ارزیابی آزمایشگاهی سلامت پل معلق براساس فتوگرامتری برد کوتاه هوشمند
Publish place: Modares Civil Engineering journal، Vol: 21، Issue: 6
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:
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
ارسلان گرانمایه
Kharazmi University
پیمان همامی
Kharazmi University
سید حسین حسینی لواسانی
Kharazmi University
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 :