دانشجو: آقای روزبه درودی
استاد راهنما: دکتر سیدحسین حسینیلواسانی
استاد راهنما: دکتر محسن شهروزی
زمان: چهارشنبه ۲۹ آذر ماه ۱۴۰۲ ساعت: ۱۴:۰۰
مکان: تهران، مرکز رشد دانشگاه خوارزمی
چکیده
با پیشرفت سریع تکنولوژی در زمینه ساخت سازههای عمرانی در سالهای اخیر، استفاده از سازههای ساختمانی اساسی به طور چشمگیری افزایش یافته است. این سازهها به عنوان مثال برجهای بلند مرتبه و پلها با دهانه بلند را در برمیگیرند. این سازهها در طول عمر خدمت خود با شرایط متنوعی از جمله بارهای جانبی، عوامل فرسایش و عوامل دیگر مواجه میشوند. به عبارت دیگر، در طول زمان ممکن است به آسیب بیافتند و برای مقابله با این مسئله، پایش سلامت سازه به عنوان یک رویکرد مناسب جهت بررسی وضعیت سلامت سازه در طول عمر آنها مورد استفاده قرار میگیرد. در این فرآیند، ارزیابی یکپارچگی و ایمنی سازهها انجام میشود و مراحل شامل تشخیص اولیه آسیب، تعیین مکان آسیب و اندازهگیری شدت آن میباشد. عموماً سیستمهای پایش سلامت برای سازههایی نظیر برجهای بسیار بلند مرتبه و پلها با دهانه بلند، دارای شبکه پیچیدهای از حسگرها هستند و اطلاعات حسگری را ثبت و پردازش میکنند. به همین دلیل، حجم بزرگی از دادهها برای بررسی سلامت سازه ثبت و نگهداری میشود. در نتیجه، مواجهه با دادههای بزرگ در فرآیند پایش سلامت سازه، چالشهایی را ایجاد میکند. همچنین، در حین عملیات پایش سلامت، اشکالات و خطاهای متنوعی مانند از دست دادن دادهها، ثبت نادرست دادهها و اشتباهات ثبت دادهها ممکن است به وجود آیند. علاوه بر این، بررسی وضعیت سازه نیازمند تفسیر انسانی است که احتمال وارد آمدن خطاها را افزایش میدهد.
بنابراین، در این تحقیق، به منظور مقابله با این چالشها، استفاده از روشهای هوش مصنوعی جهت تشخیص و بررسی سلامت سازه و بهبود کارایی سیستم حسگری و ثبت دادهها پیشنهاد شده است. در این مطالعه، برای مدلسازی و تحلیل عددی سازهها با مقیاس بزرگ، به سازههای بلند مرتبه نظیر برج میلاد در ایران، برج کانتون در چین، و پل تیانجین یونگه در چین مراجعه شده است.
ابتدا در این تحقیق، یک روش خودکار برای استخراج فرکانسهای طبیعی سازه، نسبت میرایی، و شکل مود ارائه شده است که با بهرهگیری از دادههای حسگرها توسعه یافته و با هدف کاهش محاسبات مورد نیاز برای پایش سلامت سازه، رویکردی برای به دست آوردن فرکانسهای بخشهای مختلف سازه در بازه زمان کوتاهتر ارائه میشود. در ادامه، به منظور حذف مدل المان محدود و همچنین بهبود عملکرد شبکه سنسورها به پیش بینی پاسخهای سازه با کمک بردار ماشین پشتیبان که پارامترهای آن با استفاده از روش های فراابتکاری مانند الگوریتم بهینه سازی مبصر-معلم-دانش آموز OTLBO) )بهینه شده پرداخته می شود. در مراحل بعدی، با استفاده از روشهای یادگیری عمیق و بردار ماشین پشتیبان که پارامتر ها و شبکه آنان بهینه شده است، تشخیص وضعیت سلامت سازه انجام میشود. در ابتدا از روش تشخیص ناهنجاری سیگنال عمیق (DSAD)برای شناسایی آسیب سازه استفاده می شود .این روشها با ترکیب تکنیکهای پردازش سیگنال مانند تبدیل موجک، تجزیه حالت تجربی چند متغیره ( MEMD) ، ویژگیهای مفیدی را استخراج میکنند . در نهایت به منظور افزایش کارایی سیستم پایش سلامت ساز با استفاده از تشخیص ناهنجاری سیگنال عمیق(DSAD ) و روشهای یادگیری عمیق (DL ) و بردار ماشین پشتیبان (SVM)به تشخیص عیب و نوع عیب سیگنالهای ثبت شده توسط حسگرها پرداخته شده که ویژگیهای زمانی و زمانی فرکانسی سیگنال ه ابا استفاده از ترکیب تکنیکهای پردازش سیگنال مانند تبدیل موجک، تجزیه حالت تجربی چند متغیره استخراج می شوند.سیگنال معیوب با توجه به کمترین ویژگی مورد نیاز با استفاده از الگوریتم چند هدفه MOOTLBO بازسازی میشود.
