بخشی از مقاله
چکیده :
در این مقاله جهت شناسایی سیستم تغییرشکل سازهها از تلفیق روش شبکه عصبی مصنوعی - - ANN و مدل المان محدود - FEM - استفاده شده است. به این ترتیب که نتایج حاصل از مدل المان محدود سازه که به ترتیب پارامترهای مصالح سازه و تغییرشکل نقاط بحرانی سازه است را به عنوان ورودی و خروجی شبکه عصبی مصنوعی معرفی مینماییم. در نتیجه مدل رفتار سازه بر اساس تغییرات پارامترهای مصالح بر اساس مدل ترکیبی ANN-FEM برای شناسایی سیستم سازه ارائه میگردد. ایده این مقاله بر روی مدل المان محدود یک تونل پیادهسازی شده است. نتایج خطای MSE حاکی از موفقیت مدل پیشبینی رفتار سازه بر اساس روش ارائه شده بوده است.
-1 مقدمه
تکنیک های مدل سازی تغییرشکل برای شناسایی سیستم1 سازه ها به طور کلی به دو بخش مدلسازی "پارامتریک" و "غیر پارامتریک" تقسیم می شوند. اگر از معادلات دیفرانسیلی برای بیان ارتباط بین ورودی و خروجی سیستم سازه استفاده شود، مدل سازی پارامتریک نامیده می شود. پارامترهای فیزیکی بهینه شده نتیجه شناسایی سیستم سازه به این طریق است.
در مدل سازی غیرپارامتریک پارامترهای فیزیکی مصالح نامعلوم است و شناسایی سیستم فقط بر اساس مشاهدات به عنوان ورودی و خروجی سیستم انجام می شود. رابطه بین ورودی و خروجی می تواند بر اساس رگرسیون یا مدل وابستگی که نتیجه آن پارامترهایی غیرفیزیکی هستند برقرار شود. روشهای آنالیز سری زمانی مانند مدلهای فازی و شبکه عصبی مصنوعی2 جزء این دسته میباشد
روش شبکه عصبی مصنوعی یک روش پیش بینی مؤثر برای پیشبینی حتی در حالت دینامیکی تغییرشکل سازهها می باشد. بخصوص اگر این روش با روش های دیگر ترکیب شود اثر زیادی در کاهش زمان و هزینه دارد. کاربرد شبکه عصبی مصنوعی در کنترل سلامت سازه ها در سال های اخیر زیاد به آن پرداخته شده است. به عنوان مثال روشی برای شناسایی رفتار یک سد بر اساس مشاهدات طولانی مدت تغییرشکل سازه با استفاده از شبکه عصبی مصنوعی ارائه شده است
که در این مدل تغییرشکل های استاتیکی بر اثر نیروی فشار آب و دما حاصل میشوند. روشی نیز برای تشخیص آسیب سازه یک پل بر اساس شبکه عصبی مصنوعی با استفاده از سیگنال های لرزشی ارائه شده است [3] همچنین برخی محققین از اطلاعات کنترل سازه برای پیشبینی جابجایی قائم بناهای تاریخی بر اساس از شبکه عصبی مصنوعی استفاده نموده اند
شبکه عصبی مصنوعی کاربرد موفقی در مسائل مهندسی تونل شامل تغییرشکلهای مربوط به ایجاد تونل در انواع سنگها داشته است
مدل سازی عددی سازه بر اساس مدلسازی المان محدود 3 روش مفیدی برای پیشبینی رفتار سازه است. نتایج شبیه سازی عددی شدیداً به معادلاتی که مدل رفتاری سازه را ارائه میدهند همچنین به پارامترهای فیزیکی وابسته است.
برآورد دقیق پارامترهای مدل سازه اغلب ضروری است و بر اساس روش های بهینه سازی تعیین میگردند. روشهای معکوسسازی بسیار مناسب برای شناسایی پارامترهای رفتاری سازه هستند.
برای حل مسئله زمانبر بودن روشهای معکوس این مقاله روشی را بر اساس تلفیق روش شبکه عصبی مصنوعی و مدل المان محدود بصورت مدل ترکیبی ANN-FEM برای شناسایی سیستم سازه ارائه میدهد.
روش ارائه شده برای شناسایی سیستم یک تونل پیاده سازی شده که پارامترهای فیزیکی متغیر حاصل از مدل عددی به عنوان ورودی شبکه عصبی و جابجایی حاصل از تغییرات پارامترها که از مدل عددی حاصل شده است بهعنوان خروجی شبکه عصبی معرفی میشوند. بنابراین مدل رفتاری سازه بر اساس تغییرات پارامترها ارائه میشود.
با این مقدمه در بخش بعدی به معرفی مختصری از شبکه عصبی مصنوعی و در ادامه در فصل سوم به نتایج پیادهسازی این روش بر روی مدل عددی یک تونل و ارائه نتایج آن میپردازیم. سپس در فصل چهارم نتیجهگیری ارائه خواهد شد.
-2 شبکه عصبی مصنوعی - Artificial Neural NetworkS -
گسترش روش شبکه عصبی مصنوعی بر اساس مطالعه مغز انسان بوده است. علم اعصاب سعی بر توضیح کارکرد مغز انسان بر اساس مدل های ساده ریاضی دارد. روش شبکه عصبی براساس نورونهای مصنوعی است که عموماً در سه لایه طبقه بندی می شوند: - 1 لایه ورودی که وظیفه ورود دادهها به شبکه را دارد. تعداد نورونهای این لایه وابسته به تعداد ورودی هاست، - 2 لایه پنهان همراه با نورون های پنهان که به لایه های پنهان دیگر یا به لایه خروجی متصل می شوند و وظیفه تبدیل داده های ورودی به خروجی را دارد، - 3 لایه خروجی که اختصاص به پارامترهای خروجی دارد و تعداد نورون های آن وابسته به تعداد پارامترهای خروجی است. یک شبکه عصبی مصنوعی را بهصورت عمومی نمایش میدهد.
شکل :1 شبکه عصبی مصنوعی
روش آموزش "نظارت شده پیش-انتشار"1شبکه عصبی معمولاً در دو مرحله انجام میشود
مرحله اول: اطلاعات بصورت پیشرو2 وارد شبکه میشوند:
مرحله دوم: محاسبه خطا و انتشار آن به عقب به سمت لایه های قبلی است. وزن های شبکه از لایه خروجی به سمت لایه ورودی دوباره مقداردهی میشوند تا مینیمم شدن خطای میانگین مربعی - MSE - که بصورت زیر تعریف میشود
