ است. این پل شامل یک دهانه اصلی ۱۳۰۸ متری و دو دهانه جانبی بسیار کوتاه است که از دو طرف به تونل‌ها متصل می‌شود. عرشه پل، یک عرشه جعبه فولادی کارآمد است که به ارتفاع ۳.۲ متر و عرض ۱۸.۳ متر مجهز شده است.

کلیدواژه‌ها:پایش سلامت سازه، پیش‌بینی پاسخ سازه، یادگیری ماشین، رگرسیون بردار پشتیبان، بهینه سازی مبتنی بر مبصر- معلم- دانش‌آموز، تبدیل موجک

سایر مطالب این بخش | نسخه قابل چاپ | ارسال به دوستان |

دفعات مشاهده: 41 بار | دفعات چاپ: 3 بار | دفعات ارسال به دیگران: 0 بار | 0 نظر