پايش سلامت پل ها با استفاده از داده‌هاي موجود بر مبناي يادگيري عميق

Health Monitoring of Bridges by Using the Available Data Based on Deep Learning

بروز آسيب‌هاي ناشي از بارگذاري‌هاي ناگهاني يا آسيب‌هايي در طول عمر سازه ممكن است باعث ايجاد تغييرات نامطلوبي در عملكرد آن ‌شود لذا در سال‌هاي اخير نياز به روش‌هايي جهت شناسايي آسيب درآن‌ها بيش از پيش احساس مي‌شود. ازاين‌رو دست‌يابي به روش‌هايي جهت شناسايي رخداد و يافتن محل آسيب يكي از موضوعاتي است كه همواره در مهندسي عمران، مكانيك و هوافضا مطرح بوده است. ايده اصلي در اكثر اين روش‌ها استفاده از پاسخ‌هايي است كه سازه بر اساس پيش‌فرض‌هاي موجود به عوامل بيروني مي‌دهد، در اغلب اين مطالعات سازه به‌عنوان‌ يك سيستم ‌ديناميكي با جرم، سختي و ميرايي يكتا در نظر گرفته مي‌شود. و در صورت آسيب ‌اين پارامترها با تغيير مواجه مي‌شوند و اين تغييرات خود را در پاسخ‌هاي سازه نشان مي‌دهد. اين پاسخ‌ها به‌صورت سيگنال‌هاي زماني، حاوي خصوصيات ديناميكي سازه است كه با تحليل سيگنال استخراج مي شوند و در تشخيص آسيب از آن‌ها بهره گرفته مي شود. پيشرفت روزافزون علم يادگيري ماشين نه تنها شرايط را براي پيشرفت علوم مهندسي مهيا كرده است بلكه اين پيشرفت به گونه‌اي بوده است كه امروزه اين كامپيوترها هستند كه اغلب محاسبات مهم را بر عهده خواهند داشت، يكي از روش‌هايي كه امروزه بسيار موردتوجه قرارگرفته است استفاده از شبكه‌هاي عصبي كانولوشن به‌منظور تشخيص خصوصيات ذكر شده در سيگنال‌هاي سازه است. در اين مقاله سعي شده است تا شبكه‌ي كانولوشن‌ يك‌بعدي جهت تشخيص حالت سالم از ناسالم طراحي شود، علاوه بر آن اثر تابع نرمال‌ساز در فاز پيش‌پردازش داده و اثر دو تابع بهينه‌ساز گراديان كاهشي و آدام در فرآيند آموزش شبكه نيز موردبررسي قرار گرفته‌است. درنهايت مي‌توان بيان كرد كه نتايج حاكي از عملكرد رضايت بخش، دقيق و سريع روش شبكه عصبي عميق كانولوشن يك‌بعدي در تشخيص حالت سالم از ناسالم است.

Damage caused by sudden and specific loads such as earthquakes causes undesirable changes in structural performance. Therefore, in recent years need for methods to identify damage in structures feel more than ever. Therefore, finding ways to identify damages and their location is one of the issues that has always been discussed in civil, mechanical, and aerospace engineering. The main idea in most of these methods is to use the responses that the structure gives to external factors based on the assumptions available, in most of these studies structures are considered as a dynamic system with unique mass, stiffness, and damping which in the case of structural damage, these parameters change and reflect changes in the structural responses. This response is often in the form of time signals containing structural properties that can be extracted and used to detect potential damage by examining them. The increasing advancement of machine learning science has not only provided the conditions for the improvement of engineering sciences but it has been such that today it is the computers that often do the most important calculations, One of the most widely used methods today is deep convolutional neural networks to detect the properties mentioned in structural signals. This thesis attempts to design a one-dimensional convoluted network to detect a healthy state from unhealthy in which we investigate the effect of the normalizer function on the pre-processing phase is attempted and the effect of Stochastic decreasing gradient and Adam (two optimization functions) on the network learning process is also investigated. To evaluate the capability of the proposed method, data from the Yong cable bridge in China were used. Finally, it can be concluded that the results show satisfactory, accurate, and fast one-dimensional deep neural network (convolution) performance in the diagnosis of an unhealthy state.