15000 تومان
افزودن به سبد خرید
0 فروش 150 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (17 صفحه)
تاریخ انتشار: 18 دسامبر 2018
دسته بندی: ,

تبلیغات

ردیابی خسارت ساختمانی دو مرحله ای با استفاده از شبکه ی عصبی فازی و تکنیک های مرکب داده ها

چکیده

در این مقاله یک رویکرد ردیابی جدید خسارت ساختمانی دو مرحله ای با استفاده از شبکه ی عصبی نا معلوم (FNNs) و تکنیک ترکیب داده ها پیشنهاد شده است.این متد برای کنترل ساختمان های سالم و ردیابی خسارت بخصوص برای مواردی که اندازه های داده ها زیاد و نامعلوم است , می باشد.

درمرحله ی اول ردیابی خسارت ساختاری , پارامتر های ظاهری ساختمانی از واکنش های لرزش ساختانی که در FNN به عنوان یک ورودی تغذیه می شوند, گرفته شده.میزان خروجی FNN جهت ایجاد ارزیابی خسارت ساختمان ناهموار  تقلیل می یابد.سپس در مرحله ی دوم میزان خروجی سه مدل FNN مختلف به طور مستقیم یک ورودی به مرکز داده های نامعلوم در زمانی که کامپیوتر فیوژن اجرا می شود , می باشد.تصمیم نهایی فیوژن از طریق فیلتر شدن نتایج با یک چارچوب عملکردی گرفته می شود.رویکرد پیشنهاد شده برای ۷ مرحله از مدل ساختارهای آزاد برای ردیابی خسارت ساختاری کاربرد دارد و قابلیت اجرا –تاثیر و رضایت آن ثابت شده است.بنابراین نتایج مشابه نشان میدهد که شناسایی صحیح می تواند با رویکرد پیشنهاد شده به جای مدل FNN استفاده شود.

مهم نیست که ساختمان ها چطور طراحی شده اند و چگونه به نظر می رسند, در طول زمان تحت موقعیت پایدار در هوای ناملایم و یا استفاده ی نادرست و بار اضافه دچار شرایط نا مساعد تر می شود.بنابراین حتی ممکن است آنها به طور اتفاقی فاجعات محیطی غیر قابل پیش بینی را متحمل شوند.در نتیجه تکنیک های جدید بیشتر و بیشتر برای ردیابی خسارت ساختمانی انتخاب و در ساختمان های موجود بخصوص ساختمان هایی با مقیاس بزرگ به کار گرفته می شود.متد های آزمایشی بزرگ و غیر مخرب مخصوصا برای کنترل ساختمان های سالم گسترش می یابند.(دوبلینگ و فارر ۱۹۹۹-سوهان و همکارانش ۲۰۰۳ –وردن و دلی و بارتون ۲۰۰۴).همانطور که اجرای موفقیت آمیز و عملیات کنترل ساختمان های سالم با مقیاس بزرگ گزارش می شود, این یک موضوع قطعی و یک کار مهم برای چگونگی استفاده ی کامل از اندازه ی توسعه یافته ی داده هاست و اغلب برای موارد بزرگ و نامعلو که ناشی از اندازه گیری اختلالات یا تغییرات محیط مثل تغییر اب و هوا –موقعیت رطوبت و یا بار که مانع ردیابی خسارت به طور معتبر و صحیح می باشد , است.(فارر-دوبلینگ –کرن وال و استراسر ۱۹۹۶).جهت بررسی اندازه گیری صحیح و موثرتر , رویکرد های قابل توجه ای استفاده شده اند .برای مثال همانطور که فازی ها در تحلیل ساختمانی با قرار دادن آنها در متغیر های اتفاقی واکنش نشان می دهند.گارزین و پاپادوپولون یک متد احتمالی ردیابی خسارت جهت کنترل و اندازه گیری اختلالات پیشنهاد کردند.(۱۹۹۸)هاو و اکسیا تاثیر فازی ها را هم در اندازه گیری عملی و هم در یک مدل عنصر محدود از ردیابی خسارت با استفاده از متد منحرف کردن بررسی کردند.(۲۰۰۳).اکسیا و همکارانش یک متد آماری جهت حل نادرستی خطاهای اندازه گیری و مدل سازی پبشنهاد کردند(اکسیا-هاو-برون جان و اکسیا ۲۰۰۲ ). علاوه بر تکنیک های قراردادی ذکر شده در بالا , تکنیک های پروسه اطلاعات هوشمند بیشتر و بیشتر مثل شبکه ی عصبی (NN), منطق فازی (FL) و داده های فیوژن برای تشخیص نقص و ردیابی خسارت ساختمانی در سالهای اخیر به کار گرفته شده و بیشتر به دلیل توانایی ذاتی آنها در ااستخراج و یافتن اطلاعات هوشمند دقیق-معتبر و پایدار از داده های غیر دقیق –نا معتبر و ناپایدار می باشد (گائو ۲۰۰۴-پدریز ۱۹۷۷).تکنیک NN به تنهایی قادر به پیوند خود به خودی –سازمان دهی فردی –خود یادگیری و مدل های غیر خطی هستند و رفته رفته شروع به ردیابی خسارت ساختمانی می کند(باخاری –هاوو دیلوس-اکسواو وانی ۲۰۰۰-هون ۲۰۰۲ –وو –قابوس و گارت۱۹۹۹(

