تعیین موقعیت و بررسی گسترش آسیب در تیرهای بتن آرمه با استفاده از پردازش سیگنال و یادگیری ماشین

گسترش ترک‌های فزاینده در اجزای اصلی یک سازه یکی از اساسی‌ترین مشکلاتی است که با گذشت زمان می‌تواند موجب خسارات جبران ناپذیری در سازه‌ها شود. در پژوهش حاضر به منظور بررسی روند گسترش ترک‌های فزاینده و تعیین موقعیت آن‌ها در تیر بتن‌آرمه، یک روش آماری مبتنی بر پردازش سیگنال و یادگیری ماشین پیشنهاد گردید. تیر مورد نظر با شرایط تکیه‌گاهی مختلف در نرم‌افزار اجزا محدود abaqus مدل‌سازی شده و ترک‌های فزاینده با استفاده روش اجزا محدود گسترش یافته (xfem) در دو موقعیت مفروض از طول تیر تعریف شد. در ادامه تیر مذکور تحت اثر بارگذاری افزایش‌یابنده قرار گرفته و پاسخ آن از نوع تغییرمکان در زمان‌های مختلف از بازه زمانی بارگذاری استخراج گردید. پاسخ‌های بدست آمده با استفاده از تبدیل موجک پیوسته (cwt) پردازش شده و ضرایب موجک در هر یک از گره‌های متناظر با نقاط سنجش پاسخ تیر اخذ شد. توزیع ضرایب موجک بدست آمده دارای مفاهیم موثر و ارزشمندی برای بررسی رشد ترک و نحوه گسترش آن دارد. سپس به منظور بررسی تغییرات ضرایب موجک در طول گسترش ترک از تجزیه مولفه‌های اصلی به عنوان یک روش یادگیری ماشین استفاده گردید. بررسی‌ها حاکی از آن است که چند مولفه اول، تناظر بالایی با موقعیت آسیب دارند. نتایج بدست آمده نشان می‌دهد که الگوریتم پیشنهاد شده روند رشد ترک‌های فراینده را به خوبی تشخیص داده و موقعیت آسیب را با دقت بالایی تعیین می‌نماید.

localization and investigation of damage extension in reinforced concrete beams using signal processing and machine learning

the propagation of incremental cracks in the main components of the structures is an important quandary that can cause irreparable damage in the structures over time. this study proposes a statistical method based on signal processing and machine learning to investigate crack location and propagation in reinforced concrete beams. the assumed beam with different boundary conditions is modeled in finite element software (abaqus) and incremental cracks are defined according to extended finite element method (xfem) in two default locations along the length of the beam. then, the incremental distributed load is assigned on the beam and the structure response is obtained through the loading time interval. the responses of the beam are used as a database to process with continuous wavelet transform (cwt) and the wavelet coefficients are extracted in the same nodes that structure responses were. the distribution of wavelet coefficients has an effective and valuable implication to investigate the crack location and propagation. in order to consider the variation of wavelet coefficients during crack propagation, principal component analysis (pca) is used as a machine learning method. the study indicates that the first few components are highly correlated with the location of the damage. the results show that the proposed algorithm has recognized the crack propagation and localized it with high accuracy.