جانمایی بهینه حسگرهای هوشمند جهت پایش سلامت سدهای بتن غلتکی به روش الگوریتم مونت کارلو بمنظور جلوگیری از هدر رفتن منابع آب

ساخت سدهای بتن غلتکی (rcc) نقش بسزایی در استفاده موثر از منابع آبی می نماید.ساخت این سدها شامل ریختن بتن در لایه‌هایی با ضخامت کم و متراکم کردن آن ها می‌باشد. برای چک کردن دمای بتن ریزی باید از سنسورهای هوشمندی استفاده کرد که در آینده نیز قابل استفاده جهت پایش سلامت سازه باشند. هدف این مقاله معرفی یک مدل جدید مخصوص جانمایی سنسورهای هوشمند جهت پایش سلامت سدهای بتن غلتکی می باشد و نویسندگان الگوریتم پیشنهادی خود را با استفاده در یک سد واقعی (سد زیردان) اثبات می کنند و برای صحت سنجی از سد کینتا در مالزی استفاده شده است.از برنامه کامپیوتری abaqus برای مدل سازی حرارتی جهت تعیین دما و تنش‌های حرارتی استفاده شده و بهترین زمان برای بتن‌ریزی لایه ها تعیین گردیده است. با استفاده از مختصات x , y برای تک تک اجزاء‌ها درمدل fem واطلاعات دما و تنش‌های حرارتی به کمک شبکه عصبی، داده‌ها به صورت پیوسته درآمده تا از روش مونت کارلو یک x بهینه در تک تک لایه‌ها برای هر ارتفاع به دست آید. این نقاط پیدا شده برای کلیه ١٥٣ عدد لایه سد زیردان به دست آمده و درالگوریتم ژنتیک به کار رفته تا به عنوان یک حدس اولیه برای جانمایی سنسورها به کاررود. با تعریف ضریب اهمیت (حرارت واقعی تقسیم بر حرارت محاسبه شده) و با در نظر گرفتن یک تابع هزینه ، یک جانمایی بهینه برای سنسورهای حرارتی سد ها تعیین شده است. بدین ترتیب علاوه بر پایش موثر ایمنی سد، هزینه های آن نیز بهینه می گردد.

Optimal placement of smart sensors for RCC dams structural health monitoring using Monte Carlo

Building RCC dams involves pouring and compacting concrete in small layers (30 cm), one on top of another, creating a joint between each layer. This joint could potentially become the “ideal” joint depending on the temperature and lag time between each layer. To check the concrete s temperature using smart sensor is undeniable. Furthermore we use these sensors for RCC dam’s structural health monitoring. The objective of this paper is to introduce a novel model for arranging the smart sensors for RCC dam’s structural health monitoring .The authors suggest a flow chart and prove it with a real case study. This is useful for RCC dams all around the world. The case study is Zirdan RCC dam (located in Iran), and the verification is upon Kinta RCC dam (raised in Malaysia). Step 1, the Zirdan dam is modeled in Abaqus . The program outputs give the actual temperature, the thermal stresses of each node. Step 2,The ANN (Artificial neural network) converts discontinuous results in a continuous estate. Step 2, we use the Monte Carlo to achieve a point in each layer, representative of others. the chosen coordinates are fed into GA (genetic algorithm). Next, we define the parameter of importance coefficient as the temperature arrived from the site divided by the model temperature. finally, assimilating it with cost function will allow for having fewer sensors and sensors being placed further apart. All of the above result in the optimum placement of the thermal sensors in RCC dams.