بخشی از مقاله
چکیده
حضور ترک در یک سازه، اگر برای مدت زمان طولانی کشف نشود به شکست سیستم منجر میشود و ممکن است موجب از دست دادن زندگی و از دست دادن منابع شود. استفاده از پاسخ دینامیکی عضو یکی از روشهایی است که بهطور گستردهای برای تشخیص ترک در سامانههای مهندسی مختلف مورداستفاده قرار میگیرد. مقاله حاضر به شناسایی ترک های متعدد در دالهای بتنی پیشتنیده با کمک تغییر در پارامترهای مودال میپردازد.
برای این هدف، آزمایش مودال روی یک نمونه دال بتنی پیشتنیده بدون خسارت انجام شده است. داده های مودال دریافتی از این آزمایش به عنوان مرجع برای الگوی اجزای محدود دال در نظر گرفته شدهاند. پس از راستی آزمایی الگوی اجزای محدود، سناریوهای خسارتهای ساختگی برای پیدا کردن شاخص مناسب برای شناسایی خسارتها مورد تحلیل و بررسی قرارگرفتهاند.
این شاخص بر اساس بسامد طبیعی، شکل مود، انرژی کرنشی و سیستم استنتاج تطبیقی فازی عصبی - ANFIS - به دست آمده است. مقایسه و بررسی روشهای مورد بحث و بررسی انواع ورودیها و آموزش برای روش ANFIS، نشان میدهد در سیستم پیشنهادی ANFIS نوع آموزش و ورودیهای دادهشده به آن تأثیر زیادی در تشخیص دارد و این روش دقت بالاتری نسبت به روشهای کلاسیک داشته و در صورت آموزش مناسب و پایگاه دادهای کافی میتواند مکان و شدت آسیب را به درستی تعیین کند. در مواردی که پایگاه داده کافی نباشد، ترکیب این روش با شاخصهایی مانند انرژی کرنشی مودال، این مشکل را رفع و روند آموزش و تشخیص را تسریع میکند.
-1 مقدمه
اندیشه اولیه روش عیبیابی سازه بر اساس خواص ارتعاشی آن، بر مبنای این اصل کلی است که خواص ارتعاشی سازه مانند فرکانس و شکلهای مودی تابع ویژگی های فیزیکی آن ازجمله جرم و سختی است. بنابراین، تغییر در خواص فیزیکی سازه میتواند تغییرات زیادی را در ویژگی های ارتعاشی آن پدید آورد. بهاین ترتیب میتوان با اندازهگیری و ملاحظه تغییرات خواص ارتعاشی سازه به بروز تغییرات در خواص فیزیکی آن پی برد. این مبنا به آسانی قابلدرک است و در ظاهر ساده به نظر میرسد. ولی در عمل، پژوهشگران را با دشواریهای زیادی روبرو می سازد.
بیشترین مشکلات بر این نکته استوار است که در بیشتر موردها آسیبدیدگی سازه یک حادثه موضعی است و تأثیر زیادی بر کاهش پاسخ کلی سازه ندارد. بنابراین، لازم است که پاسخهای ارتعاشی مودهای بالاتر سازه مورد بررسی قرار گیرد. ازاینرو سازه باید در مودهای بالاتر آن مرتعش شود که این کار، انرژی و هزینه زیادی را صرف میکند. افزون بر این، نداشتن دسترسی به تجهیزات و روشهای اندازهگیری پاسخهای ارتعاشی سازه با دقت مناسب، در شرایط مختلف محیطی و کاری پژوهشگران را با دشواریهای زیادی روبرو ساخته است.
ولی امروزه افزایش قدرت و سرعت محاسبات کامپیوتری و کم هزینه شدن آنها، پیشرفت در روشهای اجزاء محدود و روشهای تحریک و دریافت داده های دینامیکی، سبب توسعه روش عیبیابی سازه بر اساس ویژگی های ارتعاشی آن شده اند. این توسعه به تغییر رویکرد در محاسبه شاخصهای خسارت انجامیده است و روشهای سنتی مانند کرنش و کارمایه مودال جای خود را به روشهای نوین مانند شبکههای عصبی برای تشخیص خسارت دادهاند.
استفاده از روشهای هوش مصنوعی که طبق روشهای تصمیمگیری منطق انسانی شبیه سازیشدهاند، یکی از روشهای پرکاربرد برای حل مسائل پیچیده و بهویژه غیرخطی است. سازه در صورت وجود خسارت رفتار غیرخطی پیداکرده و روشها و شاخصهای دقیقتری را برای شناسایی رفتار آن میطلبد. یکی از روشهای پرکاربرد هوش مصنوعی ANFIS است. در این مقاله، یکی از روشهای تحلیل سنتی و نوین دادههای مودال بر پایه هوش مصنوعی ANFIS برای دادههای مودال یک دال بتنی پیشتنیده بهکاربرده شده و نتیجه تحلیل دادهها با یکدیگر موردبررسی و مقایسه قرارگرفتهاند.
