Professional Documents
Culture Documents
60f3fb71162e012b89e805d072298361
60f3fb71162e012b89e805d072298361
ب
دانشگاه آزاد اسالمی
واحد خرمآباد
دانشکده فنی و مهندسی
عنوان:
شناسایی و تشخیص مکان آسیب سازهای با بهره بردن از
روشهای تبدیل موجک و تشخیص الگوی آماری
استاد راهنما:
دکتر محمدکاظم شربتدار
استادان مشاور:
دکتر رضا محجوب
دکتر مهدی رفتاری
نگارش
مسعود حقانی چگنی
تابستان 0011
ج
معاونت ژپوهش و فن آوري
د
تقديم هب
و اميد بودنم
ه
سپاسگزاري
ي ي تحق
خدا وند را سپاس ميگويم هك با راهنمايياه و حمايتاهي اساتيد ارجمندم ،ا ن ق ر هب
ا
اتمام رساندم.
و
تعهدنامه اصالت رساله یا پایاننامه
اینجانب مسعود حقانی چگنی دانشآموخته مقطع دکتری رشته مهندسی عمران-سازه که در تاریخ
...................از پایاننامه خود تحت عنوان« :شناسایی و تشخیص مکان آسیب سازهای با بهره بردن از
روشهای تبدیل موجک و تشخیص الگوی آماری» با کسب نمره ..........و درجه ........دفاع نمودهام،
متعهد میشوم:
-1این پایاننامه /رساله حاصل تحقيق و پژوهش انجام شده توسط اینجانب بوده و در مواردی که
از دستاوردهای علمی و پژوهشی دیگران )اعم از پایاننامه ،کتاب ،مقاله و )...استفاده نمودهام،
مطابق ضوابط و رویه موجود ،نام منبع مورد استفاده و سایر مشخصات آن را در فهرست مربوطه
ذکر و درج کردهام.
-2این پایاننامه /رساله قبالً برای دریافت هيچ مدرك تحصيلی )هم سطح ،پایينتر یا باالتر( در
سایر دانشگاهها و موسسات آموزش عالی ارایه نشده است.
-3چنانچه بعد از فراغت از تحصيل ،قصد استفاده و هرگونه بهرهبرداری اعم از چاپ کتاب ،ثبت
اختراع و ...از این پایاننامه داشته باشم ،از حوزه معاونت پژوهشی واحد مجوزهای مربوطه را
اخذ نمایم.
-4چنانچه در هر مقطعی زمانی خالف موارد فوق ثابت شود ،عواقب ناشی از آن را میپذیرم و
واحد دانشگاهی مجاز است با اینجانب مطابق ضوابط و مقررات رفتار نموده و در صورت ابطال
مدرك تحصيلیام هيچگونه ادعایی نخواهم داشت.
ز
فهرست مطالب
صفحه عنوان
چکيده 1 ........................................................................................................................................
فصل اول کلیات تحقیق 2............................................................................................................
-1-1مقدمه2 ..................................................................................................................................
-2-1ارزیابی سالمت سازهای3 ..............................................................................................................
-3-1تشخيص آسيب5 .......................................................................................................................
-4-1هدف تشخيص آسيب برای سازههای مدرن 7 .......................................................................................
-5-1نگاه کاربردی به تشخيص آسيب سازهای 8 ..........................................................................................
-6-1تحليل مودال و کاربرد آن در فرآیند تشخيص آسيب 11 ...........................................................................
-7-1سؤالهای اصلی تحقيق 11 ............................................................................................................
-8-1مفروضات تحقيق 11 ..................................................................................................................
-9-1فرضيهها 11 .............................................................................................................................
-11-1اهداف تحقيق 11 .....................................................................................................................
-11-1جنبهی نوآوری پژوهش 12 .........................................................................................................
-12-1روش انجام پژوهش 14 ..............................................................................................................
-13-1نمای کلی رساله و ارتباط ميان فصلها 14 ..........................................................................................
-14-1خالصه فصل اول 15 .................................................................................................................
فصل دوم مبانی علمی و مروری بر پژوهشهای انجام شده 01 ...................................................................
-1-2مقدمه17 ................................................................................................................................
-2-2ارزیابی آسيب سازهای بر اساس روشهای مبتنی بر مفاهيم ارتعاشی 18 ...........................................................
-1-2-2ارزیابی آسيب سازهای بر اساس روشهای مبتنی بر دادههای ارتعاشی 19 ............................................
-2-2-2ارزیابی آسيب سازهای با روشهای تغيير بسامد طبيعی 21 .............................................................
-3-2-2ارزیابی آسيب سازهای بر اساس تغييرات شکل مود ارتعاشی سازه 21 ................................................
-4-2-2ارزیابی آسيب سازهای بر اساس تغييرات کارمایه کرنشی مودال 22 ..................................................
-5-2-2ارزیابی آسيب سازهای بر اساس تغييرات ماتریسهای نرمی یا سختی 23 .............................................
