تشخیص آسیب در اتصالات پیچی دکل های انتقال نیرو به کمک یکی از روش های یادگیری ماشین: بسته بندی درختی

خطوط انتقال نیرو در صنعت برق به دلیل پراکندگی در سطح کشور و عبور از مناطق جغرافیایی مختلف تحت شرایط اقلیمی گوناگون و سخت هرساله با حوادث و خرابی های متعددی روبرو می شوند. به دلیل اهمیت این بخش در صنعت برق نظارت مستمر بر کارکرد دکل های مشبک فلزی نگهدار این خطوط امری ضروری است. در سال های اخیر پایش برخط عملکرد سازه ها با نظارت بر تغییرات پاسخ دینامیکی آن ها از طریق نصب حسگر مورد توجه زیادی قرار گرفته است. لیکن شناسایی محل خرابی در سازه هایی مانند دکل های مشبک فلزی که اجزای متعددی دارند، مشکلاتی را به همراه داشته که ضرورت به کارگیری تکنیک هایی با قابلیت حجم پردازش بالا را اجتناب ناپذیر می کند. یکی از راه حل ها، بهره گیری از روش های مبتنی بر یادگیری ماشین است که مورد توجه محققین مختلف قرار گرفته است. در این مقاله تلاش می گردد که با بهره گیری از یکی از الگوریتم های طبقه بندی در یادگیری ماشین محل، نوع و میزان خرابی در اتصالات پیچی در این سازه ها شناسایی گردد. از این رو ابتدا یکی از دکل های رایج خطوط انتقال در کشور، مدل سازی و تحت بار باد تحلیل دینامیکی می شود. سپس اتصالات مختلف آن در ناحیه پایه های دکل انتقال نیرو با استفاده از نرم افزار مدل سازی می گردد. در ادامه مجموعه ای محدود از اشکال مختلف آسیب در اتصالات شبیه سازی و شکل های مودی و فرکانس های طبیعی در این شرایط برای آموزش الگوریتم طبقه بندی استخراج می شود. از پایگاه داده ای به دست آمده جهت شناسایی آسیب در سناریوهای مختلف استفاده می شود. نتایج این تحقیق تاکید بر موثر بودن روش انتخابی در شناسایی محل انواع خرابی تعریف شده در اتصالات پایه دکل ها و میزان آن دارد.

damage detection in bolted connections of power transmission towers using machine learning-based methods (bagging trees)

there have been many studies regarding the health monitoring and detection of transmission towers, among which we can refer to the article by yen et al. in 2009, who investigated damage detection in transmission towers with a limited number of sensors those modal parameters were obtained from the measured environmental vibration data. in their research, mode shape and frequency were used to identify the system. also, stiffness reduction was also suggested to damage detection. structural health monitoring by using features such as natural frequencies and mode shapes has attracted the attention of a number of researchers. damage detection in power transmission towers using these features and using soft computing methods was also considered by skarbek et al. in 2014. they have investigated frequency damage indicators by simple processing and using neural network for power transmission tower. in 2019, zhao et al obtained the natural frequency of the 110 kv power transmission tower using the sub-random space method and found that the detected natural frequency is dependent on the wind speed. however, the current article tries to damage detection in the connections due to the lack of access to real data and experimental data and based on numerical modeling of a limited number of possible damages that occurred in the legs of the splice connection of power transmission tower.