تشخیص آسیب در پل های فولادی و بتنی تحت اثرات محیطی و عملیاتی

تغییرات محیطی و عملیاتی موجب می شوند پایش پیوسته سلامت سازه های مهندسی عمران دقت و قابلیت اطمینان خود را از دست بدهد. روش یادگیری بدون ناظر محلی مبتنی بر خوشه بندی دوگانه داده ها می تواند به حل این چالش کمک کند. هدف اصلی این روش، استخراج مرتبط ترین اطلاعاتی است که نسبت به تغییرات محیطی و عملیاتی حساسیت کمی دارند. در این پژوهش، روش خوشه بندی قله چگالی محلی بر پایه درخت پوشای کمینه (LDPC-MST) برای تقسیم تمام نقاط داده ی موجود به خوشه های اصلی به کار گرفته شده است. سپس با استفاده از زیرخوشه های نماینده ی تمام خوشه های اصلی، شاخصی برای شناسایی آسیب بر اساس فاصله ی مجذور ماهالانوبیس تعریف می شود تا هرگونه تغییر غیرعادی ناشی از آسیب را تشخیص دهد. به منظور ارزیابی کارایی روش پیشنهادی، یک پل قوسی فولادی و یک پل بتن آرمه ی جعبه ای تحت تغییرات شدید محیطی مورد بررسی قرار گرفته اند. همچنین چندین تحلیل مقایسه ای انجام شده تا برتری این روش نشان داده شود. نوآوری اصلی این پژوهش، توسعه ی یک روش جدید یادگیری بدون ناظر محلی از طریق به کارگیری فرایند خوشه بندی دوگانه و الگوریتم LDPC-MST است. نتایج نشان می دهد روش پیشنهادی قادر است به طور موثری اثرات محیطی و عملیاتی را به حداقل رسانده و نتایج قابل اعتمادی ارائه دهد.

کلیدواژه ها:

شناسایی آسیب ، پایش پیوسته سلامت سازه ، یادگیری بدون ناظر ، خوشه بندی داده ها ، تغییرات محیطی و عملیاتی