اما یک برگشت نشان می دهد که نتیجه ی تحلیلی معمولا در یک فرم رارئه داده نمی شود.یعنی غیر قابل تفسیر و غیر قابل درک می باشد.به عبارت دیگر تکنیک FL به دلیل ردیابی خسارت ساختمانی برجسته , توانایی پروسه ی داده های مبهم مشهور است و بنابراین به ور گسترده برای تشخیص نقص و ردیابی خسارت استفاده می شود(لیو-ما و متیو ۲۰۰۹-پاور –گانگولی۲۰۰۷-رودریگوز-نگریا و آرکیو۲۰۰۸-ساویر و رائو۲۰۰۰) تنها ضعف تکنیک FL- ناتوانی آن در خود آموزی است به عبارت دیگری نمی تواند خودش قوانین را استخراج کنند همانند آنچه NN انجام میدهد.

جهت نشان دادن فواید نقاط قوت FL و NNانجام می دهد.جهت نشان دادن فواید نقاط قوت FL وNN و تعدیل ضعف آنها , تکنیک شبکه عصبی فازی (FNN) گسترش و به کار گرفته می شود که عصاره ی ترکیب تکنیک های ذکر شده در بالا می باشد(آدلی و جیانگین ۲۰۰۶, اسوی و شن ۲۰۰۴). عملا از پروسه ی تکنیک های قابل توجه مثل تغییر موج – تحلیل گذشته – اول جهت استخراج ویژ گی ها استفاده می شود و پس مدل های FNN ساخته می شود تا خسارت یا نقص های ساختمان را ردیابی کند.نتیجه نشان می دهد که تکنیک FNN در ردیابی خسارت اغلب به درصد بالایی از درستی می رسد.

