|
عنوان
|
شناسایی آسیب در سازه های دریایی با استفاده از پردازش سیگنال های محیطی با شبکه های عصبی
|
|
نوع پژوهش
|
پایان‌نامه
|
|
کلیدواژه‌ها
|
شناسایی خرابی - سیستمهای مقاوم در برابر خطا - شبکه عصبی - تشخیص و پیش بینی خطا - شبکه کانولوشنی - نظارت بر سالمت سازه؛ شناسایی آسیب مبتنی بر ارتعاش؛ شناسایی زیر فضا تصادفی؛ شبکه عصبی کانولوشن یک بعدی؛ شبکه عصبی فازی پویا
|
|
چکیده
|
نظارت بر سالمت سازه و تشخیص آسیب ، یک زمینه ترکیبی از عالقهمندیها در حوزههای مختلف مهندسی
بوده است. این روزها، سیستمهای نظارت بر سالمت سازه با هدف ارتقاء عملکرد سازهها به منظور افزایش ایمنی
انسان، کاهش نیاز به بازرسیهای مکرر و کاهش هزینههای نگهداری، در چشمانداز چندین حوزه مهندسی قرار
گرفته است. تشخیص زودهنگام و دقیق آسیب همواره یکی از هدفهای اصلی برنامههای نظارت بر سالمت سازه
بوده است. در این راستا، تالشهای بسیاری در زمینه روشهای مبتنی بر ارتعاش انجام شده است، که از پاسخهای
ارتعاشی سازههای تحت نظر برای ارزیابی وضعیت آنها و تشخیص آسیبها بهره میبرند.
در این مطالعه، از دو روش برای تشخیص آسیب در سازه استفاده میشود. ابتدا از روش شناسایی زیرفضای
تصادفی برای تشخیص آسیب در سازه استفاده میشود و سپس با استفاده از ترکیب شبکههای عصبی کانولوشن
یک بعدی و شبکههای فازی عصبی پویا )DFNN )برای تشخیص و مکانیابی دقیقتر آسیب استفاده میشود.
از میان روشهای مختلف برای تشخیص پارامترهای مودال، روشهای مبتنی بر شناسایی زیرفضا تصادفی به
عنوان یکی از محبوبترین و کارآمدترین انتخابها به شمار میآیند. این نوع روشها توانایی برجستهای در
تشخیص تغییرات در ساختار و ویژگیهای خاص یک سیستم دارند و میتوانند هم دادههای ورودی و هم دادههای
خروجی را مدیریت کنند و با دقت باال، پارامترهای مودال را استخراج کنند. بیشتر سیستمهای کالسیک برای
تشخیص آسیب در سازهها از دو مرحله تشکیل شدهاند: استخراج ویژگیها و طبقهبندی آنها. عملکرد یک
سیستم کالسیک تشخیص آسیب عمدتاً به انتخاب ویژگیها و طبقهبندیکننده وابسته است. اگرچه ویژگیهای
ثابت و دستساز ممکن است انتخاب نامناسبی برای یک سازه خاص باشند، اغلب نیاز به توانایی محاسباتی باال
دارند که ممکن است منجر به عملکرد ناپایدار در طبقهبندی شود. در تالش برای حل این چالشها، در این
پژوهش، یک راهکار دادهمحور برای حل مشکالت تشخیص آسیب سازهای به کمک تکنیکهای یادگیری عمیق
ارائه شده است، به گونهای که نیازی به تعریف ویژگیهای فیزیکی توسط انسان ندارد. در این روش، ویژگیهای
انتزاعی از دادهها استخراج میشوند و اطالعات به صورت عمیق درون آنها تعبیه میشود. از یک نسخه ترکیبی از
شبکههای عصبی کانولوشن یک بعدی )CNN )و شبکههای فازی عصبی پویا )DFNN )در این راهبرد استفاده
میشود. صحت این پیشنهاد توسط آزمایشهای عددی
|
|
پژوهشگران
|
احمد غلامی (دانشجو)، احسان بهمیاری (استاد راهنما)، امین ترابی جهرمی (استاد راهنما)، ولی اله غفاری (استاد مشاور)
|