ارائه روشی مبتنی بر یادگیری ماشین برای تشخیص آسیب های خطی و غیرخطی سازه با ترکیب ویژگی های عمیق زمانی و زمان – فرکانس
Publish place: JOURNAL OF MECHANICAL ENGINEERING، Vol: 54، Issue: 1
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 70
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TUMECHJ-54-1_008
تاریخ نمایه سازی: 14 مرداد 1403
Abstract:
پایش سلامت سازه ای (SHM) برای تضمین عملکرد ایمن زیرساخت ها و تصمیم گیری در مورد نگهداری، تعمیر و مقاوم سازی سازه استفاده میشوند. در این مقاله روش جدیدی مبتنی بر پردازش سیگنال و یادگیری ماشین برای پایش سلامت سازهای ارائه شدهاست. روش پیشنهادشده، بر مبنای ویژگیهای عمیق زمانی و زمان – فرکانس است. برای استخراج ویژگیهای عمیق زمان – فرکانس، ابتدا نمایش زمان – فرکانس با استفاده از تبدیل فوریه زمان پیوسته (CWT) به دست میآید و در ادامه، به شبکه عصبی تلفیقی (CNN) اعمال میشود. برای استخراج ویژگیهای عمیق زمانی، توابع حالت ضمنی (IMF) با استفاده از تجزیه حالت تجربی (EMD) به دستآمده و شبکه حافظه طولانی کوتاهمدت (LSTM)، IMFها را مدل میکند. با توجه به تعداد زیاد ویژگیهای عمیق به دست آمده، با استفاده از الگوریتم کاهش ویژگی، ویژگیها با همبستگی بالا حذف شدند. در نهایت با استفاده از بردار پشتیبان ماشین (SVM) بهینهشده، سلامت سازه یا محل آسیب شناسایی میشود. نتایج به دستآمده نشان میدهند روش پیشنهادی نسبت به روشهای مشابه دقت بالایی در سناریوهای خطی و غیرخطی داشته و میتواند به عنوان روشی مطمئن در کابردهای SHM استفاده شود.
Keywords:
Authors
اکبر اصغرزاده بناب
استادیار، گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا، تهران، ایران
هاشم کلب خانی
دانشیار، گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران
سجاد بیژنوند
استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
