استفاده از روش ترکیب تصادفی داده های نویزدار ناقص در پایش سلامت سازه ها به کمک تابع پاسخ فرکانسی

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 40

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MARIN-20-42_002

تاریخ نمایه سازی: 18 تیر 1403

چکیده مقاله:

پایش سلامت و عیب یابی سازه ها همواره یکی از دغدغه های مهندسین و پژوهشگران بوده است. در این بین، برخی از سازه ها دارای اهمیت حیاتی در سطح ملی کشورها هستند و باید سلامت آنها مورد ارزیابی دوره ای قرار گیرد. در پایش سلامت، از داده های اندازه گیری میدانی از سازه موجود برای یافتن محل و میزان خرابی ها استفاده می شود. داده های میدانی با نصب تجهیزات اندازه گیری در تعداد محدودی از درجات آزادی سازه جمع آوری می شوند. این داده ها همواره با درصدی خطا و یا اصطلاحا نویز همراه هستند. در این پژوهش توانایی روش ترکیب تصادفی داده های اندازه گیری در عیب یابی سازه به کمک تابع پاسخ فرکانسی مورد ارزیابی قرار گرفته است. برای این منظور، روش توسعه داده شده بر روی یک دکل انتقال برق فشار قوی در سناریوهای مختلف خرابی اعمال شد. نتایج، توانایی بالای این روش در پیش بینی میزان خرابی سازه در حضور داده های نویز دار را نشان می دهد. هنگامی که مقدار نویز کمتر از ۵% است، نتایج روش فوق کاملا منطبق با روش های مرسوم قبلی است. از سوی دیگر، وقتی تا ۳۵% نویز در کمتر از ۵۰% داده ها پخش شده است، روش های مرسوم در پیش بینی میزان و موقعیت خرابی ها با شکست مواجه می شوند، در حالیکه روش حاضر با دقت بالایی موقعیت و میزان خرابی ها را تشخیص می دهد. مثال های عددی با استفاده از داده های آلوده به نویز تایید می کنند که روش پیشنهادی می تواند در تمام روش های تشخیص آسیب در سازه ها استفاده شود.

کلیدواژه ها:

Frequency Response Function ، Noise ، Damage Detection ، High Voltage Power Tower ، تابع پاسخ فرکانسی ، نویز ، یافتن خرابی ، دکل برق فشار قوی

نویسندگان

عطاء اله قره چائی

Chabahar Maritime University

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :