تشخیص آسیب دیدگی در پل های کابلی با استفاده از آنالیز دامنه فرکانس و خوشه بندی داده ها

پل‌های کابلی از جمله شریان‌های حیاتی با اهمیت زیاد هستند که همه ساله هزینه‌های بالایی صرف تعمیر و نگهداری آنها می شود. پایش سلامت این پل‌هامی‌تواند از خسارت‌های مالی و جانی نامطلوب بکاهد. در این مقاله یک روش پایش سلامت پل‌های کابلی بر اساس پردازش سیگنال و خوشه بندی داده ها ارائه شده است. از آنجا که دقت روش پردازش سیگنال می تواند به شدت بر دقت شناسایی خسارت تاثیرگذار باشد، در بخش اول مقاله، ابتدا مقایس‌های شده است بین کارایی روش محبوب fdd و دو روش جدیدتر afdd و tdd که تعدادی از ضعف های این روش را برطرف کرده‌اند، و در نهایت روشی که کارآمدتر می‌باشد انتخاب شده است. از میان این روش‌ها، روش fdd با موفقیت در بسیاری از روش‌های مبتنی بر پردازش سیگنال به کار رفته است، ولی روش‌های جدیدتر afdd و tdd هنوز به اندازه fdd مورد مطالعه قرار نگرفته‌اند. در بخش دوم با بهره گیری از شبکه عصبی رقابتی برای خوشه بندی فرکانس‌ها، یک شاخص خسارت جدید با محاسبه فاصله اقلیدسی مراکز خوشه‌ها ارائه شده است. نتایج نشان می‌دهد که روش ارائه شده می‌تواند با دقت مناسبی حالت‌های سالم و آسیب را از یکدیگر تفکیک کند.

Damage Detection of Cable-Stayed Bridges Using Frequency Domain Analysis and Clustering

Cablestayed bridges are vital structures which need significant maintenance and repair costs every year. Therefore, health monitoring of such structures can mitigate human and financial losses. In this paper, a damage detection method for cablestayed bridges was proposed using signal processing and clustering. Since the accuracy of signal processing can considerably affect the accuracy of damage detection results, in the first part of the paper, a comparison was carried out between the popular FDD method and two newer AFDD and TDD methods, which were improved some of the FDD drawbacks. Then, the most effective method was selected. Among these procedures, FDD was successfully implemented in signalbased procedures. However, the two newer ones had not adequately investigated in comparison to FDD. In the second part, by using competitive neural network for clustering, a new damage index was introduced by calculation of the Euclidian distances of cluster centers. Results showed that the proposed damage detection algorithm can differentiate healthy and damage states with acceptable accuracy.