-6-2-2ارزیابی آسيب سازهای بر اساس تغيير تابع پاسخ بسامدی 24 ...........................................................
-7-2-2ارزیابی آسيب سازهای بر اساس روش بهروزرسانی الگوی سازه و تحليل حساسيت 25 ............................
-3-2ارزیابی آسيب سازهای توسط روشهای نوین ارتعاشی 27 .........................................................................
-4-2خالصه فصل دوم33 ...................................................................................................................
فصل سوم ارزیابی سیگنالهای ارتعاشی با روشهای آماری و یادگیری ماشینی 53 .............................................
-1-3مقدمه35 ................................................................................................................................
-3-3شناخت الگوی آماری 42 .............................................................................................................
-4-3استخراج و انتخاب ویژگی 43 ........................................................................................................
-5-3یادگيری با نظارت در برابر یادگيری بدون نظارت 44 ..............................................................................
ح
-6-3خوشهبندی44 ..........................................................................................................................
-1-6-3خوشهبندی مبتنی بر تقسيم بندی 45 ......................................................................................
-2-6-3خوشهبندی مبتنی بر چگالی 46 ...........................................................................................
-7-3تحليل مولفههای اصلی51 .............................................................................................................
-8-3شبکههای عصبی چند الیه 51 .........................................................................................................
-9-3تاریخچه و ساختار شبکههای عصبی مصنوعی 52 ...................................................................................
-11-3سری زمانی 53 ........................................................................................................................
-1-11-3تعيين الگوی سری زمانی با دیدگاه مهندسی 53 .......................................................................
-2-11-3تخمين الگوی سری زمانی با دیدگاه آماری 54 .......................................................................
-3-11-3تعيين مرتبههای الگوهای سری زمانی 55 ...............................................................................
-11-3خالصه و نتيجهگيری فصل سوم 56 .................................................................................................
فصل چهارم روشهای پیشنهاد شده بهمنظور شناسایی آسیب در سازه 35 ........................................................
-1-4مقدمه58 ................................................................................................................................
-2-4تحليل سریهای زمانی دادههای ارتعاشی در حوزه زمان 58 .......................................................................
-3-4روش مبتنی بر دادههای ارتعاشی برای استخراج ویژگی حساس به آسيب سازهای62 ............................................
-4-4تشخيص محل آسيب سازهای با استفاده از روشهای پيشنهادی 67 ................................................................
-5-4طبقهبندهای پيشنهادی برای آسيب سازهای 69 ......................................................................................
-6-4خالصه و نتيجهگيری فصل چهارم 71 ................................................................................................
فصل پنجم ارزیابی آزمایشگاهی برای مکانیابی و تشخیص آسیب سازهای 15 ...................................................
-1-5مقدمه73 ................................................................................................................................
-2-5صحتسنجی روشهای پيشنهادی با بهره بردن از یک قاب آزمایشگاهی 73 .....................................................
-1-2-5استخراج دادههای مورد نياز سازه برشی آزمایشگاهی سه طبقه در حوزه زمان و فرکانس 76 ......................
-2-2-5تحليل فرکانسی دادههای ارتعاشی 81 ....................................................................................
-3-2-5شناسایی بهترین الگوی سری زمانی91 ...................................................................................
-4-2-5انتخاب مرتبه توانمند الگوی خودکاهنده با بهره بردن از روش جدید تکراری 92 ...................................
-5-2-5تعيين ویژگی بر اساس پارامترها و باقیماندههای الگوی سری زمانی96 ..............................................
-6-2-5تشخيص مکان و شدت آسيب در قاب سه طبقه آزمایشگاهی 99 .....................................................
-3-5ارزیابی روشهای پيشنهادی توسط سازه فوالدی چهار طبقه 116........................................................ ASCE
-1-3-5استخراج ویژگی 118.......................................................................................................
-2-3-5مکانیابی و تعيين شدت خسارت 112....................................................................................
-3-3-5مقایسههای انجام شده با بهره بردن از دادههای سازه 116..................................................... ASCE
فصل ششم نتیجهگیری و پیشنهادات 001 ............................................................................................
-1-6مقدمه119...............................................................................................................................
-2-6نتيجهگيری 121.........................................................................................................................
-3-6پيشنهادات برای طرحهای پژوهشی آینده 121.......................................................................................
واژه نامه 122...................................................................................................................................
ط
منابع 124.......................................................................................................................................
ی
فهرست جداول
صفحه عنوان
جدول ( )1 -3کاستیها و مزیتهای تحليل و تفسير دادهها در وضعيت بدون مدل و مبتنی بر مدل37 ..................................... .
جدول ( )2 -3تشخيص آسيب سازه در سطحهای مختلف طبقهبندی شده (برخی استانداردها و معيارهای پيشنهادی) 38 .................
جدول ( )1-5وضعيتهای مختلف آزمایش پایش سالمت سازه با لرزاننده روی قاب سه طبقه آزمایشگاهی 75 ...........................
