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

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.

آسیب خطی, آسیب غیرخطی, پایش سلامت سازه ای, ویژگی زمانی, ویژگی زمان – فرکانس, یادگیری ماشین