سارا زلقی - Department of Civil Engineering, Science and Research Branch, Islamic Azad University
آرمین عظیمی نژاد - Department of Civil Engineering, Science and Research Branch, Islamic Azad University
حسین رحامی - School of Engineering Science, College of Engineering, University of Tehran
عبد الرضا سروقد مقدم - International Institute of Earthquake Engineering and Seismology (IIEES), Tehran, Iran
میرحمید حسینی - Department of Civil Engineering, Science and Research Branch, Islamic Azad University

نظارت بر سلامت پل های بزرگراهی امری اساسی برای دستیابی به یک سیستم حمل و نقل قابل اعتماد است. روش شناسایی آسیب مبتنی بر ارتعاش از تغییرات ویژگی های ارتعاشی سازه ها برای شناسایی آسیب ها و اطمینان از وضعیت سلامت سازه ها استفاده می کند. در این مطالعه، از شاخص های آسیب اصلاح شده پارامترهای مودال مبتنی بر ترکیب مقدار مطلق انعطاف پذیری مودال و انرژی کرنش مودال به عنوان ورودی شبکه های عصبی عمیق کانولوشن استفاده می شود تا تصمیمات ایمن و ارزیابی آسیب قابل اعتماد در تعیین آسیب های تکی در تیرهای فولادی پل های بزرگراهی فراهم شود. همچنین شبکه عصبی عمیق ادغام شده جهت تخمین شدت آسیب تکی به طور هوشمندانه مورد استفاده قرار می گیرد. شبکه عصبی با استفاده از شاخص های آسیب حاصل از شبیه سازی عددی مدل اعتبارسنجی شده پل آموزش داده می شود. شاخص های آسیب به عنوان ورودی های شبکه عصبی از سناریوهای مختلف آسیب حاصل می شود. شبکه عصبی آموزش دیده برای شناسایی، مکان یابی و اندازه گیری شدت آسیب های ناشناخته تکی استفاده می شود. روش پیشنهادی پاسخی بر مشکلات شناسایی آسیب در تحقیقات گذشته می باشد. نتایج نشان داد که روش ارائه شده بر اساس شاخص های آسیب اصلاح شده مبتنی بر ترکیب مقدار مطلق و شبکه عصبی عمیق کانولوشن ادغام شده به صورت عملی و دقیق مکان و شدت آسیب های ناشناخته تکی را در تیرهای فلزی پل های چند دهانه بزرگراهی شناسایی می کند.

Structural health monitoring, modal strain energy damage index, modal flexibility damage index, steel beam, deep learning., پایش سلامت سازه ها, شاخص انرژی کرنشی مودال, شاخص انعطاف پذیری مودال, تیر فلزی, شبکه عصبی عمیق