جدول ( )2 -5وضعيتهای مختلف طبقهبندی آسيب در قاب آزمایشگاهی75 ................................................................
جدول ( )3 -5نتایج آزمون آماری ليبرن مککيب در حسگر شماره پنج برای شناسایی الگوی خودکاهنده 91 ...........................
جدول ( )4-5بيشترین و بهينهترین مرتبه الگوی خودکاهنده در وضعيت سالم سازه 95 .......................................................
جدول ( )5 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش 111........................................................ CRI
جدول ( )6 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش 111...................................................... CSRI
جدول ( )7 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش 111........................................................ RRI
جدول ( )8 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش 111...................................................... RSRI
جدول ( )9 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس مرتبههای اوليه مدل انتخابی114.............................................
جدول ( )11 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس معيار فيشر و پارامترهای مدل انتخابی 114................................
جدول ( )11 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس معيار KSSDو باقیماندههای مدل انتخابی 115.........................
جدول ( )12-5وضعيتهای آسيب در سازه چهار طبقه 117........................................................................... ASCE
جدول ( )13-5ارزیابی و تحليل عددی دقت انتخاب مدل سری زمانی خودکاهنده با آزمون آماری 118.......................... LMC
جدول ( )14-5مرتبههای اوليه و بهبودیافته مدل سری زمانی خودکاهنده در حالت شماره یک سازه119...................................
جدول ( )15-5ارزیابی کيفيت برازش در حالت شماره یک سازه با در نظر گرفتن مرتبه انتخابی 128برای مدل سری زمانی خودکاهنده
111....................................................................................................................................................
ك
فهرست اشکال
صفحه عنوان
شکل ( )1 -1ساخت پل اینچئون در کره .ارزیابی سالمت سازه در هنگام ساخت میتواند برای پایش پاسخ چنين سازه منحصربهفردی
در این محل مناسب و کارآمد باشد8 .............................................................................................................. .
شکل ( )2 -1پل بروکلين در شهر نيویورك .این پل به عنوان یکی از سازههای برجسته قدیمی بهمنظور ارزیابی سالمت سازهای با هدف
ادامه کاربرد ،نگهداری ،تعمير و مقاومسازی بررسی شده است9 ............................................................................... .
شکل ( )3 -1روندنمای انجام رساله16 .............................................................................................................
شکل ( )1-3برخی استانداردهای شناخته شده بهمنظور تشخيص آسيب سطح یک (شاخصهای دادههای خام) 38 .......................
شکل ( )2-3نمودار ستونی مقادیر بيشينه کرنش روزانه و توزیع آنها41 .......................................................................
شکل ( )3-3نمودار ستونی مقادیر کرنش بيشينه روزانه و منحنی توزیع تنظيم شده 41 .......................................................
شکل ( )4-3نمودار ستونی بيشينه کرنشها بههمراه توزیع آن 42 ...............................................................................
شکل ( )5-3فرآیند شناخت الگوی آماری 43 ....................................................................................................
شکل ( )6-3یادگيری نظارتشده و نظارتنشده در فرآیند تشخيص آسيب سازهای 44 ......................................................
شکل ( )7-3شکل کلی عملکرد روش خوشهبندی مبتنی بر چگالی 47 .........................................................................
شکل ( )8-3برخی معيارهای پيشنهادی برای تشخيص آسيب سازهای در سطح دو 48 ........................................................
شکل ( )9-3نمودارهای فاصله آماری مهاالنوبيس برای تشخيص آسيب 49 ...................................................................
شکل ( )1 -4تحليل سری زمانی برای دادههای ارتعاشی حوزه زمان 61 ........................................................................
شکل ( )2 -4الگوریتم کلی استخراج پارامترهای الگوی سری زمانی بهصورت نظارتنشده بهعنوان ویژگی حساس به آسيب 63 ......
شکل ( )3 -4الگوریتم کلی استخراج باقیماندههای الگوی سری زمانی بهصورت نظارتنشده بهعنوان ویژگی حساس به آسيب 64 ...
شکل ( )4 -4الگوریتم کلی استخراج ویژگی حساس به آسيب سازهای 65 ....................................................................
شکل ( )1 -5قاب سه طبقه آزمایشگاهی 74 .......................................................................................................
شکل ( )2 -5سيگنالهای داده ورودی و دادههای خروجی در وضعيت بدون آسيب در سازه سه طبقه آزمایشگاهی 76 ..................
ادامه شکل ( )2-5سيگنالهای داده ورودی و دادههای خروجی در وضعيت بدون آسيب در سازه سه طبقه آزمایشگاهی 77 ............
شکل ( )3-5سيگنالهای ورودی و خروجی در وضعيت هفت سازه سه طبقه آزمایشگاهی 78 ..............................................
