یک روش مبتنی بر یادگیری گروهی برای شناسایی آسیب های سازه ای در سازه ها

این مقاله یک چارچوب شناسایی آسیب مبتنی بر یادگیری گروهی برای سازه های عمرانی ارائه می دهد تا عدم قطعیت های مرتبط با الگوریتم های یادگیری ماشین را کاهش داده و دقت پیش بینی آن ها را افزایش دهد. این الگوریتم، نتایج سه الگوریتم مختلف یادگیری ماشین (یعنی درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی کانولوشنی) را با استفاده از الگوریتم K-نزدیک ترین همسایه ادغام می کند. این فرآیند منجر به استفاده از هوش جمعی به جای تکیه بر الگوریتم های یادگیری ماشین منفرد می شود. سازه قاب مهاربندی شده معروف به ساختمان معیار پایش سلامت سازه IASC-ASCE برای اعتبارسنجی روش ارائه شده مورد استفاده قرار گرفت. در مجموع ۱۰۰۰ سیگنال نویز سفید گوسی با طول ۱۰ ثانیه با استفاده از پلتفرم متلب به عنوان ارتعاشات محیطی به ساختمان معیار اعمال شد. پاسخ های سازه ای با ۱۰٪ نویز آلوده شدند تا شرایط واقعی میدانی شبیه سازی شود. هفت شاخص آسیب مختلف، شامل دوره میانگین، شدت ارتعاش، واریانس، میانگین، ریشه میانگین مربعات، چولگی و فرکانس بنیادی سازه، از پاسخ های سازه ای استخراج شد تا طبقه بندها آموزش داده شوند.

کلیدواژه ها:

یادگیری گروهی ، شناسایی آسیب ، شاخص آسیب ، طبقه بندها