نتایج تحقیق نشان میدهد که استفاده از روشهای پردازش سیگنال مانند تبدیل موجک و MEMD ، قادر به شناسایی دقیق فرکانسهای مورد نظر در سازههای بلند مرتبه است و همچنین قادر به حذف صحیح فرکانسهای ناخواسته و نامعتبر است. مدل هیبریدی SVR- OTLBO به دقت پاسخهای شتاب سازه را پیشبینی میکند و بدون وابستگی به مدل المان محدود، توانایی استخراج ویژگیهای دینامیکی سازههای بسیار بلند را از طریق پیشبینی بدون مدل سازی المانهای محدود فراهم میکند. این نشان میدهد که میتوان با استفاده از این روشها به موفقیت در حل مسائل نقص سنسورها یا اختلالات در سیستم نظارت بر سلامت سازههای فوقبلند دست پیدا کرد. روش پیشنهادی برای ارزیابی آسیب با استفاده از بردار پشتیبان و یادگیری عمیق به همراه روشهای پردازش سیگنال مانند تبدیل موجک و تجزیه حالت تجربی MEMD، قادر به دستیابی به دقت بسیار بالا در تشخیص وضعیت، محل و شدت آسیب در سازهها میباشد. مدلهای یادگیری عمیق با معماریهای پیچیده و تعداد لایههای بالا، توانایی بالایی در طبقهبندی چند کلاسه را دارا هستند. این موفقیت به واسطه بهینهسازی پارامترهای هایپر، کاهش Dropout و بهینهسازی معماری شبکهها امکانپذیر میشود. در حالی که بهینه سازی پارامترهای ناشناخته مدل های DL و SVM، تشخیص الگو را افزایش می دهد، کلید مهم در استخراج ویژگی های مربوطه نهفته است. روش استخراج ویژگی پیشنهادی، با ترکیب MEMD و WT، در استخراج ویژگیهای حوزه زمان و دامنه زمان فرکانس برای مدلهای طبقهبندیکننده موثر نشان داده شد. رویکرد DSAD توانایی بالایی در شناسایی سیگنال های غیرعادی نشان می دهد و آن را برای کاربردهای عملی مانند سیستم هشدار دهنده برای ارزیابی وضعیت پل مناسب می کند. همچنین مدل DSAD توانایی خود را در شناسایی و جداسازی موثر سیگنال های معیوب نشان داد.مدل SVR با موفقیت پاسخ شتاب سازه را بدون تکیه بر مدل سازی اجزای محدود سازه بازسازی می کند.. همچنین بین سیگنال های معیوب بازسازی شده با داده های ورودی حداقل و حداکثر تفاوت معنی داری وجود ندارد. این قابلیت نه تنها برای به دست آوردن ویژگی های دینامیکی ساختمان های بسیار بلند بدون توسل به مدل های اجزا محدود ارزشمند است، بلکه می تواند با حداقل داده های مورد نیاز برای بازسازی سیگنال های معیوب کاملاً کار کند. به این معنی که وقتی یک سیستم SHM ساختمان فوقالعاده با دادههای گمشده مواجه میشود (دادههای حسگرها در دسترس نیستند)، مدل پیشنهادی میتواند سیگنالهای معیوب را بازسازی کند. این چشم انداز امیدوارکننده ای را برای رسیدگی به نقص یا اختلاف سنسور در سیستم های نظارت بر سلامت سازه ساختمان های فوق العاده بلند ارائه می کند.
به طور خلاصه، این تحقیق نشان میدهد که استفاده از ترکیب روشهای یادگیری عمیق، بردار ماشین پشتیبان و پردازش سیگنال میتواند بهبود محسوسی در تشخیص وضعیت و سلامت سازهها به همراه داشته باشد. این روشها، علاوه بر کاهش وابستگی به مدلسازی اجزای محدود سازه، قابلیت پیشبینی و بازسازی سیگنالهای معیوب را در شرایط نقص دادهها نیز دارا میباشند. این پژوهش به امید پیشرفت در راستای افزایش دقت و کارایی در پایش سلامت سازههای بلند مرتبه و پیچیده، پیشنهاد شده است.
|