آنالیز فرکانسی تیر ترک دار به کمک الگوریتم های یادگیری ماشین

وجود ترک در تیر، مشخصه های دینامیکی تیر را تغییر می دهد. بنابراین، برای ارزیابی وضعیت تیر، فرکانس های طبیعی آن باید بررسی شوند. در این مطالعه، با استفاده از یک راه حل عددی بر اساس روش رایلی، فرکانس های طبیعی یک تیر با دو ترک بر اساس عمق و موقعیت ترک محاسبه می شود. در ادامه با استفاده از زبان برنامه نویسی پایتون، رابطه ریاضی مذکور را در این برنامه وارد کرده تا با ایجاد حلقه های تکرار این رابطه را به صورت پی در پی برای ورودی های متفاوت حل کند، هدف از این امر تولید مجموعه داده ای است که از آن برای آموزش الگوریتم های یادگیری ماشین از جمله رگرسیون جنگل تصادفی، رگرسیون افزایش گرادیان، پرسپترون چندلایه و رگرسیون درخت تصمیم جهت پیش بینی فرکانس طبیعی استفاده شود. نوآوری کلیدی در مطالعه این استفاده از یک روش جستجوی شبکه ای برای تعیین مقدار بهینه داده برای هر الگوریتم است که دقت را افزایش داده و معیار جدیدی جهت مقایسه به نام «حجم داده مورد نیاز» را معرفی می کند. این تحقیق نشان داد افزایش اندازه مجموعه داده ها معمولا دقت پیش بینی الگوریتم ها را افزایش می دهد علاوه بر این الگوریتم هایی که یک خروجی را پیش بینی می کنند، در مقایسه با آن هایی که چندین خروجی را پیش بینی می کنند، دقت بالاتری دارند. این مطالعه استفاده موثر از الگوریتم های یادگیری ماشین را برای پیش بینی فرکانس های طبیعی نشان می دهد. الگوریتم رگرسیون تقویت گرادیان با دقت ۷۵/۹۷ و الگوریتم رگرسیون جنگل تصادفی با دقت ۷۴/۹۵ به عنوان روش های برتر برای پیش بینی فرکانس های تیر ظاهر شدند.

کلیدواژه ها:

یادگیری ماشین ، تیر ترک خورده ، فرکانس طبیعی ، پایتون ، پرسپترون چندلایه ای ، رگرسیون درخت تصمیم