تشخیص آسیب مبتنی بر ارتعاش در ساختمان های مهاربندی با استفاده از یک الگوریتم مبتنی بر درخت تصمیم

بر اساس مطالعات پیشین، روش های سنتی تشخیص آسیب (مانند بازدید بصری) زمان بر و پرهزینه هستند. در سه دهه اخیر، الگوریتم های یادگیری ماشین، فناوری های حسگر و علوم کامپیوتر به طور پیوسته پیشرفت کرده اند که این امر راه را برای پیاده سازی چارچوب های تشخیص آسیب مبتنی بر یادگیری ماشین هموار کرده است. این مقاله، یک چارچوب تشخیص آسیب برای سازه های عمرانی با استفاده از الگوریتم های یادگیری ماشین ارائه می دهد. از طبقه بند درخت تصمیم برای طبقه بندی وضعیت آسیب در ساختمان بر اساس شاخص های آسیب به دست آمده از سیگنال های شتاب خروجی ساختمان استفاده شده است. سازه قاب مهاربندی شده معروف به بنچمارک پایش سلامت سازه IASC-ASCE برای اعتبارسنجی روش ارائه شده به کار گرفته شد. تعداد ۶۰۰۰ سیگنال نویز سفید گاوسی با طول ۱۰ ثانیه به عنوان ارتعاشات محیطی با استفاده از پلتفرم متلب به مدل مطالعه موردی اعمال شد. پنج شاخص آسیب مختلف شامل شدت ارتعاش، دوره تناوب میانگین، میانگین، واریانس و فرکانس اصلی سازه برای آموزش طبقه بند استفاده شد. یک الگوریتم بهینه سازی بیزی برای تنظیم ابرپارامترهای یادگیر طبقه بندی درخت تصمیم پیاده سازی شد. نتایج نشان می دهد که رویکرد پیشنهادی می تواند وضعیت آسیب در ساختمان را با دقت امیدوارکننده ای تخمین بزند.

کلیدواژه ها:

تشخیص آسیب ، درخت تصمیم ، سازه مهاربندی ، طبقه بندها