ConfOrganizer 

شناسایی خسارت در سازه‌های خرپایی به‌کمک شبکه‌های عصبی مصنوعی

•   Ms. Mahshad Mollaee ,  Ferdowsi University of Mashhad ,   
•   Prof. Mohammad Reza Esfahani ,  Ferdowsi University of Mashhad ,   
•   Ms. Mahsa Pahlavan Mosavari ,  Ferdowsi University of Mashhad ,   

Major Topic: Vibration And Dynamics Of Structures|ارتعاشات و دینامیک سازه

Abstract

شبکه‌های عصبی مصنوعی ابزاری کارآمد در حوزه تشخیص خسارت می‌باشند و امکانات جدیدی را در استفاده از داده‌های اندازه‌گیری‌شده مبهم و ناقص برای کاربران ارائه می‌دهند. این مطالعه روشی را برای تخمین شدت و محل آسیب اتصالات برای سازه‌های خرپایی با استفاده از یک شبکه عصبی چندلایه ارائه می‌دهد. در این روش شکل‌های مودی سازه و مشتقات آن به‌عنوان پارامترهای ورودی به شبکه عصبی برای شناسایی آسیب، به‌ویژه برای مواردی با اندازه‌گیری‌های ناقص شکل مود، مورد استفاده قرارگرفته‌اند. مدل اجزا محدود خرپا در نرم‌افزار آباکوس ایجاد گردیده‌است و پارامترهای مودال دقیق سازه محاسبه شده‌است. ازآن‌جایی‌که در سازه‌های خرپایی غالباً خسارت به‌صورت کاهش سختی و با کاهش سطح مقطع به سازه اعمال می‌شود، درحالی‌که آسیب‌های واقعی این‌چنین ایده‌آل اتفاق نمی‌افتد، در این پژوهش سعی شده‌است یک نوع آسیب واقعی برای شناسایی آسیب به‌کار گرفته شود. برای این منظور آسیب به‌صورت شل شدن پیچ و با کاهش نیروی کششی در پیچ مدل‌سازی شده‌است. در انتها تجزیه و تحلیل روی خرپا برای نشان‌دادن دقت و کارایی روش پیشنهادی ارائه شده‌است.

Keywords

تشخیص خسارت; داده‌های مودال; شبکه عصبی; سازه‌های خرپایی

1. Elmasry, M., Shehadeh, M., and Attia, M. (2012), "Structural Health Monitoring of Steel Trusses Using Acoustic Emission Technique," Proceedings of ISMA

2. 2. Heckman, V. (2014), "Damage Detection in Civil Structures Using High-Frequency Seismograms," Ph.D. thesis, California Institute of Technology, California, USA.

3. 3. Iakovidis, I. (2018), "On Nonstationarity from Operational and Environmental Effects in Structural Health Monitoring Bridge Data," Ph.D. thesis, Dept. of Mechanical Engineering, University of Sheffield, UK

4. 4. Eftekhar Azam, S., Rageh, A., and Linzell, D. (2019), "Damage Detection in Structural Systems Utilizing Artificial Neural Networks and Proper Orthogonal Decomposition," Structural Control Health Monitoring, 26 (2), p. e2288

5. 5. Tan, Z.X., Thambiratnam, D., Chan, T., and Razak, H.A. (2017), "Detecting Damage in Steel Beams Using Modal Strain Energy Based Damage Index and Artificial Neural Network," Engineering Failure Analysis, 79 pp. 253-262.

6. 6. Dinh-Cong, D., Vo-Van, L., Nguyen-Quoc, D., and Nguyen-Thoi, T. (2019), "Modal Kinetic Energy Change Ratio-Based Damage Assessment of Laminated Composite Beams Using Noisy and Incomplete Measurements," Journal of Advanced Engineering Computation, 3 (3), pp. 452-463.

7. 7. Wickramasinghe, W.R., Thambiratnam, D.P., and Chan, T.H. (2020), "Damage Detection in a Suspension Bridge Using Modal Flexibility Method," Engineering Failure Analysis, 107 p. 104194.

8. 8. Altunışık, A.C., Okur, F.Y., Karaca, S., and Kahya, V. (2019), "Vibration-Based Damage Detection in Beam Structures with Multiple Cracks: Modal Curvature vs. Modal Flexibility Methods," Nondestructive Testing Evaluation, 34 (1), pp. 33-53.

9. 9. Jeyasehar, C.A. and Sumangala, K. (2006), "Damage Assessment of Prestressed Concrete Beams Using Artificial Neural Network (ANN) Approach," Computer and Structures, 84 pp. 1709-1718.

10. 10. Bandara, R.P., Chan, T.H., and Thambiratnam, D.P. (2014), "Structural Damage Detection Method Using Frequency Response Functions," Structural Health Monitoring, 13 (4), pp. 418-429.

11. 11. Goh, L.D. (2015), "Multistage Artificial Neural Network in Structural Damage Detection," Ph.D. thesis, Universiti Teknologi Malaysia, Malaysia.

12. 12. Krolo, P., Grandić, D., and Bulić, M. (2016), "The Guidelines for Modelling the Preloading Bolts in the Structural Connection Using Finite Element Methods," Journal of Computational Engineering, 2016 p. 8.

13. 13. Izumi, S., Yokoyama, T., Iwasaki, A., and Sakai, S. (2005), "Three-Dimensional Finite Element Analysis of Tightening and Loosening Mechanism of Threaded Fastener," Engineering Failure Analysis, 12 (4), pp. 604-615.

14. 14. Pandey, A.K. and Biswas, M. (1994), "Damage Detection in structures Using Changes in Flexibility," Journal of Sound and Vibration, 169 (1), pp. 3-17.

15. 15. Lian, J.J., He, L.J., and Wang, H.J. (2012), "Optimal Sensor Placement in Hydropower House Based on Improved Triaxial Effective Independence Method," Water Science Engineering, 5 (3), pp. 329-339.

16. 16. Kwon, K.-S. and Lin, R.-M. (2005), "Robust Damage Location in Structures Using Taguchi Method," Journal of Structural Engineering, 131 (4), pp. 629-642.

17. 17. Karna, S.K. and Sahai, R. (2012), "An Overview on Taguchi Method," International Journal of Engineering Mathematical Sciences, 1 (1), pp. 1-7.