ارائه روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب‌های خطی و غیرخطی سازه با ترکیب ویژگی‌های عمیق زمانی و زمان – فرکانس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا، تهران، ایران

2 دانشیار، گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران

3 استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات

مراجع

  • Amezquita-Sanchez JP, Adeli H. Nonlinear Measurements for Feature Extraction in Structural Health Monitoring. Scientia Iranica. 2019; 26:3051-3059.
  • GFSirca Jr, Adeli H. Infrared Thermography for Detecting Defects in Concrete Structures. Journal of Civil Engineering and Management. 2018; 24:508-515, 2018.
  • Perez-Ramirez CA, Amezquita-Sanchez JP, Adeli H, Valtierra-Rodriguez M, Camarena-Martinez D, Romero-Troncoso RJ. New Methodology For Modal Parameters Identification of Smart Civil Structures Using Ambient Vibrations and Synchrosqueezed Wavelet Transform. Engineering Applications of Artificial Intelligence. 2016; 48:1-12.
  • Ghaedi K, Gordan M, Ismail Z, Hashim H, Talebkhah M. A Literature Review on the Development of Remote Sensing in Damage Detection of Civil Structures. Journal of Engineering Research and Reports. 2021; 20:39-56.
  • Jauhiainen J, Pour‐Ghaz M, Valkonen T, Seppänen A. Nonplanar Sensing Skins for Structural Health Monitoring Based on Electrical Resistance Tomography. Computer‐Aided Civil and Infrastructure Engineering. 2021; 36:1488-1507.
  • Hou Z, Hera A, Noori M. Health Assessment of Engineered Structures: Bridges, Buildings and Other Infrastructures. World Scientific; 2013.
  • Gharehbaghi VR, Kalbkhani H, Noroozinejad Farsangi E, Yang T, Mirjalili S. A Data-Driven Approach for Linear and Nonlinear Damage Detection Using Variational Mode Decomposition and GARCH Model. Engineering With Computers. 2023; 39:2017-2034.
  • Monavari B, Chan TH, Nguyen A, Thambiratnam DP. Structural Deterioration Detection Using Enhanced Autoregressive Residuals. International Journal of Structural Stability and Dynamics, 2018; 18:1850160.
  • Gul M, Catbas FN, Georgiopoulos M. Application of pattern recognition techniques to identify structural change in a laboratory specimen. In Conference of Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems, 2007.
  • Das S, Saha P, Patro S. Vibration-Based Damage Detection Techniques Used For Health Monitoring of Structures: a Review. Journal of Civil Structural Health Monitoring. 2016; 6:477-507.
  • Gharehbaghi VR, Nguyen A, Farsangi EN, Yang T. Supervised Damage and Deterioration Detection in Building Structures Using An Enhanced Autoregressive Time-Series Approach. Journal of Building Engineering. 2020; 30:101292.
  • Farrar CR, Duffey TA, Doebling SW, Nix DA. A Statistical Pattern Recognition Paradigm For Vibration-Based Structural Health Monitoring. Structural Health Monitoring. 1999; 2000:764-773.
  • Melhem H, Kim H. Damage Detection in Concrete by Fourier and Wavelet Analyses. Journal of Engineering Mechanics. 2003; 129:571-577.
  • Ngo NK, Nguyen TQ, Vu TV, Nguyen-Xuan H. A Fast Fourier Transform-Based Correlation Coefficient Approach for Structural Damage Diagnosis. Structural Health Monitoring. 2021, 20:2360-2375.
  • Noori M, Wang H, Altabey WA, Silik AI. A Modified Wavelet Energy Rate-Based Damage Identification Method for Steel Bridges. Scientia Iranica. 2018; 25:3210-3230.
  • Zhao Y, Noori M, Altabey WA, Beheshti‐Aval SB. Mode Shape‐Based Damage Identification for a Reinforced Concrete Beam Using Wavelet Coefficient Differences and Multiresolution Analysis. Structural Control and Health Monitoring. 2018; 25:e2041.
  • Haq M, Bhalla S, Naqvi T. Fatigue Damage Monitoring of Reinforced Concrete Frames Using Wavelet Transform Energy of PZT-Based Admittance Signals. 2020; 164:108033.
  • Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, Yen NC, Tung CC, Liu HH. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences. 1998; 454:903-995.
  • Roveri N, Carcaterra A, Damage Detection in Structures Under Traveling Loads by Hilbert–Huang Transform. Mechanical Systems and Signal Processing. 2012; 28:128-144.
  • Amezquita-Sanchez JP, Park HS, Adeli H. A Novel Methodology for Modal Parameters Identification of Large Smart Structures Using MUSIC, Empirical Wavelet Transform, and Hilbert Transform. Engineering Structures. 2017; 147:148-159.
  • Yang J, Li P, Yang Y, Xu D. An Improved EMD Method for Modal Identification and a Combined Static-Dynamic Method for Damage Detection. Journal of Sound and Vibration. 2018; 420:242-260.
  • Zhao, G., Zhang, L., Wang, B., Hao, W., and Luo, Y., "HHT-based AE characteristics of 3D braiding composite shafts," Polymer Testing, 79, p. 106019, 2019.
  • Babajanian Bisheh, H., Ghodrati Amiri, G., Nekooei, M., and Darvishan, E., "Damage detection of a cable-stayed bridge using feature extraction and selection methods," Structure and Infrastructure Engineering, 15, no. 9, pp. 1165-1177, 2019.
  • Yuan J, Ren Q, Jia C, Zhang J, Fu J, Li M. Automated Pixel-Level Crack Detection and Quantification Using Deep Convolutional Neural Networks for Structural Condition Assessment. 2014; 59:105780.
  • Yanez-Borjas JJ, Valtierra-Rodriguez M, Machorro-Lopez JM, Camarena-Martinez D, Amezquita-Sanchez JP. Convolutional Neural Network-Based Methodology for Detecting, Locating and Quantifying Corrosion Damage in a Truss-Type Bridge Through the Autocorrelation of Vibration Signals. Arabian Journal for Science and Engineering. 2023; 48:1119-1141.
  • Figueiredo E, Park G, Figueiras J, Farrar C, Worden K. Structural Health Monitoring Algorithm Comparisons Using Standard Data Sets. Los Alamos National Lab. (LANL), United States, 2009.
  • Burges CJ. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 1998; 2:121-167.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار