تشخيص ترك در تير تيموشنكو با استفاده از داده هاي فركانس و تابع پاسخ فركانسي

Crack Detection of Timoshenko Beam Using Frequency and Frequency Response Function

در اين تحقيق روش نويني جهت تشخيص محل و عمق ترك در تير تيموشينكو با استفاده از تابع پاسخ فركانسي و فركانس ارائه شده است. تابع پاسخ فركانسي و فركانس سه مود اول به عنوان ورودي ماشين يادگيري كرانه اي بكار رفته است. اين در حاليست كه محل و عمق ترك در المانهاي مختلف سازه اي تير به عنوان خروجي براي آموزش ماشين بكار ميرود. براي نمايش كارايي روش ارائه شده، از تير كنسولي و تير دو سر مفصل با سه سناريوي مختلف شامل يك ترك و چند ترك در تير استفاده شده است. همچنين براي اعتبار سنجي مدلسازي صورت گرفته، فركانسهاي تير كنسولي با مقادير ارائه شده در منابع ديگر مقايسه گرديده است. در بخش ديگري از مطالعه انجام شده، اثر وجود سطوح مختلف نوفه در داده‌هاي ورودي مورد بررسي قرار گرفته است. نتايج بدست آمده بيانگر كارايي روش ارائه شده در تشخيص محل و ميزان ترك در سازه‌هاي تيري است. همچنين روش پيشنهادي عملكرد مناسبي در حالت وجود نوفه در داده‌هاي فركانس و تابع پاسخ فركانسي به عنوان ورودي هاي ماشين دارد.

This paper presents a novel approach to detect and estimate cracks in Timoshenko Beams using frequencies and frequency response functions and extreme learning machine. For this purpose, the extreme learning machine used the three first natural frequencies and frequency response functions of beam structure as input which may be noisy or noise free and crack states in beam as output. This data is acquired by the analysis of cracked beams applying the finite element method. To demonstrate the potential of the proposed vibration analysis over existing ones, a validation study has been done. The performance of the presented method has been verified through two numerical examples, namely, a cantilever beam and simply supported beam containing single or multi cracks. Results indicate that the proposed method works well in prediction and estimation of crack and obtained results are accurate. Also, the results show that the presented method is sensitive to the location and severity of crack in spite of the noisy modal data.