بخشی از مقاله
چکیده
امروزه یکی از موضوعات مهم در تحقیقات سازهای ، موضوع پایش سلامت سازه است که مسائلی همچون تشخیص آسیب و ایمنی سازه را تحتالشعاع قرار میدهد. اخیرا مدلهای شبکهی عصبی مصنوعی به طور گستردهای برای مدلسازی روابط پیچیده غیرخطی استفاده گردیده است. از آنجا که انواع شبکه عصبی در ایجاد رابطهی غیرخطی بین پارامترهای ارتعاش - فرکانس و شکل مودی - با پارامترهای آسیب، عملکرد موفقی داشتند؛ در این مطالعه از یک شبکه عصبی پرسپترون به منظور شبیهسازی آسیب در یک قاب فولادی استفاده شده است.
با این حال به دلایلی همچون خطای کالیبراسیون و اندازهگیری دادهها، نتایج و پارامترهای مدل با نوعی عدم قطعیت همراه است. در این مطالعه به منظور در نظر گرفتن عدم قطعیتها در مدل تشخیص آسیب از یک شبکه عصبی غیر احتمالاتی استفاده میشود. دادههای ورودی، فرکانس طبیعی و شکل مودی و خروجی آن مدول یانگ است که در نقش پارامتر سختی المان - ESP - عمل میکند.
برای ساخت یک مدل غیر احتمالاتی باید در دادههای ورودی، نویز در نظر گرفته شود. به منظور ایجاد دادههای نویزی از روش تحلیل فاصله استفاده میشود. در این روش یک باند بالا و پایین برای ESP به دست میآید و به این ترتیب شبکه عصبی برای پیشبینی باند بالا و پایینِ ESP با در نظر گرفتن عدم قطعیتها در دادههای ورودی اجرا میشود. ارزیابی روش مذکور با معیارهای احتمال وجود آسیب - PODE - ، فاکتور کاهش سختی - SRF - انجام میشود. نتایج نشان میدهد که روش پیشنهادی در تشخیص آسیب سازه با دادههای نویزی عملکرد موفقی دارد. همچنین استفاده از نویز در داده-ها در مقایسه با شبکه عصبی احتمالاتی باعث بالا رفتن دقت مدلسازی میشود.
مقدمه
تشخیص آسیب بر اساس ارتعاش به طور گسترده ای برای افزایش ایمنی در سازههای مهندسی عمران مورد استفاده قرار گرفته-است. این رویکرد توضیح میدهد که آسیب میتواند بر هر دو ویژگی فیزیکی و دینامیکی سازه تاثیر بگذارد. ویژگیهای فیزیکی شامل جرم، سختی و میرایی و ویژگیهای دینامیکی شامل تابع پاسخ فرکانسی، فرکانس طبیعی و شکل مودی است. مثلا تغییر در شکل مودی و فرکانس طبیعی منجر به کاهش سختی تیر میشود.
یکی از بهترین رویکردهای محاسباتی در تشخیص آسیب بر اساس ارتعاش، شبکه عصبی است. شبکه عصبی به دلیل توانایی بالا در ایجاد رابطه غیرخطی بین پارامترهای ارتعاش با شدت و محل خرابی، در تشخیص آسیب مورد استفاده قرار میگیرد. Fang, Luo et al با استفاده از تابع پاسخ فرکانسی به عنوان ورودی شبکه عصبی به پیشبینی خرابی سازه پرداختند. آنها از الگوریتم پسانتشار خطا همرا با روش گرادیان برای آموزش شبکه عصبی استفاده کردند
تشخیص آسیب را با استفاده از شبکه عصبی با در نظر گرفتن عدم قطعیتها شبیهسازی کرده و با استفاده از روش برآورد نقطهای پارامترهای سختی را تخمین زدند
از شبکه عصبی برای تشخیص آسیب اتصالات پل استفاده کردند .آنها نیز از شکل مودی و فرکانس طبیعی به عنوان ورودی شبکه عصبی برای تشخیص آسیب استفاده کردند و به منظور بررسی کارایی روش پیشنهادی، آنالیز عددی خرپای پل را نیز ارائه دادند
در تشخیص آسیب با استفاده از شبکه عصبی دو نوع از عدم قطعیتهای اجتناب ناپذیر وجود دارد: خطای مدل و وجود نویز در اندازهگیری. خطای مدل به دلیل وجود عدم قطعیتها در مدل المان محدود به وجود میآید. این موضوع به دلیل پارامترهای فیزیکی غیردقیق، شرایط بازهای، ویژگیهای غیرخطی سازه و غیره است. نویز در دادههای اندازهگیری شده که معمولا در فاز تست است؛ میتواند منجر به تشخیص آسیب نادرست شود.
