پيش بيني موقعيت و ميزان خرابي سازه با استفاده از فركانس و شكل مودي و شبكه عصبي پرسپترون چند لايه

Structural damage detection based on frequency and mode shape using ANN

در اين مقاله يك روش تشخيص خرابي در سازه هاي فولادي با استفاده از شبكه عصبي پرسپترون چند لايه ارائه گرديده است. جهت آموزش شبكه، اطلاعات مودال سازه شامل فركانس و شكل مدي به عنوان ورودي و وضعيت خرابي متناظر به عنوان خروجي مورد استفاده قرار گرفته است. براي نشان دادن كارايي روش پيشنهادي از يك مثال عددي شامل تير يك سر گيردار و يك سر ساده و با در نظر گرفتن سه سناريوي مختلف خرابي استفاده شده است. در بخش ديگري از تحقيق حاضر اقدام به بررسي كارايي روش پيشنهادي با استفاده از داده هاي ورودي فركانس يا شكل مدي به صورت جداگانه گرديده است. نتايج بدست آمده نشانگر كارامدي روش پيشنهادي جهت تشخيص خرابي در سازه ها با استفاده از كمترين تعداد مودهاي اوليه سازه ميباشد.

In this paper, a method of fault detection in steel structures using MLP neural network is presented. For network training, information includes frequency and the modal structure as input mode and the corresponding failure status is used as output. To demonstrate the effectiveness of the proposed method of a simple numerical example includes a cantilever beam and a head and a failure to consider three different scenarios were used. In another part of this study was to evaluate the efficiency of the proposed method using the frequency or the MADI input data is sent individually. The results show the effectiveness of the proposed method for fault detection in structures using the least number of modes is the primary structures.