ادامه شکل ( )3 -5سيگنالهای ورودی و خروجی در وضعيت هفت سازه سه طبقه آزمایشگاهی 79 .......................................
شکل ( )4 -5تابع پاسخ فرکانسی در وضعيت آسيبندیده سازه سه طبقه آزمایشگاهی 82 ...................................................
شکل ( )5 -5تابع پاسخ فرکانسی در وضعيت شماره سه سازه سه طبقه آزمایشگاهی 82 ......................................................
شکل ( )6 -5تابع پاسخ فرکانسی وضعيت شماره هفت سازه سه طبقه آزمایشگاهی 83 .......................................................
شکل ( )7 -5تابع پاسخ فرکانسی وضعيت شماره 17سازه سه طبقه آزمایشگاهی 83 ..........................................................
شکل ( )8-5مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و سه در سازه سه طبقه آزمایشگاهی84 .................................
شکل ( )9-5مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و هفت در سازه سه طبقه آزمایشگاهی 84 ..............................
شکل ( )11-5مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و 17در سازه سه طبقه آزمایشگاهی 85 ...............................
شکل ( )11-5پاسخ حوزه فرکانس در وضعيت یک برای سازه سه طبقه آزمایشگاهی86 ....................................................
شکل ( )12-5پاسخ حوزه فرکانس در وضعيت سه برای سازه سه طبقه آزمایشگاهی 86 .....................................................
شکل ( )13-5پاسخ حوزه فرکانس در وضعيت هفت برای سازه سه طبقه آزمایشگاهی 87 ...................................................
ل
شکل ( )14-5پاسخ حوزه فرکانس در وضعيت 17برای سازه سه طبقه آزمایشگاهی 87 .....................................................
شکل ( )15-5پاسخ حوزه فرکانس در وضعيت یک و سه برای سازه سه طبقه آزمایشگاهی 88 .............................................
شکل ( )16-5پاسخ حوزه فرکانس در وضعيت یک و هفت برای سازه سه طبقه آزمایشگاهی88 ...........................................
شکل ( )17-5پاسخ حوزه فرکانس در وضعيت یک و 17برای سازه سه طبقه آزمایشگاهی 89 .............................................
شکل ( )18 -5نمودار تابعهای خود همبستگی و خود همبستگی جزئی در حسگر شماره پنج در وضعيتهای 1و 91 ................ 14
شکل ( )19 -5مقادیر p-valueآزمون آماری لجونگ-باکس برای تعيين مرتبه الگوی خودکاهنده در وضعيت یک )a( :حسگر دو،
( )bحسگر سه )c( ،حسگر چهار )d( ،حسگر پنج 93 .............................................................................................
شکل ( )21 -5مقایسه وابستگی باقیماندههای الگوهای ( AR)31( ،AR)15( ،AR)5و ( AR)41برای تابع خود همبستگی در حسگر
پنج از وضعيت سالم سازه 94 ........................................................................................................................
شکل ( )21-5تحليل باقیماندههای الگوهای خودکاهنده برازش شده توسط مرتبههای بهينه با تابعهای همبستگی 96 ....................
شکل ( )22-5بررسی حساسيت ویژگیهای استخراج شده در وضعيتهای یک تا نه در برابر وضعيتهای 11تا 14با در نظر گرفتن
پارامترهای الگوهای سری زمانی انتخاب شده 97 .................................................................................................
شکل ( )23-5بررسی حساسيت ویژگیهای استخراج شده در وضعيتهای یک تا نه در برابر وضعيتهای 15تا 17با در نظر گرفتن
پارامترهای الگوهای سری زمانی انتخاب شده 97 .................................................................................................
شکل ( )24 -5ارزیابی حساسيت ویژگیهای استخراج شده در وضعيتهای 98 ..................................................... 14-11
شکل ( )25-5تعيين شدت آسيب در قاب آزمایشگاهی سه طبقه با طبقهبندهای پيشنهادی 113...............................................
شکل ( )26 -5نمایی از سازه فوالدی چهار طبقه 116................................................................................... ASCE
شکل ( )27-5حسگرگذاری در سازه فوالدی 117...................................................................................... ASCE
شکل ( )28-5مقایسه ضرایب مدل سری زمانی خودکاهنده بين حالتهای بدون آسيب و آسيبدیده در حسگر شماره شش( :الف)
حالت یک و دو( ،ب) حالت یک و سه( ،ج) حالت یک و چهار( ،د) حالت یک و پنج 111................................................
شکل ( )29-5مقایسه باقیماندههای مدل سری زمانی خودکاهنده بين حالتهای بدون آسيب و آسيبدیده در حسگر شماره شش:
(الف) حالت یک و دو( ،ب) حالت یک و سه( ،ج) حالت یک و چهار( ،د) حالت یک و پنج 112........................................
شکل ( )31-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :CRIالف) حالت شماره دو( ،ب) حالت شماره سه( ،ج) حالت
شماره چهار( ،د) حالت شماره پنج 113.............................................................................................................
