عیب‌یابی در المان ستون تحت اثر نیروی محوری مبتنی بر تبدیل موجک و داده‌های مودال

با گذشت زمان، سازه‌ها در برخی المان‌ها دچار خسارت‌های موضعی هرچند ناچیز می‌شوند که با تجمیع و گسترش تحت اثر عواملی چون زلزله و گودبرداری غیراصولی ممکن است دچار تخریب کلی گردند و هزینه‌های اجتماعی و اقتصادی زیادی تحمیل نمایند. عضو ستون به عنوان حیاتی‌ترین عضو سازه‌های ساختمانی و پل‌ها محسوب می‌شود، به‌طوری‌که طراحان انتظار دارند آخرین عضو آسیب‌دیده سازه‌ها از ستون‌ها باشد. در این مقاله به مسئله شناسایی آسیب در ستون تحت اثر بار محوری با استفاده از داده‌های مودال (فرکانس‌ها و شکل‌های مود) و آنالیز تبدیل موجک پرداخته شد. نتایج نشان داد که با افزایش بار محوری به صورت نسبت‌هایی از بار کمانش بحرانی، مقدار فرکانس در تمامی مودها در حالت‌های سالم و معیوب کاهش می‌یابد. همچنین، تحت اثر بار محوری یکسان، فرکانس نمونه معیوب کمتر از فرکانس نمونه سالم است و با افزایش شدت خرابی، میزان کاهش فرکانس افزایش می‌یابد. بر مبنای زاویه بین شکل‌های مود سالم و معیوب، سیگنال ورودی تبدیل موجک تعریف گردید. جزئیات سیگنال خروجی در محل‌های آسیب اغتشاشات را نشان داد به نحوی که در تمامی مودهای بررسی شده در نسبت‌های مختلف از بار بحرانی، محل‌های آسیب با دقت بالایی شناسایی شدند. همچنین، نتایج نشان داد اغتشاشات در محل‌های مختلف خرابی مستقل از هم بوده و تنها متاثر از شدت خرابی محل است و بار محوری تاثیری بر حساسیت عیب‌یابی الگوریتم تبدیل موجک ندارد. نیز، مجموع ضرایب موجک محل‌های آسیب‌دیده چند حالت خرابی با ضرایب موجک محل‌های آسیب‌دیده مجموع حالت‌های خرابی برابر است.

Damage identification of column under the axial load based on wavelet transform and modal data

As time passes, some elements of the structures are affected by local damage, though insignificantly. With the development and expansion of the damage , these structures may be completely destroyed and impose high socioeconomic costs. This study investigated the damage identification problem in the column under the axial load using modal data (frequencies and mode shapes) and wavelet transform analysis. The obtained results showed that by increasing the axial load proportional to the critical buckling load, the frequency value decreases in all modes in healthy and faulty modes. Additionally, under the effect of the same axial load, the frequency of the faulty sample is less than that of the healthy one, and as the damage severity increases, the rate of frequency reduction increases. The wavelet transform input signal was defined on the basis of the angle between the healthy and faulty mode shapes. The output signal details in the damage locations indicated perturbation so that in all the studied modes in different ratios of critical load, the damage locations were identified with high accuracy. Moreover, the results from the research showed that the perturbations in different damage locations are independent of each other and are only affected by the severity of the location damage and the axial load has no effect on the damage detection sensitivity of the wavelet transform algorithm. Furthermore, the sum of the wavelet coefficients of damaged locations in several damage modes is equal to the wavelet coefficients of damaged locations of the sum of damage modes.