دفاعیه کارشناسی ارشد (مهندسی سازه) تشخیص آسیب در مدل آزمایشگاهی سازه فولادی با ستفاده از الگوریتم نیمه نظارت شده هوش مصنوعی و تشخیص محل خرابی
| تاریخ ارسال: 1404/6/18 |
دانشجو: آقای حسن احمدی
استاد راهنما: دکتر جعفر کیوانی قمصری
استاد راهنما: سید حسین حسینی لواسانی
زمان: ۱۸ شهریور ماه ۱۴۰۴ ساعت: ۰۹:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
استاد راهنما: دکتر جعفر کیوانی قمصری
استاد راهنما: سید حسین حسینی لواسانی
زمان: ۱۸ شهریور ماه ۱۴۰۴ ساعت: ۰۹:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
چکیده:
این پایاننامه به بررسی یک رویکرد جامع برای پایش سلامت سازهها میپردازد که شامل دو بخش تشخیص خرابی چند کلاسه با الگوریتمهای نیمه نظارت شده و تشخیص محل محدوده خرابی از طریق الگوریتم نظارت نشده است. فرآیند شناسایی تغییرات در سازهها به دلیل پیچیدگیهای محاسباتی و تأثیر نویزهای محیطی، همواره چالشهای عمدهای برای الگوریتمهای شناسایی آسیب به همراه داشته است. این مشکلات میتوانند به دقت نتایج شناسایی آسیبها لطمه وارد کرده و باعث شوند که فرآیند شناسایی دیرتر از حد معمول به نتیجه برسد. در این پژوهش، از دادههای یک سازه آزمایشگاهی چهار طبقه فولادی مدولار با اتصالات فلنجی و مقیاس شده استفاده شده است تا رفتار سازهها در برابر بارهای لرزهای مختلف مورد بررسی قرار گیرد. این سازه از طریق ۱۳ تحریک ورودی به ارتعاش درمیآید و پاسخهای آن توسط مجموعهای از حسگرهای دقیق که در نقاط مختلف سازه نصب شدهاند، جمعآوری میشود. این تحریکات شامل بارهای لرزهای مختلف با شدتها و فرکانسهای متفاوت هستند که هدف از آن شبیهسازی رفتار سازه تحت شرایط مختلف لرزهای و اندازهگیری پاسخهای آن است. در این تحقیق، حالت های مختلف آسیب و یک حالت سالم برای سازه در نظر گرفته شده است تا تاثیرات مختلف خرابیها بر روی رفتار سازه مورد مطالعه قرار گیرد. این حالتها شامل آسیبهای مختلف در اتصالات و تیرها است که هرکدام بهطور خاص تاثیرات خود را بر فرکانسها و پاسخهای دینامیکی سازه میگذارند. در بخش پردازش سیگنال، برای تحلیل دادههای حسگرها از روش تبدیل موجک گسسته استفاده شده است. این روش به دلیل قابلیتهای خاص خود در تجزیه سیگنال به مؤلفههای فرکانسی مختلف و توانایی حذف نویزهای محیطی، به یکی از ابزارهایی در پردازش سیگنالهای پایش سلامت سازهها تبدیل شده است. این روش دادههای خام را به اطلاعاتی قابل استفاده برای تحلیلهای پیچیدهتر تبدیل کرده و دقت بیشتری در ارزیابی وضعیت سلامت سازه ارائه میدهد. علاوه بر این، برای تحلیل دقیقتر و شناسایی اثرات خرابیها در سازه، از روشهای تجزیه سیگنال برای بدست اوردن اطلاعات بیشتری از سیگنالها استفاده شده است. این روشها با توجه به تعداد بالای ویژگیها و پیچیدگی سیگنالهای مربوط به رفتار سازهها، توانسته است اثرات مختلف خرابیها را با دقت بیشتری شبیهسازی کرده و شناسایی کند. بخش دوم پژوهش به طبقهبندی آسیبهای سازهای اختصاص دارد که در این قسمت، از الگوریتمهای هوش مصنوعی نیمه نظارتشده برای شناسایی سناریوهای مختلف خرابی استفاده شده است. این الگوریتمها بهطور خاص قادر به تحلیل دادههای جمعآوریشده از حسگرها و پیشبینی خرابیهای احتمالی بر اساس ویژگیهای استخراجشده از سیگنالها هستند. در بخش تشخیص خرابی در حالت ۳ کلاسه میانگین دقت بالای ۹۵ درصد و در حالت ۴ کلاسه متوسط دقت بالای ۹۰ درصد ثبت شده است. با استفاده از تعداد ویژگی محدود (۱۸ ویژگی) که اختلاف بین دادههای سنسور یک سازه سالم و یک سازه آسیب دیده و بوسیله الگوریتم نظارت نشده تشخیص محدوده خرابی صورت پذیرفت. استفاده از الگوریتمهای هوش مصنوعی میتواند در شناسایی سناریوهای مختلف خرابی با دقت بالا و سرعت بالاتر از روشهای سنتی تأثیر زیادی داشته باشد
