مکانیابی خرابی بر پایه پاسخهای دینامیکی در قابهای خمشی با استفاده از شبکه عصبی پیچشی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 16، دوره 57، شماره 2، 1404، صفحه 363-380 اصل مقاله (1.14 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2025.22437.7977 | ||
| نویسندگان | ||
| شاهین قزوینه؛ غلامرضا نوری* ؛ سید حسین حسینی لواسانی | ||
| دانشکده فنی مهندسی، دانشگاه خوارزمی، تهران، ایران. | ||
| چکیده | ||
| در الگوریتمهای تشخیص خرابی سازه مبتنی بر روشهای سنتی یادگیری ماشین، استخراج ویژگیهای حساس به خرابی از دادههای سری زمانی یک مسئله چالش برانگیز است. همچنین این روشها نیازمند به پیشپردازش در دادههای خام هستند که خود فرایند پردازش را کندتر میکند. تلاشهای زیادی برای غلبه بر این محدودیتها با گسترش یادگیری عمیق در زمینه پایش سلامت سازه صورت گرفته است. با این حال، از آنجایی که اکثر این سیستمها دارای معماریهای عمیق هستند، به رایانههایی با توان محاسباتی بالا و همینطور میزان قابل توجهی داده در طول مرحله آموزش نیاز دارند که در نتیجه برای کاربردهای برخط مناسب نیستند. برای حل چالشهای بالا، در این مقاله روشی مبتنی بر شبکههای عصبی پیچشی دوبعدی (CNN) به منظور ادغام دو مرحله استخراج ویژگی و طبقهبندی سریع به طور همزمان، ارائه میشود. این روش از یک CNN کم عمق استفاده میکند که سیگنالهای شتاب خام را به عنوان ورودی شبکه دریافت میکند. برای بررسی توانایی الگوریتم پیشنهاد شده از دادهی به دست آمده از یک سازه آزمایشگاهی مقیاس بزرگ به عنوان ورودی شبکه استفاده شده است. به طور میانگین روش پیشنهادی دارای دقت 99/8 درصد بر روی دادههای آموزشی و 99/6 درصد برای دادههای اعتبارسنجی رسیده است که نشان از توانایی بالای الگویابی آن دارد. همچنین این روش توانسته هر ثانیه از یک سیگنال ورودی را در مدت زمان 2 میلی ثانیه بررسی کند که در استاندارهای پردازش برخط قرار دارد. | ||
| کلیدواژهها | ||
| تشخیص خرابی سازه؛ یادگیری ماشین؛ یادگیری عمیق؛ پایش سلامت سازه؛ شبکه عصبی پیچشی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 833 تعداد دریافت فایل اصل مقاله: 695 |
||