شناسایی خسارت در سازه با استفاده از پردازش سیگنال و شبکه های عصبی مصنوعی

در طول دو دهه اخیر بحث شناسایی خرابی و پایش سلامت سازه ها با هدف کاهش هزینه نگهداری و بهبود ایمنی و قابلیت اطمینان سازه مورد توجه قرار گرفته است. پس از وقوع زلزله با توجه به وضعیت بحرانی موجود و تعداد زیاد سازه های بلند مرتبه امکان مراجعه حضوری به تک تک سازه ها وجود ندارد. این موضوع اهمیت توسعه روش هایی که بتوانند تنها با استفاده از سیگنال های پاسخ ثبت شده در مدت زمان زلزله، خسارت ایجاد شده در سازه را شناسایی کنند، برجسته تر می سازد. بسیاری از روش های موجود به خصوص روش های مبتنی بر پردازش سیگنال قادر به تعیین شدت خسارت نیستند، در حالی که تعیین شدت به عنوان یکی از اهداف اصلی شناسایی خسارت در تعیین اولویت ها و مدیریت بحران پس از وقوع زلزله نقش به سزایی دارد. در این مقاله تلاش شده است تا با بهره گیری از ابزار های پردازش سیگنال و هوش مصنوعی ویژگی های حساس به خسارت به گونه ای تعیین شوند که بتوان وجود آسیب، محل و شدت آن را تنها با استفاده از سیگنال های پاسخ ارتعاشی ثبت شده در مدت زمان زلزله، با دقت مناسب تعیین کرد. در ابتدا سه روش پردازش سیگنال زمانفرکانس آنی مورد ارزیابی و مقایسه قرار می گیرند و روش emd به عنوان روشی با بهترین عملکرد برای هدف شناسایی خسارت انتخاب می شود. سپس معیار خسارت مناسبی بر اساس سیگنال های خروجی از سنسور های جاسازی شده در سازه با بهره گیری از emd استخراج می شود و در نهایت الگوریتمی برای شناسایی خسارت سازه ای ارائه و روی سازه بنچ مارک پایش سلامت سازه asce iasc اعمال می شود. نتایج حاکی از آن است که تلفیق تکنیک پردازش سیگنال با هوش مصنوعی کمک شایانی به تحقق اهداف سه گانه شناسایی خسارت داشته است.

Damage detection of structures using signal processing and artificial neural networks

Over the last two decades, extensive research has been conducted on structural health monitoring and damage detection in order to reduce the lifecycle cost of structures and improve their reliability and safety. These methods are divided into modalbased and signalbased approaches. Recent advances in the field of sensor technologies have facilitated the use of signalbased methods as practical solution to detect damages in structures. After a sever earthquake, usually there is no possibility for visiting the individual structures. Therefore, application of methods that can detect damage of structures only by using signals recorded at the time of the earthquake is noteworthy. Many existing methods, especially methods based on signal processing are not able to determine the damage severity. This article presents a signalbased seismic structural health monitoring technique for damage detection and evaluating damage severity of a multistory frame subjected to an earthquake event. As a case study, this article is focused on IASC–ASCE benchmark problem to provide possibility for sidebyside comparison. First three signal processing techniques including EMD, HVD and LMD, which are categorized as instantaneous timefrequency methods, have been compared to find a method with the best resolution in extracting frequency responses. Based on the results EMD has proved to outperform than the others. Second, EMD is used to extract the acceleration response of the sensors. Results show that by taking advantage of signal processing and artificial intelligence techniques in this research, damage detection of structures was carried out for three levels including damage occurrence, damage severity and location of the damage.