کاربرد روش کاهش تصادفی و معیار باتاچاریا در تشخیص خرابی سازه‌ها تحت شرایط محیطی و کاربری متغیر

کاربرد روش‌های تشخیص آماری الگو در پایش سلامت سازه به منظور یافتن تغییرات در سازه توجه زیادی را به خود جلب کرده ‌است. در این زمینه، رویکردهای متفاوتی توسط محققان به کار گرفته می‌شود و موفقیت یک روش بستگی به سازه یا تغییرات بوجود آمده در سازه دارد. یکی از مسائلی که در اعمال روش‌های تشخیص آماری الگو کمتر مورد توجه قرار گرفته است، متغیر بودن شرایط محیطی و کاربری در هنگام ثبت داده‌ها در کاربردهای عملی است. هدف از این مقاله معرفی کاربرد جدیدی از روش کاهش تصادفی (rd) در تشخیص خرابی به منظور ارتقای نتایج حاصل از تحلیل سری زمانی است. روش  rdاز طریق میانگین‌گیری داده‌های سری زمانی در بازه‌های زمانی مشخص، سری زمانی پاسخ سازه را به پاسخ ارتعاش آزاد کاهشی سازه که تنها شامل اطلاعاتی درباره ویژگی‌های دینامیکی سازه است، تبدیل می‌کند. از مدل اتورگرسیو- اتورگرسیو با ورودی خارجی (ar-arx) برای برازش یک مدل ریاضی به داده‌های سری زمانی پاسخ ارتعاش آزاد کاهشی سازه استفاده شده است. پس از محاسبه خطای باقی مانده مدل، معیار جدیدی به نام معیار باتاچاریا برای تعیین وجود خرابی و مکان آن به کار گرفته شده است. . با استفاده از داده‌های حاصل از دو نمونه‌ شاخص در حوزه پایش سلامت سازه به اعتبارسنجی روش ارائه شده پرداخته شده است. نتایج نشان می‌دهد که استفاده از روش rd به علت میانگین‌گیری و نرمال‌سازی داده‌ها می‌تواند تاثیر تغییرات شرایط محیطی و کاربری را کاهش ‌دهد و وضعیت سازه را به درستی تعیین کند. همچنین استفاده از معیار باتاچاریا می تواند نتایج پایش سلامت سازه را در تشخیص وجود خرابی و تعیین مکان آن بهبود بخشد. 

application of random decrement technique and bhattacharyya measure to damage detection under environmental and operational variability

damage detection is a necessary part for structural health monitoring (shm), being beneficial to shm and determining the severity of damage. application of statistical pattern recognition methods for shm has gained considerable attention to detect changes in a structure. one of the advantages of these methods is that only data from undamaged state is needed in training phase (unsupervised learning) as opposed to supervised learning where data from both undamaged and damaged conditions is required to train the model. there are different approaches used by researchers and the success of a certain one may depend on the type of structure or structural changes. most of studies focused on the application of statistical pattern recognition methodologies for shm utilize the time series analyses for extracting damage-sensitive features. these features are statistical properties of time series models that directly depend on damage. extracting damage-sensitive features is a fundamental step in damage detection process because pattern recognition algorithms can identify the state of structure unless these features are just dependent on damage.  the change in an environmental and operational condition during the data acquisition process is one of the problems that causes damage features to be depended on factors besides existence of damage. this can lead to incorrect structural state identification. on the other hand, after extracting damage-sensitive features, the application of a statistical novelty detection methodology for decision making on structural state is a significant topic in shm.this paper proposes a new application of random decrement (rd) technique in order to choose appropriate and accurate damage features which are independent from environmental and operational conditions of structure. the rd technique transforms time series data of the structural response to free decay vibration form that only consist of dynamic properties information by averaging them at specific time. moreover, a novel statistical method named as bhattacharyya measure is applied as a robust method for damage diagnosis. the bhattacharyya measure determines the discrepancy between damage features from different structural states through partitioning data and utilizing numerical information of each partition. herein, before extracting damage features, time series data are averaged through rd technique. then the autoregressive-autoregressive with exogenous output model (ar-arx) is used to fit a mathematical model to the averaged time series data and the residuals are considered as damage features. the bhattacharyya measure is utilized for damage identification and localization. the data obtained from an experimental study on a three-story frame structure model are exploited to validate the accuracy and reliability of the proposed algorithm. random excitation is applied by varying amplitude level of the input force, simulating various environmental and operational conditions. damage is induced at two different locations. the proposed algorithm is conducted on data from various environmental and operational conditions at two different locations. a comparative study is also carried out to demonstrate the superiority of the proposed algorithm over some exiting techniques. results show that the application of random decrement technique reduces the influence of operational and environmental condition due to averaging and normalizing data and correctly determines the state of structure. in addition, using bhattacharyya measure improves the structural health monitoring results in damage identification and localization.