مدل هوشمند پایش سلامت تونل مترو با استفاده از شبکه عصبی و رمزگذار خودکار

با توجه به شرایط پیچیده محیطی در فضاهای زیرزمینی و خطرات عملیاتی ناشی از آن پایش دقیق و پیشرفته سازه های تونل مترو سپری برای نگهداری ایمن و پیشگیری از آسیب های احتمالی ضروری است. در حالی که مطالعات متعددی درباره شناسایی آسیب سازه های سطحی با بهره گیری از یادگیری عمیق انجام شده، پژوهش های محدودی بر تونل های مترو زیرزمینی متمرکز بوده اند. در این مطالعه یک چارچوب شناسایی آسیب مبتنی بر یادگیری عمیق برای تونل های متروی سپری ارائه می شود. مدل عددی اجزای محدود یک تونل مترو توسعه یافت و پاسخ های ارتعاشی آن تحت بار متحرک مورد تحلیل قرار گرفت. به منظور استخراج خودکار ویژگی و تشخیص دقیق آسیب از رمزگذار خودکار عمیق استفاده شد که قادر است سیگنال های ارتعاشی خام را در قالب الگوهای نهفته پردازش کند. تحلیل های دینامیکی مدل سطوح مختلف شدت و مکان های متفاوت آسیب را شبیه سازی کردند و معیار ریشه میانگین مربعات برای تعیین محل دقیق آسیب به کار رفت. نتایج حاصل تحت سناریوهای مختلف نویز و آسیب با یکدیگر مقایسه شدند. در مرحله اعتبارسنجی، کارایی چارچوب پیشنهادی بر روی مجموعه داده کوچک دیگری از تیر با تکیه گاه ساده نیز آزموده و با دو مدل یادگیری عمیق دیگر SVM و LSTM مقایسه شد. نتایج نشان داد چارچوب پیشنهادی مبتنی بر DAE توانایی بالایی در شناسایی و تخمین شدت آسیب و همچنین تعیین محل آسیب در تونل های سپری و سازه های مشابه دارد و می تواند گزینه ای عملی و موثر برای سامانه های پایش سلامت سازه های آینده باشد.

Keywords:

پایش سلامت سازه , رمزگذار خودکار عمیق (DAE) , استخراج ویژگی , شناسایی آسیب , بار متحرک