همانطور که اول در دهه ی ۱۹۷۰ معرفی شد, داده های مرکب به عنوان یک ابزار برای استخراج اطلاعات  از منابع مختلف و ترکیب آنها در یک مجموعه داده ی صحیح –معتبر و پایدار است.به دلیل پتانسیل آن در ردیابی خسارت ساختمان و تشخیص خرابی جهت افزایش اعتبار ردیابی با اندازه گیری نادرست داده ها به کار می رود(گائو۲۰۰۴-گروس ۲۰۰۱وهال ۱۹۹۲).لین و همکارانش یک رویکرد داده های فازی در سطح eigen برای تشخیص ماشینی خرابی ارائه داد(لیو و ما و متیو ۲۰۰۶).لیانگ و بوتروس یک متد با شاخص نامعلوم جهت ترکیب نشان های مختلف از منبع داده مشابه از یک سنسور جدا برای تشخیص ماشینی خرابی پیشنهاد کردند(بوتروس و لیانگ ۲۰۰). برخی از محققان جهت افزایش قدرت رویکرد ردیابی خسارت ساختمان به ترکیب شبکه عصبی و داده های مبهم متوسل شدند.(جیانگ –ژانگ و کوه ۲۰۰۶-لی-باو و آئو ۲۰۰۸).لی و همکارانش یک رویکرد معین ساختاری پیشنهاد کردند که ترکیبی از شبکه عصبی BP-شواهد D-S مبنی تئوری داده های نامعلوم و آنتروپی است (لی و همکارانش ۲۰۰۸). جیانت و همکارانش یک رویکرد داده های نامعلوم برای ردیابی خسارت ساختمانی ارائه دادن که در آن تغییر موج و تحلیل گذشته شبکه ی عصبی احتمالی و داده ی مرکب با هم ترکیب می شوند تا خسارت ساختمانی را ردیابی کنند(جیانگ و همکارانش ۲۰۰۶(

در این مقاله یک متد جدید ردیابی خسارت ساختمانی دو مرحله ای مبنی بر ترکیب FLL و داده های مبهم پیشنهاد شده است.این متد برای ردیابی خسارت و کنترل صحیح ساختمان استفاده می شود به خصوص برای مواردی که در آنها اندازه گیری داده ها بزرگ و نامعلوم است.هدف این مقاله مطالعه ای است که در آن مشخص می شود که تکنیک های شبکه ی عصبی فازی و داده های نامعلوم چگونه جهت ردیابی خسارت های ساختمانی با هم ترکیب می شوند.در مرحله ی اول ردیابی خسارت ساختمانی پارامتر های ساختمانی ناشی ازز وامنش های لرزش ساختمان در یک FNN به عنوان یک ورودی تغذیه می شود.میزان خروجی از FNN جهت ایجاد یک ارزیابی خسارت ساختمان ناهموار تقلیل می یابد.در مرحله ی دوم میزان خروجی از ۳ مدل FNN مختلف در مرکز داده های فازی (که محاسبات نامعلومی انجام می شود) به طور مستقیم به عنوان یک ورودی می باشد.مرحله ی اخر تصمیمات فازی از طریق فیلتر کردن نتایج با یک چارچوب عملکردی ساخته می شود.

این مقاله به شکل زیر طراحی می شود:پس از ارائه ی یک تئوری اصلی در شبکه ی عصبی مبهم, یک متد ردیابی خسارت دو مرحله ای با استفاده از داده ی فازی و تکنیک های شبکه ی عصبی نامعلوم ارائه می شود که بهترین نوع حشو و اطلاعات فازی در پروسه ی تصمیم گیری داده های فازی می باشد.در نتیجه ردیابی صحیح خشارت انجام می شود.سپس یک شبیه سازی عددی از یک مدل ساختمانی ۷ مرحله ای جهت آزمایش و معتبر سازی متد ارائه شده , به کار گرفته می شود.و سرانجام نتایج بیان می شود.

Two-stage structural damage detection using fuzzy neural networks and data fusion techniques

It is proposed in this paper a novel two-stage structural damage detection approach using fuzzy neural networks (FNNs) and data fusion techniques. The method is used for structural health monitoring and damage detection, particularly for cases where the measurement data is enormous and with uncertainties. In the first stage of structural damage detection, structural modal parameters derived from structural vibration responses are fed into an FNN as the input. The output values from the FNN are defuzzified to produce a rough structural damage assessment. Later, in the second stage, the values output from three different FNN models are input directly to the data fusion center where fusion computation is performed. The final fusion decision is made by filtering the result with a threshold function, hence a refined structural damage assessment of superior reliability. The proposed approach has been applied to a 7-degree of freedom building model for structural damage detection, and proves to be feasible, efficient and satisfactory. Furthermore, the simulation result also shows that the identification accuracy can be boosted with the proposed approach instead of FNN models alone.

لینک مقاله اصلی:

https://www.sciencedirect.com/science/article/pii/S095741741000597X

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب