|
Title
|
شناسايي آسيب در سازه هاي دريايي با استفاده از پردازش سيگنال هاي محيطي با شبكه هاي عصبي
|
|
Type
|
Thesis
|
|
Keywords
|
شناسايي خرابي - سيستمهاي مقاوم در برابر خطا - شبكه عصبي - تشخيص و پيش بيني خطا - شبكه كانولوشني - نظارت بر سالمت سازه؛ شناسايي آسيب مبتني بر ارتعاش؛ شناسايي زير فضا تصادفي؛ شبكه عصبي كانولوشن يك بعدي؛ شبكه عصبي فازي پويا
|
|
Abstract
|
نظارت بر سالمت سازه و تشخيص آسيب ، يك زمينه تركيبي از عالقهمنديها در حوزههاي مختلف مهندسي
بوده است. اين روزها، سيستمهاي نظارت بر سالمت سازه با هدف ارتقاء عملكرد سازهها به منظور افزايش ايمني
انسان، كاهش نياز به بازرسيهاي مكرر و كاهش هزينههاي نگهداري، در چشمانداز چندين حوزه مهندسي قرار
گرفته است. تشخيص زودهنگام و دقيق آسيب همواره يكي از هدفهاي اصلي برنامههاي نظارت بر سالمت سازه
بوده است. در اين راستا، تالشهاي بسياري در زمينه روشهاي مبتني بر ارتعاش انجام شده است، كه از پاسخهاي
ارتعاشي سازههاي تحت نظر براي ارزيابي وضعيت آنها و تشخيص آسيبها بهره ميبرند.
در اين مطالعه، از دو روش براي تشخيص آسيب در سازه استفاده ميشود. ابتدا از روش شناسايي زيرفضاي
تصادفي براي تشخيص آسيب در سازه استفاده ميشود و سپس با استفاده از تركيب شبكههاي عصبي كانولوشن
يك بعدي و شبكههاي فازي عصبي پويا )DFNN )براي تشخيص و مكانيابي دقيقتر آسيب استفاده ميشود.
از ميان روشهاي مختلف براي تشخيص پارامترهاي مودال، روشهاي مبتني بر شناسايي زيرفضا تصادفي به
عنوان يكي از محبوبترين و كارآمدترين انتخابها به شمار ميآيند. اين نوع روشها توانايي برجستهاي در
تشخيص تغييرات در ساختار و ويژگيهاي خاص يك سيستم دارند و ميتوانند هم دادههاي ورودي و هم دادههاي
خروجي را مديريت كنند و با دقت باال، پارامترهاي مودال را استخراج كنند. بيشتر سيستمهاي كالسيك براي
تشخيص آسيب در سازهها از دو مرحله تشكيل شدهاند: استخراج ويژگيها و طبقهبندي آنها. عملكرد يك
سيستم كالسيك تشخيص آسيب عمدتاً به انتخاب ويژگيها و طبقهبنديكننده وابسته است. اگرچه ويژگيهاي
ثابت و دستساز ممكن است انتخاب نامناسبي براي يك سازه خاص باشند، اغلب نياز به توانايي محاسباتي باال
دارند كه ممكن است منجر به عملكرد ناپايدار در طبقهبندي شود. در تالش براي حل اين چالشها، در اين
پژوهش، يك راهكار دادهمحور براي حل مشكالت تشخيص آسيب سازهاي به كمك تكنيكهاي يادگيري عميق
ارائه شده است، به گونهاي كه نيازي به تعريف ويژگيهاي فيزيكي توسط انسان ندارد. در اين روش، ويژگيهاي
انتزاعي از دادهها استخراج ميشوند و اطالعات به صورت عميق درون آنها تعبيه ميشود. از يك نسخه تركيبي از
شبكههاي عصبي كانولوشن يك بعدي )CNN )و شبكههاي فازي عصبي پويا )DFNN )در اين راهبرد استفاده
ميشود. صحت اين پيشنهاد توسط آزمايشهاي عددي
|
|
Researchers
|
ahmad gholami (Student) , Ehsan Bahmyari (Primary advisor) , Amin Torabi Jahromi (Primary advisor) , Valiollah Ghaffari (Advisor)
|