پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شمارهها | 444 |
| تعداد مقالات | 5,692 |
| تعداد مشاهده مقاله | 7,865,856 |
| تعداد دریافت فایل اصل مقاله | 6,423,999 |
شناسایی لحظهای سیستم در سازههای هوشمند به کمک روش آنالیز اجزای پراکنده برمبنای تبدیل موجک | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 12، دوره 52، شماره 9، آذر 1399، صفحه 2301-2320 اصل مقاله (3.06 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2019.16145.6140 | ||
| نویسندگان | ||
| سالار منیعی* 1؛ کاوه کرمی2؛ پژمان فاتحی2 | ||
| 1گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران | ||
| 2گروه مهندسی عمران، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| اخیرا شناسایی لحظهای سازهها تنها براساس خروجی اندازهگیری شده حین ارتعاش مورد توجه خاصی قرار گرفته است. یکی از روشهای قدرتمند شناسایی آفلاین سیستم، روش آنالیز اجزای پراکنده میباشد که در زیرمجموعه روشهای شناسایی کور منبع )BSI ) قرار دارد. این روش با انتقال پاسخهای دینامیکی سازه از حوضه زمانی به فرکانسی موجب پراکندگی دادهها شده و بر اساس آن پارامترهای مودال سیستم شناسایی میگردد. در بخش انتقال دادهها به حوضه فرکانسی وجود مشکلاتی از قبیل حجم زیاد دادهها و نیاز به تغییر مداوم ابعاد پنجرههای زمانی با توجه به تغییرات ورودی امکان شناسایی لحظهای سیستم را دچار مشکل جدی مینماید. برای حل این چالش، در این پژوهش یک روش آنالیز اجزای پراکنده توسعه یافته برمبنای انتقال موجک )SCA-WT ) به منظور شناسایی لحظهای سیستم پیشنهاد میگردد. در ادامه، با بکارگیری SCA-WT و یک میراگر جرمی تنظیم شونده نیمه فعال )STMD ) الگوریتمی برای توسعه یک سازه هوشمند ارائه میشود؛ به طوری که اگر در اثر تحریکات محیطی شدید در پارامترهای مودال سازه تغییری ایجاد شود مشخصات مکانیکی STMD به کمک SCA-WT به گونهای تنظیم مجدد میگردد که همواره در برابر این تغییرات مقاوم و پایدار باشد. ارزیابی عملکرد و دقت روش پیشنهادی از طریق مثالهای عددی انجام میگیرد. نتایج به دست آمده حاکی از آن است که SCA-WT با دقت قابل قبول سیستم را به صورت لحظهای شناسایی و پاسخهای دینامیکی سازه مجهز به STMD را نیز به طور موثری کاهش میدهد. | ||
| کلیدواژهها | ||
| آنالیز اجزای پراکنده؛ تبدیل موجک؛ شناسایی کورمنابع؛ شناسایی لحظهای؛ میراگر جرمی تنظیم شونده نیمه فعال | ||
| موضوعات | ||
| کنترل سازه | ||
| عنوان مقاله [English] | ||
| Online system identification by sparse component analysis based on wavelet transform | ||
| نویسندگان [English] | ||
| Salar Manie1؛ Kaveh Karami2؛ Pejman Fatehi2 | ||
| 1Department of Civil Engineering, Islamic Azad University, Sanandaj, Iran | ||
| 2Department of Civil Engineering, University of Kurdistan, Sanandaj, Iran | ||
| چکیده [English] | ||
| Recently, online identification of structures, only based on the measured outputs during the vibration, has received much attention. One of the most powerful methods of offline system identification is the sparse component analysis (SCA) method which is a subset of blind source identification (BSI) methods. This method by transferring the dynamic responses from time domain to frequency one has led to the sparsity in the data and accordingly the modal parameters of the system are identified. In this research, a Wavelet Transform based Sparse Component Analysis (WT-SCA) method is suggested to identify the system. Then, using WT-SCA and a semi-active tuned mass damper (STMD), an algorithm is presented to achieve a smart structure. The results show that the WT-SCA is able to identify the system momentarily with an acceptable accuracy and also reduce the dynamic responses of a structure equipped with STMD. | ||
| کلیدواژهها [English] | ||
| Sparse component analysis, Wavelet transform, Blind source identification, Real time identification, Semi-active tuned mass damper | ||
| مراجع | ||
|
[1]S.W. Doebling, C.R. Farrar, M.B. Prime, D.W. Shevitz, Damage identification and health monitoring of structural and mechanical systems from changes in their vibration characteristics: a literature review, Los Alamos National Lab., NM (United States), 1996. [2]S.R. Ibrahim, Modal confidence factor in vibration testing, Journal of Spacecraft and Rockets, 15(5) (1978) 313-316. [3]J.-N. Juang, R.S. Pappa, An eigensystem realization algorithm for modal parameter identification and model reduction, Journal of guidance, control, and dynamics, 8(5) (1985) 620-627. [4]P. Georgiev, F. Theis, A. Cichocki, Sparse component analysis and blind source separation of underdetermined mixtures, IEEE transactions on neural networks, 16(4) (2005) 992-996. [5]R. Gribonval, S. Lesage, A survey of sparse component analysis for blind source separation: principles, perspectives, and new challenges, in: ESANN’06 proceedings-14th European Symposium on Artificial Neural Networks, d-side publi., 2006, pp. 323--330. [6]F. Amini, Y. Hedayati, Underdetermined blind modal identification of structures by earthquake and ambient vibration measurements via sparse component analysis, Journal of Sound and Vibration, 366 (2016) 117-132. [7]X.J. Yao, T.H. Yi, C. Qu, H.N. Li, Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method, Computer‐Aided Civil and Infrastructure Engineering, 33(9) (2018) 769.287 [8]K. Karami, F. Amini, Decreasing