تشخیص خسارت در پل‌های بزرگ دهانه با وجود چند خسارت همزمان

مقاله حاضر یک روش دومرحله ای قدرتمند برای تشخیص خسارت پل های بزرگ دهانه با مقاطع متغیر ارائه می نماید. پل ها یکی از زیرساخت های اساسی در حوزه حمل ونقل شهری و برون شهری بوده که تشخیص خسارت به موقع درطول بهره برداری آن حائز اهمیت می باشد. خسارت دراین دسته از سازه ها سبب اختلال درخدمت رسانی درزمان بروزبلایای طبیعی خواهد شد. روش ارائه شده بر مبنای ترکیب المان محدود طیفی و شاخص خسارت انرژی کرنشی مودال و همچنین ترکیب الگوریتم ژنتیک و رگرسیون بردار پشتیبان برای تشخیص وتخمین میزان شدت خسارت می باشد. یکی از روش های کارآمد درحوزه انتشار امواج روش المان محدود طیفی بوده که از قابلیت مدلسازی با انعطاف پذیری بالا و تشخیص خسارات ریز می باشد. روش های مبتنی بر ارتعاش بطور گسترده برای تشخیص خسارت سازه ها استفاده می گردد درحالیکه شاخص خسارت انرژی کرنشی مودال از حساسیت بالاتری در تشخیص خسارت در میان دیگر روش های مبتنی برارتعاش برخوردار است. مدل مورد تحقیق، پل کروچایلد درغرب کانادا می باشد که دارای ویژگی های خاصی از نظرهندسی و هم از مشخصات المان های سازه ای می باشد. در این تحقیق شاخص خسارت انرژی کرنشی مودال به علت تغییر مقطع در طول شاه تیر ها اصلاح گردیده است. همچنین از رگرسیون بردار پشتیبان به عنوان یک تکنیک قدرتمند در تخمین میزان شدت خسارت استفاده شده است. جهت افزایش دقت و بهبود روش تخمین میزان شدت خسارات از الگوریتم ژنتیک برای بهینه سازی پارامترهای موثر رگرسیون بردار پشتیبان استفاده می گردد. روش ترکیبی الگوریتم ژنتیک و رگرسیون بردار پشتیبان توانسته است به نحو مطلوبی شدت خسارات را تخمین بزند.

multiple simultaneous damage detection in large-span bridges

this paper presents a powerful two-step method for damage detection of large-span bridges with variable sections. bridges are one of the basic infrastructures in the field of urban and suburban transportation, and timely detection of damage during its operation is important. damage in this category of structures will cause service disruption during natural disasters. the presented method is based on the combination of spectral finite element and modal strain energy damage index, as well as the combination of genetic algorithm and support vector regression to detect and estimate the damage severity. one of the efficient methods in the field of wave propagation is the spectral finite element method, which is capable of modeling with high flexibility and detecting micro damage. vibration-based methods are widely used to detect structural damage, while the modal strain energy damage index has a higher sensitivity in detecting damage among other vibration-based methods. the case study model is the crowchild bridge in western canada, which has special characteristics in terms of geometry and the characteristics of structural elements. in this research, the modal strain energy damage index has been modified due to the change of cross-section along the girders. also, support vector regression has been used as a robust technique in estimation damage severity. in order to increase the accuracy and improve the damage severity estimation method, the genetic algorithm is used to optimize the effective parameters of the support vector regression. the combined method of genetic algorithm and support vector regression has been able to estimate the severity of damages in a favorable way.