عيب يابي سازه ها با استفاده از روش ماشين يادگيري و با در نظر گرفتن قابليت اطمينان

Damage detection of structures using the learning machine method and considering reliability

تشخيص خرابي هاي موضعي در سازه ها و به دنبال آن برطرف كردن اين عيب ها در طول عمر مفيد آن ها موثر است. از آنجايي كه وجود عدم قطعيت هايي همچون خطا هاي مدل كردن و خطا هاي اندازه گيري در عيب يابي سازه ها اجتناب ناپذيرند استفاده از روش هايي بر پايه ي احتمالات در اين زمينه كاربرد گسترده ايي پيدا كرده است. وجود خرابي هاي موضعي باعث تغيير در پاسخ هاي استاتيكي و ديناميكي سازه مي شود. در اين تحقيق، مدول الاستيسيته به عنوان عدم قطعيت سازه و خرابي به صورت كاهش مدول الاستيسيته در نظر گرفته شده است و جهت تعيين شدت و محل آسيب از پاسخ اشكال مودي سازۀ سالم و آسيب ديده و الگورتيم ماشين يادگيري مبتني بر تابع كرنل استفاده شده است. به منظور بهبود عملكرد، يك تابع كرنل مركب از توابع كرنل گوسي وسيگموئيد پيشنهاد شده است. همچنين به منظور كاهش خطا در انتخاب پارامتر هاي توابع كرنل، از يك الگوتيم بهينه سازي جستجوي فاخته استفاده شده است. جهت تعيين احتمال شدت خرابي به تركيب اين الگورتيم با تحليل قابليت اطمينان پرداخته شده است. براي تعيين شاخص قابليت اطمينان از شبيه سازي مونت كارلو استفاده شده است. در نهايت كارايي روش هاي پيشنهادي در يك خرپاي 25 عضوي دو بعدي بررسي شده است كه نتايج حاصل نشان دهندۀ عملكرد مطلوب روش هاي فوق است.