the damage in smart structures using integrated online DDA/ISMP and semiactive control, Smart Materials and Structures, 21(10) (2012) 105017. [9]K. Karami, S. Akbarabadi, Developing a smart structure using integrated subspace‐based damage detection and semi-active control, Computer‐Aided Civil and Infrastructure Engineering, 31(11) (2016) 887-903. [10]K. Karami, S. Nagarajaiah, F. Amini, Developing a smart structure using integrated DDA/ISMP and semi-active variable stiffness device, SMART STRUCTURES AND SYSTEMS, 18(5) (2016) 955-982. [11]K. Karami, S. Manie, K. Ghafouri, S. Nagarajaiah, Nonlinear structural control using integrated DDA/ ISMP and semi-active tuned mass damper, Engineering Structures, 181 (2019) 589-604. [12]N. Fisco, H. Adeli, Smart structures: part I—active and semi-active control, Scientia Iranica, 18(3) (2011) 275284. [13]N. Fisco, H. Adeli, Smart structures: part II—hybrid control systems and control strategies, Scientia Iranica, 18(3) (2011) 285-295. [14]M.G. Soto, H. Adeli, Tuned mass dampers, Archives of Computational Methods in Engineering, 20(4) (2013) 419-431. [15]F. Sadek, B. Mohraz, A.W. Taylor, R.M. Chung, A method of estimating the parameters of tuned mass dampers for seismic applications, Earthquake Engineering & Structural Dynamics, 26(6) (1997) 617-635. [16]N. Anh, N. Nguyen, Design of TMD for damped linear structures using the dual criterion of equivalent linearization method, International Journal of Mechanical Sciences, 77 (2013) 164-170. [17]J.C. Miranda, Discussion of system intrinsic parameters of tuned mass dampers used for seismic response reduction, Structural Control and Health Monitoring, 23(2) (2016) .863-943 [18]N. Varadarajan, S. Nagarajaiah, Wind response control of building with variable stiffness tuned mass damper using empirical mode decomposition/Hilbert transform, Journal of engineering mechanics, 130(4) (2004) 451-458. [19]P.Y. Lin, L.L. Chung, C.H. Loh, Semiactive Control of Building Structures with Semiactive Tuned Mass Damper, Computer-Aided Civil and Infrastructure Engineering, 20(1) (2005) 35-51. [20]S. Nagarajaiah, N. Varadarajan, Short time Fourier transform algorithm for wind response control of buildings with variable stiffness TMD, Engineering Structures, 27(3) (2005) 431-441. [21]S. Nagarajaiah, E. Sonmez, Structures with semiactive variable stiffness single/multiple tuned mass dampers, Journal of Structural Engineering, 133(1) (2007) 67-77. [22]C. Sun, S. Nagarajaiah, Study on semi‐active tuned mass damper with variable damping and stiffness under seismic excitations, Structural Control and Health Monitoring, 21(6) (2014) 890-906. [23]B. Hazra, S. Narasimhan, Wavelet-based blind identification of the UCLA Factor building using ambient and earthquake responses, Smart Materials and Structures, 19(2) (2009) 025005. [24]U.P. Poudel, G. Fu, J. Ye, Wavelet transformation of mode shape difference function for structural damage location identification, Earthquake Engineering & Structural Dynamics, 36(8) (2007) 1089-1107. [25]Y. Yang, S. Nagarajaiah, Output-only modal identification with limited sensors using sparse component analysis, Journal of Sound and Vibration, 332(19) (2013) 47414765. [26]K. Yu, K. Yang, Y. Bai, Estimation of modal parameters using the sparse component analysis based underdetermined blind source separation, Mechanical Systems and Signal Processing, 45(2) (2014) 302-316. [27]J.J. Thiagarajan, K.N. Ramamurthy, A. Spanias, Mixing matrix estimation using discriminative clustering for blind source separation, Digital Signal Processing, 23(1), 9-18. [28]S. Ghahari, F. Abazarsa, M. Ghannad, M. Celebi, E. Taciroglu, Blind modal identification of structures from spatially sparse seismic response signals, Structural Control and Health Monitoring, 21(5) (2014) 649-674. [29]J.C. Bezdek, R. Ehrlich, W. Full, FCM: The fuzzy c-means clustering algorithm, Computers & Geosciences, 10(2-3) (1984) 191-203. [30]V.G. Reju, S.N. Koh, Y. Soon, An algorithm for mixing matrix estimation in instantaneous blind source separation, Signal Processing, 89(9) (2009) 1762-1773. [31]D.L. Donoho, M. Elad, Optimally sparse representation in general (nonorthogonal) dictionaries via ℓ1 minimization, Proceedings of the National Academy of Sciences, 100(5) (2003) 2197-2202. [32]J.C. Asmussen, Modal analysis based on the random decrement technique: application to civil engineering structures, Instituttet for Bygningsteknik, Aalborg Universitet, 1997. [33]S. Nagarajaiah, Structural vibration damper with continuously variable stiffness, in, Google Patents, 2000. [34]S. Narasimhan, S. Nagarajaiah, A STFT semiactive controller for base isolated buildings with variable stiffness isolation systems, Engineering structures, 27(4) (2005) 514-523. [35]M. Abe, T. Igusa, Semi-active dynamic vibration absorbers for controlling transient response, Journal of Sound and Vibration, 198(5) (1996) 547-569. | ||
|
آمار تعداد مشاهده مقاله: 1,315 تعداد دریافت فایل اصل مقاله: 1,462 |
||