بخشی از مقاله
چکیده-در تحقیق حاضر روش نوینی جهت تشخیص عمق ترک در سازه های تیری با استفاده از شکلهای مودی ارائه شده است. با توجه به اینکه تشکیل ترک در المانهای سازه ای باعث تغییر در سختی عضو و همچنین فرکانس سازه میگردد، بنابراین در تحقیق حاضر به عنوان شاخص جهت شناسایی ترک در سازه بکار رفته است شکلهای مودی تیر تیموشنکو به عنوان ورودی و عمق ترک در المانهای مختلف سازه ای به عنوان خروجی جهت آموزش شبکه عصبی مصنوعی بکار میرود. برای نمایش کارایی روش ارائه شده از تیر سازه ای با شرایط تکیه گاهی کنسولی با سه سناریوی یک ترک ،دو ترک و سه ترک استفاده شده است. نتایج بدست آمده بیانگر کارایی روش ارائه شده در تشخیص میزان ترک با استفاده از اطلاعات مربوط به شکلهای مودی تیر و شبکه عصبی مصنوعی است.
-1 مقدمه
شناسایی به موقع آسیب سازه به دلایل ایمنی و سلامت بسیار مهم و حیاتی است. چندین روش بر اساس ارتعاش در طول سال های گذشته توسعه یافته است. وردن و دولیوبارتن [1] دسته بندی رتبه ای برای روش های پایش سلامت سازه را بصورت زیر بیان کرده اند. در این دسته بندی هر دسته دربرگیرنده مرحله قبلی می باشد.
- آشکارسازی: این روش یک نشانه عددی را ایجاد می کند که نشان می دهد آسیب رخ داده است.
- محل و موقعیت: این روش اطلاعاتی در مورد محل احتمالی آسیب بیان می کند.
- دسته بندی: این روش اطلاعاتی در مورد نوع آسیب بدست می دهد.
- ارزیابی: این روش می تواند برای تخمین شدت آسیب وارده بکار رود.
- پیش بینی: این روش توانایی تخمین عمر مفید باقیمانده سازه را دارد.
توسعه و کاربرد عملی روش های موثر و دقیق شامل موارد متعددی می باشد که به کاربردهای خاص بستگی دارد. این روش ها شامل محدوده اندازهگیری مقادیر فیزیکی نبوده بلکه شامل مشخصه های مورد استفاده برای پایش سلامت سازه ای، تعداد سنسورها و محل قرارگیری آنها، پردازش داده ها و توانایی روش برای تغییر در شرایط محیطی می باشد. دوبلینگ و همکاران [2] مرور جامعی بر روی شناسایی آسیب بر اساس خصوصیات مودال انجام داده اند.
گروه دیگری از محققین [3] مروری بر روی مطالعاتی که از سال 1996 تا سال 2001 انجام شده بود کرده اند. کاردن و فنینگ [4] مروری بر روی مقالات تا سال 2004انجام داده اند. آشکارسازی آسیب عموماً بر اساس مشخصه های مودال از جمله فرکانس های سازه، نسبت میرایی و شکل های مدی می باشد. از آنجا که مشخصه های مودال نسبت به تغییرات در سازه حساس می باشند، دارای قابلیت آشکارسازی خیلی ساده برای بکارگیری هستند. شاخه شناسایی آسیب شامل بخش های زیر می باشد:
- آشکار سازی آسیب موجود
- محل آسیب
- شدت آسیب
- پیش بینی سلامت سازه ای
اگر آسیب به عنوان تغییر در پارامترهای سیستم در نظرگرفته شود، سه مورد اول به شناسایی سیستم مربوط می شود .[5] در سالهای اخیر علاقه زیادی به کاربرد شبکه عصبی مصنوعی در شناسایی آسیب در سازه های پیچیده بر اساس تغییرات در خصوصیات فیزیکی از قبیل کاهش سختی که از ایجاد ترک ناشی می شود و یا از خرابی اتصال، باعث ایجاد تغییرات در خواص مودال می گردد. تغییرات در خصوصیات مودال و سایر خصوصیات به عنوان اندیس آسیب نامیده می شوند. بنابراین روند شناسایی آسیب بر اساس ارتعاش اصولاً به برخی از فرمهای مساله شناسایی الگو بر می گردد .[2] شناسایی الگو یکی از مهمترین مسائل برای حل مناسب شبکه عصبی مصنوعی می باشد.
