تشخیص خرابی سازه تیر ساخته شده با مواد فلزی

با توجه به اهمیت جلوگیری از خرابی های غیرمنتظره سازه ای، روش های تشخیص آسیب مبتنی بر ارتعاش به طور گسترده ای برای نظارت بر سلامت سازه های مختلف مورد مطالعه قرار گرفته است. این روش ها به عنوان تکنیک های غیر مخرب کارآمد و قابل اعتماد برای تشخیص آسیب سازه ها محسوب می شوند. در این مطالعه، یک مدل جدید برای پیش بینی شدت آسیب در سازه های تیرچه مانند بر اساس روش اجزای محدود (FEM) و شبکه عصبی پرسپترون چند لایه (MLP) توسعه داده شده است. به این ترتیب داده های تجربی با استفاده از FEM به دست می آیند، سپس از شبکه عصبی MLP برای پیش بینی شدت آسیب استفاده می شود. پنج فرکانس اول و شدت آسیب تیرچه به ترتیب به عنوان ورودی و خروجی شبکه عصبی در نظر گرفته می شوند. بر اساس ورودی ها و خروجی ها، شبکه یک تابع فعال سازی غیرخطی ایجاد می کند و برای پیش بینی شدت آسیب آموزش دیده است. نتایج به دست آمده نشان می دهد که مدل ایجاد شده توسط شبکه می تواند با داشتن فرکانس های طبیعی تیرچه آسیب دیده، هر گونه آسیب تک آسیب را در سازه های تیر مانند با دقت بالا (R>۰.۹) تشخیص دهد.

کلیدواژه ها:

تشخیص آسیب ، سازه های تیرچه مانند ، روش اجزای محدود ، پرسپترون چند لایه ، سازه های آسیب دیده.