دانشگاه تبریز مهندسی مکانیک دانشگاه تبریز 2228-5148 54 1 2024 04 20 ارائه روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب‌های خطی و غیرخطی سازه با ترکیب ویژگی‌های عمیق زمانی و زمان – فرکانس 71 80 18040 10.22034/jmeut.2024.60099.3368 FA اکبر اصغرزاده بناب استادیار، گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا، تهران، ایران هاشم کلب خانی دانشیار، گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران سجاد بیژنوند استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران Journal Article 2024 01 15 پایش سلامت سازه‌ای (SHM) برای تضمین عملکرد ایمن زیرساخت‌ها و تصمیم‌گیری در مورد نگهداری، تعمیر و مقاوم‌سازی سازه استفاده می­شوند. در این مقاله روش جدیدی مبتنی بر پردازش سیگنال و یادگیری ماشین برای پایش سلامت سازه­ای ارائه شده­است. روش پیشنهادشده، بر مبنای ویژگی­های عمیق زمانی و زمان – فرکانس است. برای استخراج ویژگی­های عمیق زمان – فرکانس، ابتدا نمایش زمان – فرکانس با استفاده از تبدیل فوریه زمان پیوسته (CWT) به دست می­آید و در ادامه، به شبکه عصبی تلفیقی (CNN) اعمال می­شود. برای استخراج ویژگی­های عمیق زمانی، توابع حالت ضمنی (IMF) با استفاده از تجزیه حالت تجربی (EMD) به دست­آمده و شبکه حافظه طولانی کوتاه­مدت (LSTM)، IMFها را مدل می­کند. با توجه به تعداد زیاد ویژگی­های عمیق به دست آمده، با استفاده از الگوریتم کاهش ویژگی، ویژگی­ها با همبستگی بالا حذف شدند. در نهایت با استفاده از بردار پشتیبان ماشین (SVM) بهینه­شده، سلامت سازه یا محل آسیب شناسایی می­شود. نتایج به دست­آمده نشان می­دهند روش پیشنهادی نسبت به روش­های مشابه دقت بالایی در سناریوهای خطی و غیرخطی داشته و می­تواند به عنوان روشی مطمئن در کابردهای SHM استفاده شود. https://tumechj.tabrizu.ac.ir/article_18040_4250ebc69fef98666c583d68f53bfd01.pdf