دانشجو: آقای جعفری محمدحسین
استاد راهنما: دکتر سید حسین حسینی لواسانی
زمان: ۳۱ شهریور ماه ۱۴۰۴ ساعت: ۰۹:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
چکیده:آسیب در سازههای کاربردی و مهم خسارات مهلک و جبرانناپذیری به دنبال دارد. از این رو، محققان همواره در حال تلاش برای رسیدن به روشی کارآمد برای پایش آنلاین سلامت سازههای واقعی هستند. آسیب، تغییر در مشخصات سازه و در نتیجه تغییر در پاسخ سازه را به همراه دارد؛ فرآیند پایش سلامت سازه با بررسی تغییرات ایجاد شده در پاسخ سازه، وجود یا عدم وجود خرابی را بررسی میکند. در ابتدا، اندازهگیری پاسخ سازه انجام میگردد. سپس، بررسی میشود که کدام ویژگیها حساس به خرابی هستند و سرانجام، با بررسی آماری آن شاخصهها، آسیب شناسایی میشود.
در این راستا، روشهای مختلفی وجود دارد که میتوان آنها را به دو دسته کلی روشهای شناسایی بر اساس ورودی و خروجیها و روشهای شناسایی براساس تنها خروجیها تقسیم کرد که روش دوم به دلیل نزدیکتر بودن به آنچه که در واقعیت رخ میدهد، کارآمدی بیشتری دارد. با توجه به اینکه خرابی، تغییرات در پاسخ سازه را به دنبال دارد، میتوان نتیجه گرفت که میزان پیچیدگی رفتار سازه آسیبدیده با سازه سالم متفاوت است. بنابراین، یکی از روشهای مناسب برای بررسی آسیبهای غیرخطی، تحلیل پیچیدگی رفتار سازه است.
آنتروپی معیاری است که میزان پیچیدگی را بهطور کمّی بیان میکند و روابط متعددی برای محاسبه آن ارائه شده است. در این تحقیق، از روابط انواع آنتروپیهای شاخص برای بررسی میزان پیچیدگی رفتار سازه استفاده شده است. سپس به بررسی کارآمدترین آنتروپی برای پیدا کردن ویژگی شاخص، برای تعیین خرابی پرداخته شد. این بررسی، هم در مدل عددی یک قاب و هم در شناسایی خرابی در مدل آزمایشگاهی قاب انجام شد. مشاهده شد که سیگنال شتاب در استخراج شاخص خرابی مبتنی بر آنتروپی برای شناسایی انواع آسیبهای خطی و غیرخطی موفق است. همینطور نتیجه گرفته شد که در تشخیص وجود خرابی، عملکرد شاخص خرابی مبتنی بر آنتروپی محدوده نسبت به سایر آنتروپی ها بهتر است.
در این پژوهش، استفاده از یادگیری ماشین بهعنوان ابزاری پیشرفته در تحلیل دادهها و شناسایی آسیبها مورد بررسی قرار گرفت. الگوریتمهای یادگیری ماشین، با تحلیل مداوم دادهها و بروزرسانی مدلهای پیشبینی، قادر به شناسایی الگوهای ناشناخته و ناهنجاریهای موجود در دادههای شتاب هستند. نتایج نشان داد که ترکیب شاخصهای آنتروپی و یادگیری ماشین میتواند دقت و کارایی فرآیند شناسایی و تحلیل آسیبها را بهطور چشمگیری افزایش دهد. با استفاده از این ترکیب، امکان پیشبینی و پیشگیری از وقوع آسیبهای جدیتر فراهم میشود و بهطور کلی، مدیریت و نگهداری سازهها بهبود مییابد.
|