بخشی از مقاله
چکیده
نظارت بر سلامت سازه ها و تشخیص آسیب های آن در مراحل اولیه، یکی از موضوعات مورد توجه همیشگی بوده است. امروزه تحقیقات بر روی روش های عیب یابی سازه ها بر پایه تحلیل ارتعاشی بسیار گسترش یافته است زیرا از این روش ها می توان به عنوان روش های بررسی دائمی و به هنگام سازه ها استفاده کرد و از به وجود آمدن آسیب های بیشتر در سازه ها جلوگیری نمود.
در این تحقیق از یک روش دو مرحله ای برای شناسایی محل و میزان آسیب در سازه های فولادی استفاده شده است. بدین صورت که در مرحله اول با استفاده از شاخص آسیب بر مبنای انرژی کرنشی مودال، مکان المان های محتمل خرابی پیدا شده و در مرحله دوم با استفاده از الگوریتم هوشمند ماشین بردار پشتیبان حداقل مربعات و اطلاعات مرحله قبل، شدت آسیب ها تعیین می گردد. مثال های عددی نشان دهنده توانایی این روش در شناسایی مکان و میزان عیب در سازه ها می باشد.
سازه های مختلف در طول عمر مفید خود در معرض بسیاری از خرابی های موضعی قرار دارند. چنانچه این خرابی های موضعی در زمان مناسب شناسایی و ترمیم شوند عمر مفید سازه افزایش خواهد یافت در غیر اینصورت افزایش خرابی های موضعی و بی توجهی به آنها منجر به خرابی کلی در سازه خواهد شد که ممکن است منجر به تلفات مادی و حتی انسانی شود.
طی سالهای گذشته پیشرفتهای زیادی جهت تعیین موقعیت و مقدار خرابی سازه های موجود حاصل شده است. بسیاری از مطالعات انجام شده مبتنی بر روش های کلاسیک ریاضی هستند و تعدادی از آنها نیز از الگوریتم های بهینه سازی برای تعیین خرابی در یک سازه استفاده نموده اند. مسینا و همکاران در سال 1998 از روشهای مبتنی بر تحلیل حساسیت و آماری به منظور شناسایی خرابی در سازه ها استفاده نمودند .[1]
ونگ و همکاران در سال 2001 به منظور شناسایی دقیق تر خرابی در سازه ها از ترکیب معیارهای استاتیکی و دینامیکی استفاده کردند .[2] سیدپور و همکاران در سال 2012 از روش دو مرحله انرژی کرنشی مودال و الگوریتم اجتماع ذرات برای عیب یابی یک قاب فولادی استفاده کردند .[3] ماشین بردار پشتیبان - SVM1 - یکی از روشهای یادگیری ماشینی بر مبنای تئوریهای آماری است که در سال 1995 توسط واپنیک معرفی گردید .[4]
این الگوریتم در مقایسه با شبکه عصبی به تعداد داده های آموزشی کمتری برای یادگیری فرآیند نیازمند است بعلاوه توانایی بهتری در پیدا کردن جواب بهینه کلی سیستم دارد .[5] از این الگوریتم در چند سال گذشته برای کلاسه بندی و تخمین توابع در مسائل مهندسی زیادی استفاده شده است؛ بطور مثال فاروق و همکاران به مقایسه ماشین بردار پشتیبان و شبکه عصبی در عیب یابی یک ورق کامپوزیتی پرداختند و نتیجه گرفتند که جوابهای SVM در این زمینه بهتر است .[6] شرما از SVM برای عیب یابی مدل یک قاب 3 طبقه فولادی استفاده کرد و نتیجه گرفت این الگوریتم نسبت به نویز نیز مقاوم است .[7]
یکی از مشکلات استفاده از الگوریتم های هوش مصنوعی مانند ماشین بردار پشتیبان و یا شبکه عصبی در زمینه عیب یابی زیاد بودن تعداد سناریوهای خرابی برای یک سازه و متعاقبا بزرگ شدن ماتریس آموزشی این الگوریتم ها می باشد .[8] برای رفع این مشکل در این تحقیق از یک روش دو مرحله ای برای فرآیند عیب یابی استفاده شده است. بدین صورت که در مرحله اول برای کاهش تعداد داده های آموزشی، المان های محتمل خرابی با استفاده ار شاخص انرژی کرنشی مودال شناسایی می گردد و در مرحله دوم فقط از المان های مشخص شده در مرحله قبل برای آموزش الگوریتم ماشین بردار پشتیبان حداقل مربعات استفاده می شود.
- 3 ماشین بردار پشتیبان - SVM -
ماشین بردار پشتیبان در سال 1995 توسط Vapnik بر پایه تئوری یادگیری آماری بیان شده است .[4] این روش یکی از روشهای یادگیری با ناظر است که از آن برای طبقه بندی و رگرسیون و همچنین در سالهای اخیر در طبقه بندی تک کلاسه استفاده می شود. ایده اصلی ماشین بردار پشتیبان ساخت فوق صفحهای به عنوان سطح تصمیم گیری می باشد به طوری که حاشیه جداسازی بین دو کلاس داده های مثبت و منفی را حداکثر سازد. به طور دقیقتر، ماشین بردار پشتیبان جداکننده ای است که ریسک جداسازی را با به حداکثر رساندن حاشیه بین دو کلاس داده به حداقل می رساند .[5]