شکل ( )31-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :CSRIالف) حالت شماره دو( ،ب) حالت شماره سه( ،ج)
حالت شماره چهار( ،د) حالت شماره پنج 113.....................................................................................................
شکل ( )32-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :RRIالف) حالت شماره دو( ،ب) حالت شماره سه( ،ج) حالت
شماره چهار( ،د) حالت شماره پنج 114.............................................................................................................
شکل ( )33-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :RSRIالف) حالت شماره دو( ،ب) حالت شماره سه( ،ج)
حالت شماره چهار( ،د) حالت شماره پنج 114.....................................................................................................
شکل ( )34 -5تعيين شدت آسيب در سازه فوالدی ASCEبا استفاده از اندازه l2مقادیر طبقهبندیکنندههای پيشنهادی( :الف) ،CRI
(ب) ( ،CSRIج) ( ،RRIد) 115........................................................................................................... RSRI
شکل ( )35 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از مرتبه 114برای مدل سری زمانی خودکاهنده در استخراج ویژگی:
(الف) حالت شماره دو توسط ( ، CSRIب) حالت شماره چهار توسط ( ، CSRIج) حالت شماره دو توسط ( RRIد) حالت شماره
چهار توسط 117................................................................................................................................ RRI
م
شکل ( )36 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از معيار فيشر و ضرایب مدل سری زمانی خودکاهنده( :الف) حالت
شماره دو( ،ب) حالت شماره سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج 117........................................................
شکل ( )37 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از روش KSSDو باقیماندههای مدل سری زمانی خودکاهنده:
(الف) حالت شماره دو( ،ب) حالت شماره سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج 118.........................................
ن
چکیده
آسيب و یا خرابی در سازهها ،امری اجتناب ناپذیر است و در طول عمر هر سازهای ممکن است اتفاق افتد .با استفاده از
آزمایشهای غيرمخرب به ویژه در دهههای گذشته و تجهيز کردن سازهها به تجهيزات آزمایشهای ارتعاشی در محل
احتمالی آسيب ،سالمت آنها مورد ارزیابی قرار میگيرند .اما در بسياری از موارد مورد بررسی ،انجام آزمونهای غيرمخرب
بسيار پرهزینه ،پيچيده ،زمانبر ،غيرعملی و غيرموثر میباشند ،بهویژه در صورتی که سازههای مورد نظر در مراحل ابتدایی
آسيب باشند .در نتيجه استفاده از روشهای غيرمستقيمی که تشخيص آسيب را بهگونهای انجام دهند که سازه وارد وضعيت
بحرانی نشود بسيار ارزشمند هستند .در بسياری از روشهای سنتی تشخيص خسارت ،از دادههای مودال و دادههای فرکانسی
استفاده میکنند ،اما امروزه در گرایش جدید ارزیابی سالمت سازهای از دادههای خام در حوزهی زمان استفاده میشود.
هدف از انجام این رساله نيز معرفی و پيشنهاد روشهای مبتنی بر دادههای ارتعاشی و شاخصهای آماری ،با هدف تشخيص
آسيب سازهای و همچنين ارزیابی مکان و شدت آسيب با بهره بردن از مبانی روشهای تشخيص الگوی آماری میباشد.
از اینرو با بهره بردن از روشهای پيشپردازش سيگنالهای ارتعاشی پاسخ سازه و تبدیل موجک و همچنين مفاهيم
یادگيری ماشينی سعی شده است تا ابهامها و کاستیهای روشهای موجود بهبود داده شوند .سپس با معرفی روشهایی نوین
بر مبنای یادگيری ماشينی ،راهکارهایی جدید وکاربردی برای ارزیابی مکان و شدت آسيب سازهای با بهره بردن از دادههای
ارتعاشی پيشنهاد شده است .پس از استفاده از این روشها ،تخمين ویژگیهای حساس به آسيب سازهای و از سوی دیگر
رسيدن به روشهای قدرتمند آماری با هدف ارزیابی رفتار سازه سالم و آسيبدیده از گامهای اساسی هستند .در این راستا
از روشهای مبتنی بر دادههای ارتعاشی و تحليل سریهای زمانی بهعنوان یکی از ابزارهای توانمند حوزه آمار با هدف
استخراج ویژگیهای معنادار و حساس به آسيب سازهای استفاده شده است .این ویژگیها ،باقیماندهها و پارامترهای الگوهای
دادههای ارتعاشی حوزه زمان را در بر دارند .این الگوسازی آماری بر اساس الگوی شناخته شده خودکاهنده استوار است و
هدف آن تخمين پارامترها و استخراج ماندههای مستقل مدل آماری در حسگرهای نصب شده روی سازه میباشد .برای
بررسی درستی الگوی آماری مورد نظر از معيارهای عددی و گرافيکی آماری بهره برده شد .همچنين برای مکانیابی آسيب
سازهای و تصميمگيری آماری در خصوص وجود یا عدم وجود آسيب در سازههای مورد مطالعه ،از مفاهيم خطاهای موجود
در ویژگیهای بهدست آمده از پاسخهای ارتعاشی حوزه زمان ،و همچنين طبقهبندیکنندههای پيشنهادی آسيب استفاده
گردید .بهمنظور رسيدن به این هدف خطای نسبی شاخصهای بهدست آمده سازهای ،که نشانگر تفاوت ميان ویژگیهای
حساس به آسيب استخراج شده از وضعيت سازههای آسيبدیده و آسيبندیده میباشند مورد بررسی قرار گرفتند .بهمنظور
بررسی عملکرد روشهای پيشنهادی از سازه چهار طبقه فوالدی متعلق به انجمن مهندسان عمران امریکا و قاب سه طبقه
آزمایشگاهی متعلق به آزمایشگاه ملی لوسآالموس با در نظر گرفتن شرایط بهرهبرداری و محيطی ،بهره برده شده است.