این پایاننامه به بررسی یک رویکرد جامع برای پایش سلامت سازهها میپردازد که شامل دو بخش تشخیص خرابی چند کلاسه با الگوریتمهای نیمه نظارت شده و تشخیص محل محدوده خرابی از طریق الگوریتم نظارت نشده است. فرآیند شناسایی تغییرات در سازهها به دلیل پیچیدگیهای محاسباتی و تأثیر نویزهای محیطی، همواره چالشهای عمدهای برای الگوریتمهای شناسایی آسیب به همراه داشته است. این مشکلات میتوانند به دقت نتایج شناسایی آسیبها لطمه وارد کرده و باعث شوند که فرآیند شناسایی دیرتر از حد معمول به نتیجه برسد. در این پژوهش، از دادههای یک سازه آزمایشگاهی چهار طبقه فولادی مدولار با اتصالات فلنجی و مقیاس شده استفاده شده است تا رفتار سازهها در برابر بارهای لرزهای مختلف مورد بررسی قرار گیرد. این سازه از طریق ۱۳ تحریک ورودی به ارتعاش درمیآید و پاسخهای آن توسط مجموعهای از حسگرهای دقیق که در نقاط مختلف سازه نصب شدهاند، جمعآوری میشود. این تحریکات شامل بارهای لرزهای مختلف با شدتها و فرکانسهای متفاوت هستند که هدف از آن شبیهسازی رفتار سازه تحت شرایط مختلف لرزهای و اندازهگیری پاسخهای آن است. در این تحقیق، حالت های مختلف آسیب و یک حالت سالم برای سازه در نظر گرفته شده است تا تاثیرات مختلف خرابیها بر روی رفتار سازه مورد مطالعه قرار گیرد. این حالتها شامل آسیبهای مختلف در اتصالات و تیرها است که هرکدام بهطور خاص تاثیرات خود را بر فرکانسها و پاسخهای دینامیکی سازه میگذارند. در بخش پردازش سیگنال، برای تحلیل دادههای حسگرها از روش تبدیل موجک گسسته استفاده شده است. این روش به دلیل قابلیتهای خاص خود در تجزیه سیگنال به مؤلفههای فرکانسی مختلف و توانایی حذف نویزهای محیطی، به یکی از ابزارهایی در پردازش سیگنالهای پایش سلامت سازهها تبدیل شده است. این روش دادههای خام را به اطلاعاتی قابل استفاده برای تحلیلهای پیچیدهتر تبدیل کرده و دقت بیشتری در ارزیابی وضعیت سلامت سازه ارائه میدهد. علاوه بر این، برای تحلیل دقیقتر و شناسایی اثرات خرابیها در سازه، از روشهای تجزیه سیگنال برای بدست اوردن اطلاعات بیشتری از سیگنالها استفاده شده است. این روشها با توجه به تعداد بالای ویژگیها و پیچیدگی سیگنالهای مربوط به رفتار سازهها، توانسته است اثرات مختلف خرابیها را با دقت بیشتری شبیهسازی کرده و شناسایی کند. بخش دوم پژوهش به طبقهبندی آسیبهای سازهای اختصاص دارد که در این قسمت، از الگوریتمهای هوش مصنوعی نیمه نظارتشده برای شناسایی سناریوهای مختلف خرابی استفاده شده است. این الگوریتمها بهطور خاص قادر به تحلیل دادههای جمعآوریشده از حسگرها و پیشبینی خرابیهای احتمالی بر اساس ویژگیهای استخراجشده از سیگنالها هستند. در بخش تشخیص خرابی در حالت ۳ کلاسه میانگین دقت بالای ۹۵ درصد و در حالت ۴ کلاسه متوسط دقت بالای ۹۰ درصد ثبت شده است. با استفاده از تعداد ویژگی محدود (۱۸ ویژگی) که اختلاف بین دادههای سنسور یک سازه سالم و یک سازه آسیب دیده و بوسیله الگوریتم نظارت نشده تشخیص محدوده خرابی صورت پذیرفت. استفاده از الگوریتمهای هوش مصنوعی میتواند در شناسایی سناریوهای مختلف خرابی با دقت بالا و سرعت بالاتر از روشهای سنتی تأثیر زیادی داشته باشد
مطالب مشابه
دفعات مشاهده: 32 بار |
دفعات چاپ: 8 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر