ارزیابی آزمایشگاهی سلامت پل معلق براساس فتوگرامتری برد کوتاه هوشمند

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 84

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_MCEJ-21-6_010

تاریخ نمایه سازی: 6 اسفند 1403

Abstract:

در دهه های اخیر علم پایش سلامت سازه نقش اساسی در پیش­گیری از خرابی و افزایش طول عمر سازه ها ایفا کرده است. استفاده از ابزار هایی برای انجام رفتارسنجی مطلوبست که دقت کافی را همراه با هزینه ی کم تحقق بخشند. برای پردازش داده­های بدست آمده از رفتارسنجی به روش هایی نیاز است که قادر باشند سطوح مختلف آسیب را از اطلاعات موجود شناسایی و به درستی عیب یابی کنند. رفتارسنجی اپتیکی و عملیات فتوگرامتری بردکوتاه بدلیل هزینه کم و دقت مناسب، اخیرا مورد توجه قرار گرفته اند در این مقاله تلاش شده است تا کاربرد روش مذکور در ترکیب با روش تحلیل استقرایی (با ابزارهای مقایسه و یادگیری ماشین) برای رفتارسنجی و عیب­یابی ماکت آزمایشگاهی سازه­ی یک پل معلق که دارای رفتار نسبتا پیچیده­ای است مورد ارزیابی قرار گیرد. به این منظور، سازه­ی پل مورد نظر تحت سه تراز بارگذاری استاتیکی در سه حالت سالم و آسیب دیده در عرشه و کابل­ها مورد رفتارسنجی قرار گرفت. آسیب­ها کاملا آگاهانه در مدل آزمایشگاهی ایجاد شدند و از اطلاعات حاصل، پایگاه داده ای از رفتار پل در حالات گوناگون ایجاد شد. به منظور امکان سنجی استفاده از روش­های مختلف در پردازش داده­ها و عیب­یابی، ابتدا داده های موجود در پایگاه، در روش­ خطی ساده (مقایسه مستقیم) و آموزش در الگوریتم­های روش­های یادگیری ماشین، مورد استفاده قرار گرفتند. پس از آن، مجددا آسیب­های آگاهانه­ای در سازه­ی آزمایشگاهی  ایجاد شد تا امکان آزمون کارآیی و دقت روش­های مختلف فراهم شود. در انتها، دقت، صحت و پایداری روش­های پردازش داده ماشین بردار پشتیبان و شبکه عصبی مصنوعی با یکدیگر مقایسه شدند. نتایج نشان داد که با توجیه به باندل اجسمنت رفتارسنجی دو بعدی اپتیکی فتوگرامتری بردکوتاه، می­توان به دقت تضمین شده ی  mm۰۰۲۱/۰ دست یافت. در سطح نخست پردازش داده­ها یعنی تشخیص وجود آسیب یا عدم وجود آن موفقیت شبکه های عصبی بطور کامل و با دقت ۱۰۰% همراه بود و در سطح دوم یعنی تشخیص منطقه ی آسیب دیده، شبکه عصبی با تابع انتقال تانژانت هایپربولیک ۹۳% موفقیت داشت و ماشین بردارپشتیبان با موفقیت ۶۸% همراه بود.

Keywords:

Structural Health Monitoring , Suspension Bridge , Intelligent Close Range Photogrammetry , Machine Learning , Support Vector Machine , Artificial Neural Network. , پایش سلامت سازه ای , پل معلق , فتوگرامتری برد کوتاه هوشمند , تشخیص خرابی , یادگیری ماشین , ماشین بردار پشتیبان , شبکه ی عصبی مصنوعی.

Authors

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 :
  • Ansari, F., Sensing issues in civil structural health monitoring. ۲۰۰۵: ...
  • Boller, C., F.-K. Chang, and Y. Fujino, Encyclopedia of structural ...
  • Ri, S., et al. ۲۰۱۲ Noncontact deflection distribution measurement for ...
  • Giurgiutiu, V., Structural health monitoring: with piezoelectric wafer active sensors. ...
  • Chatzi, E.N. and C. Papadimitriou, Identification methods for structural health ...
  • Gopalakrishnan, S., M. Ruzzene, and S. Hanagud, Computational techniques for ...
  • Pawar, P.M. and R. Ganguli, Structural health monitoring using genetic ...
  • Detchev, I., A. Habib, and M. El-Badry ۲۰۱۱ Estimation of ...
  • Maas, H.-G. and U. Hampel ۲۰۰۶ Photogrammetric techniques in civil ...
  • Avci, O., et al. Convolutional Neural Networks for Real-time and ...
  • Goda, I., G. L'Hostis, and P. Guerlain ۲۰۱۹ In-situ non-contact ...
  • Esmaeili, F., et al. ۲۰۱۹ Evaluation of close-range photogrammetric technique ...
  • Rafiq, M., G. Bugmann, and D. Easterbrook ۲۰۰۱ Neural network ...
  • Knezevic, M., et al. ۲۰۱۸ Artificial Neural Networks and Fuzzy ...
  • Nielsen, M.A., Neural networks and deep learning. Vol. ۲۰۱۸. ۲۰۱۵: ...
  • Kohonen, T. ۱۹۸۸ An introduction to neural computing, Neural networks. ...
  • Svozil, D., V. Kvasnicka, and J. Pospichal ۱۹۹۷ Introduction to ...
  • Hagan, M.T., H.B. Demuth, and M. Beale, Neural network design. ...
  • Park, S., et al. ۲۰۱۵ ۳D displacement measurement model for ...
  • Soto-Zamora, M.A., et al., Application of Digital Close-Range Photogrammetry to ...
  • Chojaczyk, A.A., et al. ۲۰۱۵ Review and application of artificial ...
  • Singh, V., et al. ۲۰۱۹ Feasibility of artificial neural network ...
  • Feng, C., et al. ۲۰۱۹ Structural damage detection using deep ...
  • نمایش کامل مراجع