بررسی پدیده خستگی به کمک شبکه عصبی مصنوعی و فرایندهای تصادفی وینر و گوسی

یادگیری عمیق DL، زیرمجموعه ای از رویکردهای یادگیری ماشین، به عنوان یک ابزار کاربردی جهت بررسی مقادیر زیادی از داده های ناهمگن و ارائه پیش بینی های قابل اعتماد از فرایندهای پیچیده و نامفهومظاهر شده است. امروزه مطالعات گسترده ای در زمینه روش های نمونه برداری، روش های مبتنی بر یادگیری ماشین ML، و یادگیری عمیق با استفاده از شبکه های عصبی مصنوعی ANN ، جهت تشخیص عیوب و نواقص صورت گرفته است.امروزه با استفاده از روش های پایش سلامت سازه می توان به موقع پدیده خستگی در قطعات را شناسایینمود، و در این صورت میتوان راحت تر به تعمیر و تعویض قسمت آسیب دیده در اثر پدیده خستگی واقدامات اصلاحی پرداخت و اگر مدت زمان بین نشانه های بروز آسیب در سازه و وضعیت بحرانی سازه موردبررسی کوتاه باشد؛ در آن صورت عملیات برنامه ریزی تعمیر و نگهداری و استقرار تجهیزات لجستیک وبازیابی قطعات به درستی و به موقع صورت نمی گیرد و موجب خسارات جبران ناپذیری به سازه می گردد وممکن است سازه دچار آسیب جدی یا از کارافتادگی گردد و مراحل مختلف فرایند پایش سلامت سازهشامل جمع آوری اطلاعات و داده، شناسایی عیب و نقص در سازه، پیش بینی روند گسترش آسیب وتصمیم سازی می باشد و روش های پیش بینی آسیب به دو دسته کلی روش های بر پایه داده و اطلاعاتبه دست آمده از سازه تحت پایش و روشهای بر پایه مدل فیزیکی سیستم تحت پایش میتوان تقسیم بندینمود.

Keywords:

فرایند تصادفی وینر , فرایند تصادفی گوسی , شبکه عصبی مصنوعی , خستگی , پایش سلامت سازه