کاربرد شبکه های عصبی مصنوعی در شناسایی و طبقه بندی عیوب سازه های ورقی کامپوزیتی با استفاده از امواج فراصوت هدایت شده

بهره‌گیری از روش های مبتنی بر هوش مصنوعی برای کاهش نقش تفاسیر انسانی در تحلیل دا‌ده‌ها و اخذ نتایج مناسب، همراستا با افزایش سرعت، کاهش خطا و تعدیل هزینه ها در فرآیندهای ارزیابی غیرمخرب و پایش سلامت سازه‌ها مورد توجه جدی محققان قرار گرفته است. در این پژوهش، طراحی و اجرای یک سامانه پایش سلامت سازه‌ای مبتنی بر پردازش هوشمند سیگنال امواج فراصوت هدایت شده به منظور شناسایی و دسته‌بندی سه نوع خرابی متداول در سازه‌های کامپوزیتی ورقی انجام پذیرفته است. با ایجاد سه نوع خرابی شامل تورق، شکاف و سوراخ در یک ورق کامپوزیتی چند لایه از جنس پلیمر تقویت شده با الیاف شیشه و تقسیم آن به چهار ناحیه مختلف، نسبت به تعبیه 9 مبدل پیزوالکتریک با نقش دوگانه محرک و سنسور و با آرایش شبکه‌ای اقدام شده و سیگنالهای امواج منتشر شده در هر چهار ناحیه مذکور در قالب 12 مسیر در سه راستای مختلف و 240 سیگنال ذخیره گردید. در مرحله بعد، استخراج ویژگی از سیگنال‌ها با روشهای پیشرفته پردازش سیگنال نظیر تبدیل موجک انجام پذیرفته و داده‌های حاصل، برای آموزش یک شبکه عصبی پرسپترون چند لایه از نوع پیشرونده با روش پس‌انتشار خطا مورد استفاده قرار گرفت. نتایج حاصل نشان می‌دهد، الگوریتم شبکه عصبی طراحی شده و آموزش دیده در این تحقیق، قادر به ایجاد تمایز میان نواحی سالم سازه از نواحی معیوب بوده و علاوه بر آن موفق به دسته‌بندی انواع خرابی‌های موجود در سازه با بازدهی قابل قبول (میانگین حدود 80%) شده که قابلیت تعمیم به شرایط و پیکربندی‌های مختلف و حالت‌های نامعلوم را دارد.