نتایج بهدست آمده نشان دادند که روشهای معرفی شده در این رساله بهطور کلی میتوانند راهکارهایی قابل اعتماد و
کاربردی برای تشخيص آسيب سازهای در شرایط وجود ارتعاشهای محيطی و شرایط بهرهبرداری ارائه دهند .طبقهبندی-
کنندههای پيشنهادی در بيشتر موارد در مکانیابی آسيبهای سازهای موفق بودند .با این وجود ،طبقهبندیکننده شاخص
خطای نسبی پارامتری در سناریوهای آسيب جزئی مربوط به سازه فوالدی چهار طبقه دارای خطاهایی بود .همچنين مشاهده
شد که طبقهبندیکنندههای مبتنی بر باقیماندههای مدل برازش شده جهت تعيين شدت آسيب سازهای ،نتایج واضحتر و
بهتری را از ميزان آسيب در مقایسه با طبقهبندیکنندههای مبتنی بر ضرایب مدل سری زمانی خودکاهنده ارائه دادند .مطالعه
و ارزیابی مقایسهای نشان داد که طبقهبندیکنندههای پيشنهادی ،حتی طبقهبندیکننده شاخص خطای نسبی پارامتری ،از
معيارهای رایج فيشر و کولموگروف-اسميرنف برتر هستند.
واژگان کلیدی :مکانیابی آسيب ،تعيين شدت آسيب ،تبدیل موجک ،روشهای پيشپردازش سيگنال ،یادگيری
ماشينی ،روشهای فاصله آماری.
1
0فصل اول
کلیات تحقیق
-0-0مقدمه
آسيب و یا خرابی ساختمانها و سازههای عمرانی ،امری اجتناب ناپذیر است و بدون شک در طول عمر سازهها
اتفاق میافتد .گاهی اوقات ميزان بارهای وارد به سازه به اندازهای زیاد و قابل توجه است که موجب تخریب کامل
سازه میشود .در سایر موارد این بارها به صورت موقتی و با اندازهی کم به سازه وارد میشوند و آن را در آستانهی
آسيب قرار میدهد .در وضعيتهای دیگر بخشی از سازه دچار آسيب میشود .بيشتر چنين آسيبهایی را میتوان
با بررسیهای به هنگام از وضعيت سازهی آسيب دیده ،ترميم نمود و بدین ترتيب از گسترش آسيب در سازه مورد
نظر و فروریختن آنها مانع شد .هر سازهای بر اساس انوع بارهای ارتعاشی ،از خود پاسخ های دیناميکی منحصر به
فردی نشان میدهد که این پاسخها به ویژگیهای فيزیکی و دیناميکی آن سازه وابسته است .عالوه بر اینها ،این
پاسخهای دیناميکی بهوجود آمده در سازه ،مفاهيم ارتعاشی خاصی نيز به همراه دارند .الزم به ذکر است که با
آگاهی از ویژگیهای فيزیکی و دیناميکی سازه میتوان پاسخ سازه را محاسبه کرده و درکی درست از رفتار آن
سازه تحت اثر بارهای دیناميکی بهدست آورد .در برخی وضعيتهای دیگر سازه دچار تخریب کامل نشده ولی با
این حال ،بخشی از سازه یا عضوی از آن دچار آسيب میشود(کربهاری و انصاری .)2119 ،این وضعيتها موجب
میشوند تا فرآیند تشخيص آسيب یکی از اهداف با اولویت برای مهندسان عمران به منظور بررسی رفتار سازهها بر
اثر بارهای ارتعاشی بهحساب آید .عالوه بر موارد اشاره شده ،امروزه سازههای پيچيده و بزرگی مانند پلها،
ساختمانهای بلند مسکونی و تجاری ،سدها و ساختمانهایی با اهميت باال در سطح جهان ساخته شده و در حال
2
بهرهبرداری هستند .این سازهها از داراییهای بسيار با اهميت در هر کشور به شمار میآیند .از این رو بررسی عملکرد
و نگهداری مطلوب اینگونه سازهها ،به منظور حفظ جان عمومی افراد و استفاده آیندگان از اهميت باالیی برخوردار
