محمد ریاحی - استاد، مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران
علیرضا احمدی - کارشناس ارشد، مهندسی مکانیک، مرکز آزمون های غیرمخرب پیشرفته، دانشگاه علم و صنعت ایران، تهران، ایران

بهره گیری از روشهای مبتنی بر هوش مصنوعی برای کاهش نقش تفاسیر انسانی در تحلیل دا ده ها و اخذ نتایج مناسب، همراستا با افزایش سرعت، کاهش خطا و تعدیل هزینه-ها در فرآیندهای ارزیابی غیرمخرب و پایش سلامت سازه ها مورد توجه جدی محققان قرار گرفته است. در این پژوهش، طراحی و اجرای یک سامانه پایش سلامت سازه ای مبتنی بر پردازش هوشمند سیگنال امواج فراصوت هدایت شده به منظور شناسایی و دسته بندی سه نوع خرابی متداول در سازه های کامپوزیتی ورقی انجام پذیرفته است. با ایجاد سه نوع خرابی شامل تورق، شکاف و سوراخ در یک ورق کامپوزیتی چند لایه از جنس پلیمر تقویت شده با الیاف شیشه و تقسیم آن به چهار ناحیه مختلف، نسبت به تعبیه 9 مبدل پیزوالکتریک با نقش دوگانه محرک و سنسور و با آرایش شبکه ای اقدام شده و سیگنالهای امواج منتشر شده در هر چهار ناحیه مذکور در قالب 12 مسیر در سه راستای مختلف و 240 سیگنال ذخیره گردید. در مرحله بعد، استخراج ویژگی از سیگنال ها با روشهای پیشرفته پردازش سیگنال نظیر تبدیل موجک انجام پذیرفته و داده های حاصل، برای آموزش یک شبکه عصبی پرسپترون چند لایه از نوع پیشرونده با روش پس انتشار خطا مورد استفاده قرار گرفت. نتایج حاصل نشان می دهد، الگوریتم شبکه عصبی طراحی شده و آموزش دیده در این تحقیق، قادر به ایجاد تمایز میان نواحی سالم سازه از نواحی معیوب بوده و علاوه بر آن موفق به دسته بندی انواع خرابی های موجود در سازه با بازدهی قابل قبول (میانگین حدود 80%) شده که قابلیت تعمیم به شرایط و پیکربندی های مختلف و حالت های نامعلوم را دارد.

شبکه های عصبی مصنوعی, پایش سلامت سازه ای, امواج فراصوت هدایت شده, ورق های کامپوزیتی, تبدیل موجک