تاثیر عدم قطعیتها در اطلاعات آموزش و تست را نشان دادند. آنها همچنین یک شبکه عصبی احتمالاتی به منظور درنظر گرفتن عدم قطعیتهای موجود ناشی از مدل المان محدود و دادههای اندازهگیری شده را پیشنهاد دادند. این مطالعه نشان میدهد که روش احتمالاتی قادر است دقت تشخیص آسیب را بر اساس دادههای نویزی بالا ببرد.با وجود کارآمدی روش نامبرده، مشکل آن فرض توزیع نرمال متغیرهای تصادفی در پارامترهای عدم قطعیت است چرا که در عمل به دست آوردن تابع توزیع چگالی احتمال به علت پیچیدگی منابع عدم قطعیت ممکن نیست
این مطالعه قابلیت روش غیراحتمالاتی را با استفاده از شبکه عصبی با در نظر گرفتن عدم قطعیتها در تشخیص آسیب گسترش میدهد. به این منظور یک شبکه عصبی با استفاده از فرکانسها و مد شکلها به عنوان ورودی و پارامترسختی به عنوان خروجی آموزش داده میشود. عدم قطعیتها به وسیله باندهای بالا و پایین برای مقادیر ورودی و در نتیجه تولید باند بالا و پایین برای خروجی در نظر گرفته میشود. بنابراین دو شبکه عصبی یکسان برای تعیین باندهای بالا و پایین خروجیها مورد استفاده قرار میگیرد. قابلیت روش پیشنهادی در قالب یک مدل عددی نشان داده میشود. نتایج نشان میدهد که روش پیشنهادی قادر به تشخیص محل و شدت آسیب است.
روششناسی
شبکه عصبی
در این مطالعه پارامترهای ورودی فرکانس طبیعی - - و شکل مودی - - و پارامتر خروجی، کاهش سختی - - است. از آنجا که مدل شبکه عصبی در ایجاد روابط غیرخطی بین پارامترهای ارتعاش - فرکانس و شکل مودی - و پارامترهای آسیب سازهایی عملکرد موفقی داشته، در تحقیق حاضر از یک شبکه عصبی چندلایه پرسپترون با الگوریتم آموزش پس انتشار خطا لونبرگ - مارکارد4 استفاده شدهاست. شبکه عصبی پرسپترون چند لایه اغلب دارای یک یا چند لایه پنهان است و از یک لایه خروجی تشکیل شده است. نرون ها در هر لایه به وسیلهی یک سری وزن - و بایاس - به نرونهای لایهی قبل و بعد متصل میشوند. یک نرون با استفاده از تابع انتقال، مقدار خروجی خاصی را به ازای ورودیهای مختلف تولید میکند. شکل 1 نمونهای از یک نرون و مقادیر ورودی و خروجی آن را نشان میدهد.
شکل :1 نمایی از یک نرون لایهی پنهان و مقادیر ورودی و خروجی آن
یک شبکه عصبی برای ایجاد رابطه بین پارامترهای ورودی و خروجی نیازمند آموزش است. در آموزش شبکه سعی میشود که با استفاده از تعداد زیادی اطلاعات ورودی - خروجی، وزنها و بایاسهای بین نرونها تنظیم گردد. مقایسهی خروجی واقعی و خروجی مدل باعث میشود که ضرایب وزنی شبکه تغییر یابد به طوری که در دفعات بعد خروجی صحیحتری حاصل شود. برای اینکه میزان تابع خطا به طور دائم کاهش داده شود؛ تنظیم وزنها و بایاسها از طریق الگوریتم پس انتشار خطا انجام میشود.
عملیات آموزش تا جایی ادامه پیدا میکند که شبکه، برای هر ورودیِ خاص، خروجی مطلوب را به دست آورد. در مرحله اعتبارسنجی شبکه در معرض محدوده وسیعی از نمونههای ورودی که در مرحله آموزش استفاده نشدند؛ قرار میگیرد تا پایداری و دقت شبکهی آموزش دیده مورد ارزیابی قرار گیرد. در مرحله تست، شبکهی آموزشدیده در معرض ورودیهای جدیدی که در مرحله آموزش و صحتسنجی با آنها مواجه نبوده؛ قرار میگیرد. در این مرحله شبکه باید به طور موفقیت آمیزی به خروجیهای مطلوب دست یابد.
در فاز آموزش یک سری از حالتهای آسیب به صورت تصادفی با استفاده از مدل المان محدود تولید میشود. حالات آسیب با کاهش سختی المانهای انتخاب شده به صورت تصادفی تعریف میشود. برای ارزیابی مدل آموزش دیده چندین سناریوی آسیب تولید میشود. تابع انتقال تانژانت سیگموئید برای لایهی پنهان به کار میرود، چرا که بردارهای ورودی و خروجی بین -1 و +1 نرمال شدهاند. دادهها به دو دسته تقسیم میشوند: %40 برای آموزش و %60 برای صحت سنجی.