-2-2 سیستم استنتاج فازی-عصبی تطبیقی 1 - ANFIS -
مجموعه فازی، مجموعه ای بدون مرز و یا بدون ویژگیهای عضویت باینری است. برخلاف مجموعه های معمولی که در آن شیء به مجموعهای تعلق ندارد، عضویت جزئی در یک مجموعه فازی امکان پذیر است. به عبارت دیگر، یکنَرمی در ارتباط با عضویت در عناصر در یک مجموعه فازی وجود دارد .[2] مجموعه فازی ممکن است توسط یک تابع عضویت ارائه شود. این تابع، درجه عضویت در درون مجموعه ای را میدهد. تابع عضویت عناصر کلی را با مقادیر عددی در بازه 0]، [1 نشان میدهد. توابع عضویت اغلب در تئوری کنترل بهصورت مثلثی، ذوزنقهای، گاوسی، زنگ مانند، سیگموندی استفاده میشود.[3]
سیستم فازی و شبکه های عصبی مکمل هستند. مهم ترین دلیل برای ترکیب سامانه های فازی با شبکههای عصبی، استفاده از قابلیت یادگیری شبکه های عصبی است. درحالیکه قابلیت یادگیری یک مزیت ازنظر یک سیستم فازی باشد، ازنظر یک شبکه عصبی مزایای اضافی برای یک سیستم ترکیبی وجود دارد. زیرا با یک سیستم فازی-عصبی بر اساس قواعد زبانی، بهراحتی میتوان دانش قبلی را با سیستم تلفیق کرد و این امر میتواند فرایند یادگیری را به طور فراوانی کوتاه سازد.
یکی از سامانه های یکپارچه محبوب ANFIS است که ادغام یک سیستم استنتاج فازی با یک الگوریتم پس انتشار است [4] و . [5] دو نوع سیستم استنتاج فازی وجود دارد که میتواند اجرا شود: نوع ممدانی و نوع سوگنو. ازآنجاکه سیستم سوگنو جمعوجور تر و محاسباتیتر است نسبت به سیستم ممدانی کارآمدتر است، این سیستم با استفاده از فنهای تطبیقی برای ساخت مدلهای فازی به وجود میآید. این فن تطبیقی میتواند برای سفارشی کردن توابع عضویت به طوریکه سیستم فازی بهترین مدل دادهها را ایجاد کند، استفاده شود.
سیستم استنتاج فازی بر اساس فن های یادگیری عصبی تطبیقی، سیستم استنتاج فازی-عصبی تطبیقی نامیده میشود.[6] به منظور تثبیت و تکامل FIS به طوریکه بتواند به صورت مناسب در حالت پیش بینیشده کار کند، ساختار و پارامترهای اولیه - خطی و غیرخطی - نیاز به تنظیم یا اقتباس از طریق فرایند یادگیری با استفاده از یک الگوی ورودی-خروجی کافی از داده ها دارد. یکی از سامانه های یادگیری برای تطبیق خطی و غیرخطی پارامترهای یک FIS، به ویژه از مرتبه اول مدل فازی سوگنو، ANFIS است. ANFIS یک کلاس از شبکه های تطبیقی است که عملکرد معادل با سیستم استنتاج فازی دارد.
-2-2-3 معماری و الگوریتم
همان طور که در شکل نشان داده شده است. هر یک از سامانه های فازی، سه قسمت اصلی شامل فازی، استنباطی و غیر فازی سازی دارد. با توجه به این موضوع، یک سیستم استنتاج فازی از پنج بلوک عملکردی به شرح زیر تشکیلشده است.[7]
-1 پارامترهای ورودی به تابع عضویت ورودی.
-2 تابع عضویت ورودی به قوانین
-3قوانین به مجموعهای از ویژگیهای خروجی
-4 ویژگیهای خروجی به توابع عضویت خروجی
-5تابع عضویت خروجی به یک خروجی تک مقداری و یا یک تصمیم در ارتباط با خروجی. ممدانی و سوگنو دو نوع مختلف از استنتاج مورد استفاده در سامانههای منطق فازی است. روش سوگنو با روشهای بهینهسازی به خوبی کار میکند و برای تجزیه و تحلیل ریاضی مناسب است. همچنین این روش با فن های خطی به خوبی کار میکند.[8] با توجه به مزایای فوق، برای ANFIS توضیح مختصری از روش سوگنو ترجیح دادهشده است. فرض کنید که سیستم استنتاج فازی دارای دو ورودی x و y و یک خروجی Z است. مدل فازی سوگنو دارای دو قانون اگر-سپس فازی است.
