عیب‌یابی سازه‌ها با استفاده از شاخص تابع پاسخ فرکانسی و مدل جایگزین مبتنی بر الگوریتم ماشین یادگیری حداکثر بهینه شده

امروزه استفاده از مدل های جایگزین مبتنی بر الگوریتم های هوش مصنوعی در زمینه عیب یابی سازه ها مورد توجه بسیاری از محققین قرار گرفته است. در این تحقیق، جهت افزیش دقت الگوریتم تشخیص عیوب چندگانه در سیستم های سازه ای، کرنل جدیدی مبتنی بر موجک لیتلود پالی برای الگویتم هوش مصنوعی ماشین یادگیری حداکثر، توسعه داده می شود. به منظور کاهش حجم محاسبات به روزرسانی مدل سازه از ماشین یادگیری حداکثر به عنوان مدل جایگزین برای تحلیل اجزای محدود دقیق سازه استفاده می شود. در روش دو مرحله ای پیشنهادی در مرحله اول با استفاده از شاخص مبتنی بر تابع پاسخ فرکانسی سازه، المان های معیوب مشخص می شود و در مرحله دوم شدت خرابی در این اعضا با استفاده از مدل جایگزین مبتنی بر ماشین یادگیری حداکثر تعیین می شود. برای مقایسه کارایی سیستم مبتنی بر ماشین یادگیری حداکثر، نتایج حاصل از کرنل پیشنهادی با سایر کرنل های پیشنهاد شده برای ماشین یادگیری حداکثر و همچنین الگوریتم ماشین بردار پشتیبان حداقل مربعات، مقایسه شده است. مثال های عددی حل شده بیانگر افزایش قابل توجه دقت الگوریتم ماشین یادگیری حداکثر در فرایند عیب یابی سازه ها در صورت استفاده از کرنل موجکی لیتلود پالی است.

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

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 LittlewoodPaley 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 twostep 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.