تشخیص مکان خرابی سازه قاب دو بعدی به کمک الگوریتم پرسپترون چند لایه MLP

اخیرا، روشهای مبتنی بر ارتعاش، که توسط پردازش سیگنال پاسخ دینامیکی و تکنیکهای محاسباتی نرم افزار یست مورد استقبال فراوانی قرار گرفته است. در این مقاله از الگوریتمهای یادگیری ماشین (ML) به منظور شناسایی مکان و میزان خرابی در پایش سلامت سازه (SHM) استفاده شده است. هدف این مطالعه شناسایی آسیب با مکانیابی دقیق سازه و تشخیص میزان خرابی سازه است. روش ( SHM) که در اینجا مورد بحث قرار گرفته است، بر اساس مجموعه یادگیری ماشین و الگوریتم پرسپترون چند لایه است و با پاسخهای مبتنی بر ارتعاش سازه به دست آمده از تجزیه و تحلیل خواص دینامیکی سازه، یعنی اشکال مودی و فرکانسهای طبیعی، مکان و میزان خرابی را تشخیص میدهد. بدین منظور یک سازه قاب دو بعدی که با استفاده از شبیه سازی های عددی و تحلیل اجزا محدود بصورت دقیق مدلسازی شده استفاده شده و داده های پاسخ دینامیکی سازه که طیف گسترده ای از آسیب روی آن مدلسازی و نتایج ارتعاش سازه استخراج شده است. سناریوهای مختلف آسیب و شدت و میزانهای مختلف خرابی و وجود سطوح نویز تصادفی مرتبط با خواص دینامیکی روی سازه مورد نظر بررسی شده است. همچنین در این مقاله تاثیر داده های ناقص و تنها استفاده از تعدادی کمی از داده های درجات آزادی انتقالی نیز مورد بررسی قرار گرفته است. از الگوریتم دسته بنده پرسپترون چند لایه MLP برای شناسایی مکان آسیب استفاده شد. الگوریتم مورد نظر با دقت مناسبی مکان و میزان خرابی را در سازه قاب دو بعدی مورد نظر پیشبینی کرد.