عیب یابی سازه ها با استفاده از روش ماشین یادگیری و با در نظر گرفتن قابلیت اطمینان

تشخیص خرابی های موضعی در سازه ها و به دنبال آن برطرف کردن این عیب ها در طول عمر مفید آنها موثر است. از آنجایی که وجود عدم قطعیتهایی همچون خطاهای مدل کردن و خطاهای اندازه گیری در عیبیابی سازه ها اجتناب ناپذیرند استفاده از روشهایی بر پایه ی احتمالات در این زمینه کاربرد گسترده ایی پیدا کرده است. وجود خرابیهای موضعی باعث تغییر در پاسخ های استاتیکی و دینامیکی سازه میشود. در این تحقیق، مدول الاستیسیته به عنوان عدم قطعیت سازه و خرابی به صورت کاهش مدول الاستیسیته در نظر گرفته شده است و جهت تعیین شدت و محل آسیب از پاسخ اشکال مودی سازه سالم و آسیب دیده و الگورتیم ماشین یادگیری مبتنی بر تابع کرنل استفاده شده است. به منظور بهبود عملکرد، یک تابع کرنل مرکب از توابع کرنل گوسی وسیگمویید پیشنهاد شده است. همچنین به منظور کاهش خطا در انتخاب پارامترهای توابع کرنل، از یک الگوتیم بهینهسازی جستجوی فاخته استفاده شده است. جهت تعیین احتمال شدت خرابی به ترکیب این الگورتیم با تحلیل قابلیت اطمینان پرداخته شده است. برای تعیین شاخص قابلیت اطمینان از شبیه سازی مونت کارلو استفاده شده است. در نهایت کارایی روشهای پیشنهادی در یک خرپای 25 عضوی دو بعدی بررسی شده است که نتایج حاصل نشان دهنده عملکرد مطلوب روشهای فوق است.

Keywords:

عدم قطعیت , ماشین یادگیری , عیب یابی , قابلیت اطمینان , بهینه سازی