روشی براساس یادگیری عمیق برای تشخیص خرابی در پل ها برپایه همگرایی سیگنال ها

نظارت بر سلامت سازه زیر ساخت های عمرانی، مانند پل ها و ساختمان ها، در چند سال اخیر به موضوعی پرطرفدار تبدیل شده است. عامل موثر، رشد فزاینده تکنولوژیکی است که توسط فناوری های جدید ارائه می شود که امکان کسب، ذخیره سازی، پردازش و تجسم داده ها را در زمان واقعی فراهم می کند،بنابراین وضعیت سلامت یک سازه لحظه ای ارزیابی می کند. با این حال، بازیابی داده های مربوط به شرایط غیر عادی دشوار است، و زمانی که این شرایط برآورده شوند، به طور کلی، خیلی دیر شده است. به همین دلیل، چالش بدون نظارت می شود، زیرا هیچ داده برچسب گذاری شده ای در دسترس نیست، و الگوریتم های تشخیص غیر عادی معمولا در این زمینه اتخاذ می شوند. این پژوهش الگوریتم جدیدی را پیشنهاد می کند که مسئله ذاتا نظارت نشده را برای اهداف نظارت بر شرایط به یک مسئله نظارت شده تبدیل می کند. در نظر گرفتن پل مجهز به N سنسور ، که کمیت های سازه ایستا (چرخش پایه ها) و پارامترهای محیطی را اندازه گیری می کند، بهره برداری از روابط بین متغیرهای فیزیکی مختلف و تعیین چگونگی تغییر این روابط در طول زمان می تواند وضعیت سلامت پل را نشان دهد. به طور خاص، این الگوریتم شامل آموزش N مدل است که هر یک از آنها قادر به تخمین کمیت اندازه گیری شده از طریق یک حسگر با استفاده از N-۱ اندازه گیری دیگر هستند. از این رو، سیستم را می توان با مجموعه ای از N مدل نشان داد. به این ترتیب، برای هر سنسور، می توان اندازه گیری واقعی را با اندازه گیری پیش بینی شده مقایسه کرد و باقیمانده بین این دو را ارزیابی کرد. این تفاوت را می توان به عنوان نشانه ای از تغییرات در ساختار با توجه به شرایط نامی در نظر گرفت. این رویکرد برای یک مورد آزمایشی واقعی، به عنوان مثال، پل کاندیا در ایتالیا اعمال می شود و با یک آشکار ساز ناهنجاری پیشرفته (یعنی رمزگذار خودکار) مقایسه می شود تا صحت آن تایید شود.

کلیدواژه ها:

پایش سلامت سازه ، شبکه های عصبی ، نظارت بر پل ، مدل های تکراری ، هوش مصنوعی