میباشد .در بسياری از کشورهای پيشرفته ،این سازههای مهم و زیربنایی تسهيالتی مانند شبکه خطوط حمل و نقل
را فراهم میکنند .به این دليل در این کشورها با صرف هزینههای زیاد ،فرآیندهای تشخيص آسيب سازهای و
بهسازی اینگونه سازهها در صورت وجود آسيب احتمالی از اهميت باالیی برخوردار است .از اینرو ،نظارت بر
سالمت و شناسایی آسيبهای موجود در سازه ها در قالب ارزیابی سازه همواره یکی از برنامههای کالن کشورهای
پيشرفته میباشد .اشاره به این نکته ضروری است که با زیاد شدن قدمت ساختمانها و نيز زوال و خرابی آنها به
همراه کاهش بازده سازههای موجود ،سبب شده است تا مهندسان عمران با رویکردی علمی به بهبود رفتار اینگونه
ساختمانها روی آورند و با بهره بردن از امکانات موجود و ایجاد روشهای نوین به شناسایی پارامترهای فيزیکی و
دیناميکی سازهها و همچنين بررسی آسيب در آنها بپردازند (ماگالهاس و همکاران.1)2112 ،گفتنی است که با
توجه به اهميت تشخيص آسيب سازهها ،هدف اصلی از انجام این طرح پژوهشی در قالب رساله ،شناسایی آسيبهای
احتمالی سازهای بر اساس مفاهيم دادههای ارتعاشی میباشد .از این رو روشهای شناسایی و تعيين آسيب میتوانند
نقش بسيار مهمی را در بهسازی سازههای مهم و جلوگيری از بهوجود آمدن آسيبهای مالی و جانی ناشی از
تخریب آنها ایفا کنند.
با استفاده از آزمایشهای غيرمخرب به ویژه در در دهههای گذشته و تجهيز کردن سازه به تجهيزات آزمایش-
های ارتعاشی در محل احتمالی آسيب ،سالمت سازه مورد ارزیابی قرار میگرفت .در بسياری از موارد مورد بررسی
از جمله سازههای دریایی ،انجام آزمونهای غيرمخرب ،به طور کلی بسيار پرهزینه ،زمانبر ،غيرعملی و غيرموثر
میباشند بهویژه در صورتی که سازه مورد نظر در مراحل ابتدایی آسيب باشد .در نتيجه ،استفاده از روشهای
غيرمستقيمی که تشخيص آسيب را بهگونهای انجام دهند که سازه وارد وضعيت بحرانی نشود بسيار ارزشمند هستند.
با پيشرفت عملی در زمينهی آزمایشهای دیناميکی به ویژه آزمایش مودال ،استفاده از روشهای ارتعاشی برای
تشخيص آسيب به منظور ارزیابی سالمت سازهها ،مورد توجه پژوهشگران متعددی قرار گرفت .بسياری از این
روشها ،از دادههای مودال و دادههای فرکانسی استفاده میکنند .در گرایش جدید ارزیابی سالمت سازهای ،از
دادههای خام در حوزهی زمان استفاده میشود .در این قبيل روشها ،رفتار دیناميکی سازه به طور طبيعی تحت اثر
ارتعاشهای مشخص غيرمخرب و همچنين ارتعاشهای محيطی قرار میگيرد .با وارد کردن ارتعاشهای مشخص
و یا محيطی از قبيل باد ،ترافيک و تجمع افراد ،میتوان سالمت سازههای مهم بزرگ عمرانی را مورد ارزیابی قرار
داد .یک روش نوین برای استخراج ویژگیهای حساس به آسيب سازهای از دادههای پاسخ و همچنين مقایسهی
آنها با یکدیگر ،تحليل سریهای زمانی و همچنين روشهای نوین آماری و علوم کامپيوتر میباشد .به طور کلی،
یک سری زمانی را میتوان به صورت دنبالهای از مشاهدات که در زمانهایی معلوم برداشت شدهاند تعریف نمود.