چن و شاه [6] یک پایه پل را با استفاده از شبکه پس انتشار خطا مورد مطالعه قرار دادند. ورودی ها این شبکه عصبی شتابهای بدست آمده از 4 شتابنگاشت، دو عدد از آنها به صورت عمودی و دو عدد به صورت افقی بر روی پایه پل نصب شده اند. خروجی شبکه عصبی شامل فرکانس، جابه جایی و شکل مدی می باشد. شبکه با استفاده از داده های بدست آمده تحت در شرایط مختلف آموزش می بیند: قبل از خرابی و بعد از خرابی. با مقایسه نتایج، آنها نتیجه گرفتند که شبکه عصبی با موفقیت تغییرات در پارامترهای پایه را بعد از خرابی آشکار می کند. همچنین بایستی توجه شود که نتایج دقیق تر در صورتی که از داده های بیشتر استفاده شود به دست می آید.
الگوردی و همکاران [7] از شبکه عصبی با پس انتظار برای شناسایی آسیب در سازه استفاده کردند. آسیب وارده به کاهش در سختی اعضای در طبقه پایین به میزان 10 درصد الی 70 درصد شبیه سازی شده بود. نویسنده ها یک لایه پنهان با 14 نرون انتخاب کرده بود. شکلهای مدی به عنوان ورودی در نظر گرفته شده بود و درصد تغییر در سختی عضو به عنوان خروجی شبکه در نظر گرفته شد. دو شبکه دو مدل ریاضی را آموزش دادند و با داده های تجربی مورد مقایسه قرار گرفت.
اولین شبکه با استفاده از 11 الگوی آموزشی از اولین مدل ایجاد شده، مورد آموزش قرار گرفت. دومین شبکه با استفاده از 9 الگوی آموزشی که از مدل دوم ایجاد شده بود، مورد آموزش قرار گرفت. در حالت کلی شبکه عصبی مصنوعی اولین مدل با پیچیدگی کمتر به نتایج بهتری رسید و شبکه آموزش دیده بر روی دومین مدل به شناسایی خوبی رسید و دقیقاً خطای پیش بینی کمتر از 10 درصد گزارش شده است.
در پایش سلامتی سازه ها هم محققان زیادی روشها مختلفی را برای پایش سلامتی سازه و آشکار سازی آسیب در سازه ها با آنالیز ویولت ارائه نموده اند. بسخیروم و همکاران [8] با استفاده از تبدیل ویولت روشی را برای پایش سلامتی سازه یک پل ارائه نموده اند. آنها در این تحقیقات سازه پل راه آهن به دهانه 19,8 متر در نظر گرفته اند و در دو حالت آزمایشگاهی و مدل سازی بصورت المان محدود در سطوح مختلف خرابی بررسی کرده اند.
در این مقاله به بررسی مسئله تشخیص چند ترک در تیر به منظور ارائه روشی جامع و عملی جهت تشخیص اسیب در تمامی سازه ها با هر شکل با معلوم بودن فرکانسهای طبیعی سازه پرداخته شده است.برای نمایش عملکرد روش ارائه شده تیر کنسولی اویلر برنولی با موقعیت ترکهای مختلف در نرم افزار [9] MATLAB - 2015 b - مدلسازی شده است.نتایج حاصله بیانگر کارایی الگوریتم پیشنهادی در تشخیص ترک در طول تیر مورد مطالعه است.
-2 بیان مسئله
در این بخش روش ابتدا به رابطه سازی الگوریتم پیشنهادی جهت تشخیص ترک پرداخته و سپس مبانی نظری مربوط به شبکه عصبی مصنوعی ارائه می گردد.
-1-2 رابطه سازی ترک در تیر تیموشنکو
اصلاح ماتریس سختی تیر ترکدار
در مطالعه حاضر ،همانطوریکه در شکل 1 نشان داده شده است جهت مدلسازی ترک در تیرهای تیموشنکو اصلاح ماتریسهای سختی عضو ترک دار در مدل المان محدود اصلاح گردیده است .[10] در این مقاله برای یک المان تیر با طول L، ترک به عنوان یک فنر دورانی بدون جرم در نظر گرفته شده است که دو المان الاستیک بدون ترک با ممان اینرسی I را به هم پیوند می دهد.