مطالعه مقایسه‌ای و ارائه رویکردی دقیق جهت تشخیص آسیب سازه‌های قابی مبتنی بر مدل‌های شبکه عصبی عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

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

2 کارشناسی ارشد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران

چکیده

در چند دهه اخیر، روش‌های مبتنی بر داده، اثربخشی بالایی در زمینه پایش سلامت سازه‌ها با رویکرد تشخیص آسیب نشان داده‌اند. در گذشته، استفاده از سیگنال‌های خام حسگرهای سری زمانی برای عیب‌یابی سازه‌ها به دلیل ابعاد بالای ذاتی داده‌های اندازه‌گیری شده، تقریباً غیرممکن بود. با این حال، پیشرفت‌های اخیر درشبکه‌های عصبی و مدل‌های یادگیری ماشین، نیاز به پیش‌پردازش پیچیده داده‌های سری زمانی را برطرف کرده است. پایش بر اساس دسترسی به اطلاعات سالم و آسیب‌دیده سازه در شکل دسته‌بندی با رویکرد تشخیص الگو رویکرد غالب پژوهش‌های اخیر بوده است. در این مطالعه، در رویکردی بر مبنای پایش نظارت‌شده، مطالعه‌ای مقایسه‌ای بین چهار الگوریتم یادگیری عمیق نوین، در تشخیص آسیب سازه‌ای با استفاده از داده‌های خام بررسی شده است. این چهار الگوریتم شامل شبکه LSTM، GRU، CNN و شبکه ترکیبی CNNLSTM هستند. و رویکردی دقیق (مدل ترکیبی CNNLSTM با دقت %9/99) بر روی داده‌های سازه مبنا آزمایشگاه لس آلاموس ارائه شده‌است. مدل CNNLSTM بدون پیش‌پردازش به‌خصوص نظیر الگوریتم‌های پردازش سیگنال یا کاهش ابعاد، از نظر دقت، تعداد پارامترها و زمان آموزش، در مقایسه با سه مدل دیگر و پژوهش‌های مشابه پیشین عملکردی ممتاز دارد.

کلیدواژه‌ها

موضوعات

مراجع

  • نظری بیگدیلو ر, ایراندوست پاکچین ص. تشخیص وجود ترک در تیر یکسر‌گیردار با استفاده از روش حسگری فشرده(CS). مهندسی مکانیک دانشگاه تبریز. 1401; 52(4): 145-152. doi: 10.22034/jmeut.2022.49808.3041‎
  • نظامیوند چگینی س, باقری الف, رمضانی دشتمیان م, احمدی ب. طبقه‌بندی چند عصبی برای چرخ‌دنده‌ها بر پایه‌ی تبدیل موجک گسسته، انتخاب مناسب‌ترین ویژگی و ماشین بردار پشتیبان بهبود یافته. مهندسی مکانیک دانشگاه تبریز. 1401; 52(2): 361-370. doi: 10.22034/jmeut.2020.11607
  • Dang HV, Raza M, Nguyen TV, Bui-Tien T, Nguyen HX. Deep learning-based detection of structural damage using time-series data. Structure and Infrastructure Engineering. 2021 Oct 11;17(11):1474-93.
  • Abdeljaber O, Avci O, Kiranyaz S, Gabbouj M, Inman DJ. Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks. Journal of sound and vibration. 2017 Feb 3;388:154-70.
  • Guo T, Wu L, Wang C, Xu Z. Damage detection in a novel deep-learning framework: a robust method for feature extraction. Structural Health Monitoring. 2020 Mar;19(2):424-42.
  • Teng Z, Teng S, Zhang J, Chen G, Cui F. Structural damage detection based on real-time vibration signal and convolutional neural network. Applied Sciences. 2020 Jul 9;10(14):4720.
  • Sharma S, Sen S. One-dimensional convolutional neural network-based damage detection in structural joints. Journal of Civil Structural Health Monitoring. 2020 Nov;10(5):1057-72.
  • Liu T, Xu H, Ragulskis M, Cao M, Ostachowicz W. A data-driven damage identification framework based on transmissibility function datasets and one-dimensional convolutional neural networks: Verification on a structural health monitoring benchmark structure. Sensors. 2020 Feb 15;20(4):1059.
  • اصغرزاده بناب الف, کلب خانی ه, بیژنوند س. ارائه روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب‌های خطی و غیرخطی سازه با ترکیب ویژگی‌های عمیق زمانی و زمان – فرکانس. مهندسی مکانیک دانشگاه تبریز. 1403; 54(1): 71-80. doi: 10.22034/jmeut.2024.60099.3368‎
  • Figueiredo E, Park G, Figueiras J, Farrar C, Worden K. Structural health monitoring algorithm comparisons using standard data sets. Los Alamos National Lab (LANL), Los Alamos, NM (United States); 2009 Mar 1.
  • Cha YJ, Ali R, Lewis J, Büyükӧztürk O. Deep learning-based structural health monitoring. Automation in Construction. 2024 May 1;161:105328.
  • Avci O, Abdeljaber O, Kiranyaz S, Hussein M, Gabbouj M, Inman DJ. A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications. Mechanical systems and signal processing. 2021 Jan 15;147:107077.
  • O'Shea K. An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458. 2015.
  • Marcus G. Deep Learning: A Critical Appraisal. arXiv preprint arXiv:1801.00631. 2018.
  • Dong S, Wang P, Abbas K. A survey on deep learning and its applications. Computer Science Review. 2021 May 1;40:100379.
  • Schmidt RM. Recurrent neural networks (rnns): A gentle introduction and overview. arXiv preprint arXiv:1912.05911. 2019 Nov 23.
  • Van Houdt G, Mosquera C, Nápoles G. A review on the long short-term memory model. Artificial Intelligence Review. 2020 Dec;53(8):5929-55.
  • Chung J, Gulcehre C, Cho K, Bengio Y. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555. 2014 Dec 11.
  • Taud H, Mas JF. Multilayer perceptron (MLP). Geomatic approaches for modeling land change scenarios. 2018:451-5.
  • Michelucci U. An introduction to autoencoders. arXiv preprint arXiv:2201.03898. 2022 Jan 11.
  • Gharehbaghi VR, Noroozinejad Farsangi E, Yang TY, Hajirasouliha I. Deterioration and damage identification in building structures using a novel feature selection method. Structures. 2020 Dec 9;29:458–70.
  • Gharehbaghi VR, Nguyen A, Noroozinejad Farsangi E, Yang TY. Supervised damage and deterioration detection in building structures using an enhanced autoregressive time-series approach. Journal of Building Engineering. 2020 Feb 20;30:101292.
مهندسی مکانیک دانشگاه تبریز
دوره 55، شماره 1 - شماره پیاپی 110
در حال تکمیل
اردیبهشت 1404
صفحه 51-60

فایل ها

هم رسانی

ارجاع به این مقاله

آمار