ارائه یک روش هوشمند شناسایی خرابی در سازه ها بر مبنای انرژی کرنش اصلاح شده در حوزه زمان

استفاده از شبکه های عصبی عمیق در پایش سلامت سازه از روش های مورد توجه جامعه مهندسین در سال های اخیر است. شبکه های عصبی عمیق با لایه های زیاد، ساختار سلسله مراتبی و قابلیت بالای دسته بندی، داده سرعت و دقت عیب یابی در سازه ها را بهبود می دهند. در این پژوهش پیشنهاد می شود از شبکه های درهم تنیده (کانولوشن یک بعدی و دو بعدی) جهت تشخیص خرابی سازه ها استفاده شوند. بدین منظور همه داده مورد بررسی پیش پردازش شده و سپس برای آموزش شبکه عصبی استفاده می شوند. در ادامه علاوه بر بررسی اثر تابع نرمال ساز، اثر توابع بهینه سازی آدام گرادیان کاهشی و همچنین توابع فعال سازی تانژانت هیپربولیک و relu در فرآیند آموزش شبکه مورد بررسی قرار خواهند گرفت. جهت ارزیابی توانایی روش های ارائه شده از دو مجموعه داده که یکی حاوی سیگنال های مربوط می باشند نیز استفاده خواهد شد و در نهایت دقت عملکرد تابع گرادیان کاهشی نسبت به تابع بهینه سازی آدام مشخص خواهد گردید و همچنین عملکرد مناسب شبکه های درهم تنیده نیز در جهت تشخیص خرابی سازه نیز بررسی خواهد گردید.

کلیدواژه ها:

پایش سلامت سازه ، استخراج ویژگی ، الگوریتم بهینه سازی ، عقاب صحرایی آکویلا ، شبکه عصبی عمیق