مکان‌یابی خرابی بر پایه پاسخ‌‌های دینامیکی در قاب‌های خمشی با استفاده از شبکه عصبی پیچشی

در الگوریتم‌های تشخیص خرابی سازه مبتنی بر روش‌های سنتی یادگیری ماشین، استخراج ویژگی‌های حساس به خرابی از داده‌های سری زمانی یک مسئله چالش برانگیز است. همچنین این روش‌ها نیازمند به پیش‌پردازش در داده‌های خام هستند که خود فرایند پردازش را کندتر می‌کند. تلاش‌های زیادی برای غلبه بر این محدودیت‌ها با گسترش یادگیری عمیق در زمینه پایش سلامت سازه صورت گرفته است. با این حال، از آنجایی که اکثر این سیستم‌ها دارای معماری‌های عمیق هستند، به رایانه‌هایی با توان محاسباتی بالا و همینطور میزان قابل توجهی داده در طول مرحله آموزش نیاز دارند که در نتیجه برای کاربردهای برخط مناسب نیستند. برای حل چالش‌های بالا، در این مقاله روشی مبتنی بر شبکه‌های عصبی پیچشی دوبعدی (cnn) به منظور ادغام دو مرحله استخراج ویژگی و طبقه‌بندی سریع به طور همزمان، ارائه می‌شود. این روش از یک cnn کم عمق استفاده می‌کند که سیگنال‌های شتاب خام را به عنوان ورودی شبکه دریافت می‌کند. برای بررسی توانایی الگوریتم پیشنهاد شده از داده‌‌‌‌ی به دست آمده از یک سازه آزمایشگاهی مقیاس بزرگ به عنوان ورودی شبکه استفاده شده است. به طور میانگین روش پیشنهادی دارای دقت 99/8 درصد بر روی داده‌های آموزشی و 99/6 درصد برای داده‌های اعتبارسنجی رسیده است که نشان از توانایی بالای الگویابی آن دارد. همچنین این روش توانسته هر ثانیه از یک سیگنال ورودی را در مدت زمان 2 میلی ثانیه بررسی کند که در استاندارهای پردازش برخط قرار دارد.

vibrational-based damage localization of bending frames using cnns

the challenge of identifying damage-indicative features that are robust to noise in time-series data has long hindered the effectiveness of traditional machine learning-based structural damage detection methods. the time-consuming preprocessing procedures required by these methods also contributed to reduced accuracy and performance. however, the advent of deep learning has led to an increased exploration of the use of deep architectures in structural health monitoring. despite these advancements, many deep learning approaches are resource-intensive and require significant data for training, making them less feasible for real-time applications. as a solution, we propose using 2-d convolutional neural networks (2-d cnns) that integrate feature extraction and classification into a single entity. our method employs a network of lighted cnns instead of deep ones and utilizes raw acceleration signals as input, overcoming the limitations of previous approaches. using lighted cnns, in which eachone is optimized for a specific element, increases the accuracy and makes the network faster to perform. also, a new framework is proposed for decreasing the data required in the training phase. we verified our method on qatar university grandstand simulator (qugs) benchmark data provided by structural dynamics team. the results showed an improvement in accuracy over other methods, and the running time was adequate for real-time applications.