بررسی اثر مکان لرزاننده در عملکرد شاخص‌های حساس به خرابی

پذیرفته شده برای ارائه شفاهی ، صفحه 1-11 (11) XML اصل مقاله (2.72 MB)
کد مقاله : 1030-ISAV2023 (R1)
نویسندگان
دانشگاه تهران، دانشکدگان فنی مهندسی، دانشکده عمران
چکیده
در این تحقیق به بررسی تاثیر محل ورود بار در شاخصه‌های حساس به خرابی سازه پرداخته شده‌است. بررسی گمراه کنندگی محل ورود بار با مقایسه خرابی گره‌های مختلف انجام شده‌است. همچنین نشان داده می‌شود که مکان یابی محل ورود بار به سازه در حالاتی خاص، ممکن است. این پژوهش بر روی مجموعه داده‌های سازۀ استادیوم قطر انجام شده است. شاخصه‌های حساس به خرابی شامل شاخصه‌های آماری و دینامیکی و … روی این داده‌ها برای حالات مختلف محاسبه می‌شود و مقایسه‌ای برای پیدا کردن محل لرزاننده بین نقاط مختلف انجام شده‌است. نتایج نشان می‌دهد که وجود لرزاننده در زیر گره هشت باعث به وجود آمدن تفاوت‌هایی شده‌است که در بعضی شاخصه‌های حساس به خرابی خود را نشان می‌دهند؛ به شکلی که در مواقعی باعث گمراه شدن تفسیر کننده در شناسایی آسیب می‌شوند. همچنین در بعضی شاخصه‌ها این تفاوت کمتر دیده می‌شود و وجود لرزاننده تاثیر گمراه کننده‌ای ایجاد نمی‌کند؛ این بدین معنا نیست که این تفاوت دیده نمی‌شود. به عبارت دیگر، با دانش به حضور لرزاننده، می‌توان از تفسیرهای اشتباه جلوگیری کرد.
کلیدواژه ها
موضوعات
 
Title
.
Authors
مراجع

1. Farrar CR, Worden K. Machine Learning and Statistical Pattern Recognition. Structural Health Monitoring. 2012.
295–320 p.
2. Anton SR, Inman DJ, Park G. Reference-Free Damage Detection Using Instantaneous Baseline Measurements.
AIAA J . 2009 Aug;47(8):1952–64. Available from: https://arc.aiaa.org/doi/10.2514/1.43252
3. Abdeljaber O, Younis A, Avci O, Catbas N, Gul M, Celik O, et al. Dynamic Testing of a Laboratory Stadium
Structure. In: Geotechnical and Structural Engineering Congress 2016 . Reston, VA: American Society of Civil
Engineers; 2016. p. 1719–28. Available from: http://ascelibrary.org/doi/10.1061/9780784479742.147
4. Damage Scenarios | Structural Dynamics Team [Internet]. [cited 2023 Sep 11]. Available from:
http://www.structuralvibration.com/benchmark/damage/
5. Goh LD, Bakhary N, Rahman AA, Ahmad BH. Prediction of unmeasured mode shape using artificial neural
network for damage detection. J Teknol (Sciences Eng . 2013 Feb 15;61(1):57–66. Available from:
https://journals.utm.my/index.php/jurnalteknologi/article/view/1624
6. Isermann R. Fault diagnosis of machines via parameter estimation and knowledge processing-Tutorial paper.
Automatica . 1993 Jul;29(4):815–35. Available from:
https://linkinghub.elsevier.com/retrieve/pii/000510989390088B
7. Abdeljaber O, Avci O, Kiranyaz S, Gabbouj M, Inman DJ. Real-time vibration-based structural damage detection
using one-dimensional convolutional neural networks. J Sound Vib. 2017;388:154–70.
8. Truong TT, Lee J, Nguyen-Thoi T. An effective framework for real-time structural damage detection using onedimensional convolutional gated recurrent unit neural network and high performance computing. Ocean Eng .
2022 Jun;253:111202. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0029801822006035
9. Sony S, Gamage S, Sadhu A, Samarabandu J. Vibration-based multiclass damage detection and localization using

long short-term memory networks. Structures . 2022 Jan;35:436–51. Available from:
https://linkinghub.elsevier.com/retrieve/pii/S2352012421010493
10. Rastin Z, Ghodrati Amiri G, Darvishan E. Generative Adversarial Network for Damage Identification in Civil
Structures. Rainieri C, editor. Shock Vib . 2021 Sep 3;2021:1–12. Available from:

https://www.hindawi.com/journals/sv/2021/3987835/