تشخیص خودکار آسیب در سازه ها بر پایه نرمال سازی پاسخ ارتعاشی و شبکه عصبی کانولوشنی یک بعدی

در حوزه پایش سلامت سازه ها تکنیک های تشخیص مبتنی بر ارتعاش طی دهه های اخیر به طور گسترده برای ارزیابی وضعیت سازه ها به کار گرفته شده اند. با پیشرفت شبکه های یادگیری عمیق که امکان استخراج خودکار ویژگی ها و دقت بالای طبقه بندی را فراهم می سازند، این رویکردها به عنوان ابزاری نوین در تشخیص آسیب سازه ای شناخته شده اند. با این حال شبکه های عصبی عمیق معمولا ورودی و خروجی با اندازه ثابت دارند و بنابراین داده های حسگری ورودی باید به اندازه از پیش تعیین شده شبکه کوچک سازی یا برش داده شوند. از آنجا که طول داده های ورودی ارتباط مستقیمی با کیفیت تحریک سازه دارد، تنظیم بهینه آن ضمن حفظ اطلاعات تحریک برای دستیابی به تشخیص دقیق امری حیاتی است. برای رفع این چالش در این پژوهش روش نرمال سازی داده ها بر مبنای تحریک طبیعی سازه همراه با شبکه عصبی کانولوشنی یک بعدی برای تشخیص خودکار آسیب سازه ای پیشنهاد شده است. در این رویکرد، داده های ورودی با بهره گیری از تابع همبستگی متقابل به اندازه ای یکسان تبدیل می شوند و سپس ویژگی های حساس به آسیب توسط شبکه CNN استخراج شده و برای تصمیم گیری نهایی مورد استفاده قرار می گیرند. کارایی روش پیشنهادی از طریق شبیه سازی عددی روی مدل تیر با تکیه گاه ساده که تحت بارگذاری تصادفی و ترافیکی قرار گرفت، ارزیابی شد. نتایج نشان داد که مدل ارائه شده قادر است محل آسیب را به ترتیب با دقت ۹۹/۹۰ تحت بارگذاری تصادفی و ۹۹.۲۰٪ تحت بارگذاری ترافیکی شناسایی کند. این یافته ها نشان دهنده قابلیت بالای مدل پیشنهادی در شناسایی دقیق آسیب حتی تحت تحریک های غیرایستان است.

کلیدواژه ها:

یادگیری عمیق ، تشخیص آسیب سازه ای ، جریان نوری ، ، اندازه گیری جابجایی سازه ای