معرفی و مقایسه چند تابع تحریک جدید در الگوریتم های ماشین یادگیری برای استفاده در عیب یابی سازه ها

یکی از روش های عیب یابی در سازه ها استفاده از الگوریتم های پیشرفته مبتنی بر هوش مصنوعی میباشد و یکی از ساده ترین و کارآمدترین انواع آن شبکه های عصبی مصنوعی است که عملیات اصلی در این الگوریتم ها با ایده از شبکه های عصبی شکل گرفته است که مشتمل بر جمع ورودی های وزن دار شده، و اعمال تابع تحریک)تابع انتقال( به این مجموعه، برای تعیین خروجی شبکه است. برای نرون های ورودی، این تابع واحد بوده و خروجی نرون برابر با ورودی آن است اما برای لایه های دیگر)در صورت وجود( نیاز به توابع تحریک خطی یا غیر خطی برای استفاده از الگوریتم است. یکی از مشکلات همیشگی استفاده از این الگوریتم ها انتخاب نوع تابع تحریک در هر لایه است. در این تحقیق از یکی از الگوریتم های پایه ای هوش مصنوعی به نامExtreme Learning Machine (ELM) یا الگوریتم ماشین یادگیری استفاده شده است که قابلیت شناسایی محل و شدت آسیب در اعضای سازه را دارا میباشد و الگوریتمی مبتنی بر تابع تحریک است. ورودی این الگوریتم تغییرات فرکانس طبیعی ناشی از کاهش سختی اعضا به منظور مدل سازی خرابی در سازه میباشد. تاثیر انواع توابع تحریک در یک مثال عیب یابی و با استفاده از دو خطایMAE و RMSEمورد بررسی قرار گرفته است. در نهایت در این مثال با توجه به معیار خطا، توابعHard-limit و Bent Identity از عملکرد بهتری نسبت به توابع دیگر برخوردار بوده اند

Keywords:

عیب یابی سازه , فرکانس طبیعی , تابع تحریک )تابع انتقال( , الگوریتمELM , تابعBent Identity , تابعHard-limit