معرفي و مقايسه چند تابع تحريك جديد در الگوريتم هاي ماشين يادگيري براي استفاده در عيب يابي سازه ها

يكي از روش هاي عيب يابي در سازه ها استفاده از الگوريتم هاي پيشرفته مبتني بر هوش مصنوعي ميباشد و يكي از ساده ترين و كارآمدترين انواع آن شبكه هاي عصبي مصنوعي است كه عمليات اصلي در اين الگوريتم ها با ايده از شبكه هاي عصبي شكل گرفته است كه مشتمل بر جمع ورودي هاي وزن دار شده، و اعمال تابع تحريك(تابع انتقال) به اين مجموعه، براي تعيين خروجي شبكه است. براي نرون هاي ورودي، اين تابع واحد بوده و خروجي نرون برابر با ورودي آن است اما براي لايه هاي ديگر(در صورت وجود) نياز به توابع تحريك خطي يا غير خطي براي استفاده از الگوريتم است. يكي از مشكلات هميشگي استفاده از اين الگوريتم ها انتخاب نوع تابع تحريك در هر لايه است. در اين تحقيق از يكي از الگوريتم هاي پايه اي هوش مصنوعي به نام Extreme Learning Machine (ELM) يا الگوريتم ماشين يادگيري استفاده شده است كه قابليت شناسايي محل و شدت آسيب در اعضاي سازه را دارا ميباشد و الگوريتمي مبتني بر تابع تحريك است. ورودي اين الگوريتم تغييرات فركانس طبيعي ناشي از كاهش سختي اعضا به منظور مدل سازي خرابي در سازه ميباشد. تاثير انواع توابع تحريك در يك مثال عيب يابي و با استفاده از دو خطاي RMSE و MAE مورد بررسي قرار گرفته است. در نهايت در اين مثال با توجه به معيار خطا، توابع Bent Identity و Hard-limit از عملكرد بهتري نسبت به توابع ديگر برخوردار بوده اند.