بهینه‌سازی انتخاب ویژگی‌ها در کلان داده‌های حاصل از پایش سلامت سازه با استفاده از الگوریتم فراکاوشی

پژوهش حاضر به مبحث کلان داده‌ها در حوزه پایش سلامت سازه‌ها می‌پردازد. بدین منظور، بعد از استخراج ویژگی­های پاسخ شتاب سازه، با استفاده از الگوریتم بهینه‌ساز ویژگی­‌های کم‌اثر و اضافی حذف می­‌شوند و با انتخاب ویژگی‌­های تاثیرگذار و کاهش ابعاد داده­‌ها دقت و سرعت روند عیب‌یابی سازه­‌ها افزایش می‌یابد. انتخاب زیرمجموعه‌ای از ویژگی‌ها با استفاده از الگوریتم فراکاوشی هارمونی-پرندگان پیشنهادی در این پژوهش صورت خواهد پذیرفت که موجب افزایش تطبیق‌پذیری روند پیشنهادی در مواجه با کلان داده‌های ناشی از حسگرها و عدم قطعیت‌های ناشی از اختلال در داده‌های ورودی می­‌شود. در روش پیشنهادی، برای استخراج ویژگی‌های پاسخ شتاب از شاخص‌های مبتنی بر خصوصیات آماری و انرژی بسته‌­های موجکی استفاده شده است. به‌علاوه از دو الگوریتم ماشین‌بردار پشتیبان حداقل مربعات موجکی وزن‌دار و شبکه عصبی تابع پایه شعاعی به‌عنوان مدل جایگزین تحلیل اجزای محدود سازه استفاده شده و با استفاده از آنها شدت و مکان خرابی در سازه‌ها شناسایی می‌شود. به‌عنوان مسائل کاربردی، عیب‌یابی سازه بنچ مارک گروه پایش سلامت سازه IASC-ASCE   و سازه فضاکار ۱۲۰ عضوی مدنظر قرار گرفته است. نتایج نشان می‌دهد که انرژی بسته‌های موجکی حساسیت بالاتری نسبت به وجود خرابی در سازه نسبت به خصوصیات آماری دارد. به‌علاوه مقایسه الگوریتم ترکیبی هارمونی-پرندگان ارائه شده با چهار الگوریتم مطرح در حوزه عیب‌یابی، نشان‌دهنده سرعت و بازدهی بهتر این الگوریتم است. درنهایت استفاده از روش پیشنهادی موجب کاهش ۹۰ درصدی ابعاد داده‌ها در روند پایش سلامت سازه‌­ها می­‌شود

Keywords:

Structural health monitoring , Big data , Surrogate model , PSO-harmony algorithm , Wavelet packet decomposition , پایش سلامت سازه , کلان داده , مدل جایگزین , الگوریتم هارمونی-پرندگان , انرژی بسته‌های موجکی