تشخيص خودكار آسيب با استفاده يك الگوريتم هوش مصنوعي براي پايش سلامت سازه اي

در اين پژوهش، با توجه به اين موضوع كه يك آسيب سازهاي ميتواند منجر به تغيير در پاسخهاي ديناميكي سازه شود، الگوريتمي طراحي شده است كه ميتواند مستقيماً از طريق پاسخهاي ارتعاش سازه، آسيب را به صورت خودكار تشخيص دهد. اين الگوريتم از يك شبكه عصبي عميق بدون نظارت به نام خودرمزنگار مبتني بر حافظه طولاني كوتاه مدت - ( LSTM-AE ( و ماشين بردار پشتيبان يك كلاسه ) OC-SVM ( تشكيل شده است كه در فرآيند شناسايي آسيب، ابتدا توسط سيگنالهاي شتاب شرايط سالم سازه آموزش داده ميشود، سپس الگوريتم آموزش ديده ميتواند براي بازرسي از سازه در شرايط مختلف اعمال شود و به صورت مستمر وضعيت سازه را پايش كند. به منظور ارزيابي و صحتسنجي، الگوريتم پيشنهادي بر روي دو سيگنال مصنوعي كه شبيهساز حالت سالم و آسيب ديده سازه هستند مورد آزمايش قرار گرفت. نتايج بدست آمده نشان دادند كه الگوريتم پيشنهادي قادر است تا با دقت 98.7 درصد آسيب را تشخيص دهد.