عيب‌يابي سازه‌ها با استفاده از شاخص تابع پاسخ فركانسي و مدل جايگزين مبتني بر الگوريتم ماشين يادگيري حداكثر بهينه شده

Structural Damage Detection using Frequency Response Function Index and Surrogate Model Based on Optimized Extreme Learning Machine Algorithm

امروزه استفاده از مدل‌هاي جايگزين مبتني بر الگوريتم‌هاي هوش مصنوعي در زمينه عيب‌يابي سازه‌ها مورد توجه بسياري از محققين قرار گرفته است. در اين تحقيق، جهت افزيش دقت الگوريتم تشخيص عيوب چندگانه در سيستم‌هاي سازه‌اي، كرنل جديدي مبتني بر موجك ليتلود پالي براي الگويتم هوش مصنوعي ماشين يادگيري حداكثر، توسعه داده مي‌شود. به‌منظور كاهش حجم محاسبات به‌روزرساني مدل سازه از ماشين يادگيري حداكثر به‌عنوان مدل جايگزين براي تحليل اجزاي محدود دقيق سازه استفاده مي‌شود. در روش دو مرحله‌اي پيشنهادي در مرحله اول با استفاده از شاخص مبتني بر تابع پاسخ فركانسي سازه، المان‌هاي معيوب مشخص مي‌شود و در مرحله دوم شدت خرابي در اين اعضا با استفاده از مدل جايگزين مبتني بر ماشين يادگيري حداكثر تعيين مي‌شود. براي مقايسه كارايي سيستم مبتني بر ماشين يادگيري حداكثر، نتايج حاصل از كرنل پيشنهادي با ساير كرنل‌هاي پيشنهاد شده براي ماشين يادگيري حداكثر و همچنين الگوريتم ماشين بردار پشتيبان حداقل مربعات، مقايسه شده است. مثال‌هاي عددي حل‌شده بيانگر افزايش قابل توجه دقت الگوريتم ماشين يادگيري حداكثر در فرايند عيب‌يابي سازه‌ها در صورت استفاده از كرنل موجكي ليتلود پالي است.

Utilizing surrogate models based on artificial intelligence methods for detecting structural damages has attracted the attention of many researchers in recent decades. In this study, a new kernel based on Littlewood-Paley Wavelet (LPW) is proposed for Extreme Learning Machine (ELM) algorithm to improve the accuracy of detecting multiple damages in structural systems. ELM is used as metamodel (surrogate model) of exact finite element analysis of structures in order to efficiently reduce the computational cost through updating process. In the proposed two-step method, first a damage index, based on Frequency Response Function (FRF) of the structure, is used to identify the location of damages. In the second step, the severity of damages in identified elements is detected using ELM. In order to evaluate the efficacy of ELM, the results obtained from the proposed kernel were compared with other kernels proposed for ELM as well as Least Square Support Vector Machine algorithm. The solved numerical problems indicated that ELM algorithm accuracy in detecting structural damages is increased drastically in case of using LPW kernel.