1
Magalhaes et al
3
الزم بهذکر است که عدم نياز به انتقال دادهها به حوزهی فرکانسی برای بدست آوردن پاسخهای ارتعاشی سازه،
کاهش هزینههای آزمایشهای دیناميکی ،داشتن ویژگیهای انحصاری و حساس به آسيب سازهای ،سادگی و عدم
وجود پيچيدگی و همچنين قابل استفاده بودن برای تمام پروژههای ارزیابی سالمت بدون محدودیت ناکامل بودن
دادهها ،بخشی از مزایای روشهای تحليل سریهای زمانی و در ادامه ،روشهای نوین آماری و علوم کامپيوتر
میباشد .از سوی دیگر امروزه به دليل فرسودگی و ایجاد آسيبهای کلی و یا موضعی در سازههای با اهميت و
بزرگ عمرانی و نيز آگاهی و اطمينان از رفتار مطلوب سازهها در زمان بهرهبرداری ،انگيزهای جدید برای مهندسان
و کارفرمایان سازههای عمرانی به وجود آورده است تا با بهره بردن از ارزیابی سالمت سازهها بهترین عملکرد و
مناسبترین نوع طراحی را برای چنين سازههایی فراهم سازند (ماگالهاس و همکاران .)2112 ،با پيشرفتهای انجام
شده در علوم مهندسی و همچنين تجهيزات آزمایشگاهی ،استفاده از روشهای ارزیابی سالمت سازهای با مفهوم
ارتعاشی بيشتر وعميقتر مورد توجه پژوهشگران و مهندسان عمران قرار گرفته است .گفتنی است که ارزیابی سالمت
سازهای در واقع علمی است که فرآیندهای دیناميکی غيرمخرب چندگانه را برای بررسی عملکرد سازه شامل می-
شود .ارزیابی سالمت سازهای به فرآیند عملی و اجرایی بررسی و شناسایی آسيب در گرایشهای مهندسی بر اساس
مفاهيم ارتعاشی گفته میشود .به سخن دیگر ،روشهای توليد نرمافزارهای تجاری وکاربردی کردن رابطههای
بنيادی شناسایی آسيب در ارزیابی سالمت سازه ،بهطور ویژه مورد توجه قرار میگيرند(ونزل .)2119 ،1در دهههای
گذشته ،با بهره بردن از آزمایشهای مخرب و قرارگيری تجهيزات آزمایش در محل احتمالی آسيب ،سالمت سازه
مورد ارزیابی قرار میگرفت .با این وجود ،با پيشرفت آزمایشهای دیناميکی بهخصوص آزمایش مودال ،استفاده
از روشهای ارتعاشی برای تشخيص آسيب و ارزیابی سالمت سازهها ،مورد توجه پژوهشگران متعددی قرار گرفته
است (دریميکر و همکاران .)2118 ،2افزون بر اینها ،با نوآوریهای انجام گرفته در بارهای محيطی و چگونگی
شناسایی پارامترهای مودال بر اساس اعمال ارتعاشهای محيطی همانند باد ،ترافيک و تجمع افراد ،میتوان ارزیابی
سالمت سازهای را در مقياس سازههای بزرگ عمرانی مورد بررسی قرار داد (ماگالهاس و همکاران .)2112 ،در
واقع با انجام آزمایش دیناميکی مودال میتوان به پاسخهای با ارزشی از سازه دست یافت که بررسی سالمت سازه
بهطور مستقيم به این پاسخها وابسته است .این پاسخها میتوانند تابع پاسخ فرکانسی و یا پارامترهای مودال باشند.
در این رساله ،با مقایسهی پاسخهای ارتعاشی سازهی سالم و سازهی آسيب دیده با استفاده از تحليل سریهای زمانی
و روشهای آماری و علوم کامپيوتر ،سالمت سازههای معيار آزمایشگاهی ،مورد ارزیابی قرار میگيرد .الگوسازی
رفتار دیناميکی سازهها و پيادهسازی روشهای مختلف پيشنهادی در سازههای اشاره شده ،با بهره بردن از نرمافزار
متلب 3انجام میشود .الزم بهذکر است که این نرمافزار دارای توانمندیهای گسترده در مهندسی عمران میباشد.
1 Wenzel
2 Deraemaeker et al
3 MATLAB
4
-5-0تشخیص آسیب
بهطور کلی مفهوم آسيب در سازه بهصورت تغييرات نامطلوب دائمی در سازهها بهدليل تغيير در ویژگیهای
فيزیکی و دیناميکی سازهها و مصالح مصرفی آنها میباشد .تغييرات اشاره شده منجر به تغيير پاسخهای دیناميکی
سازهها شده و اثرات نامطلوبی در رفتار دیناميکی سازه میگذارد (رادزینسکی و همکاران .)2111 ،1آسيب سازهای
میتواند به دالیلی از قبيل فرسودگی و زوال اعضای سازهای ،ایجاد انحراف در هندسه سازه ،تغيير ویژگیهای
جرم ،ميرایی و سختی ،دگرگونی در ویژگیهای مصالح ،تخریب کلی یا موضعی بر اثر بارهای شدید ارتعاشی،
بروز خستگی در اعضای سازهای بهوجود آید .این آسيبها به شکلهای مختلفی از قبيل ترك در اعضای بتنی،
جاری شدن و گسيختگی فوالد ،انهدام بتن و تغيير شکلهای نامطلوب در سازه بروز میکنند .با ایجاد این آسيبها،
پاسخ دیناميکی سازه بهطور قابل توجهی تغيير میکند .بهطور کلی این تغييرات با کاهش فرکانسهای طبيعی و
تغيير ساختار شکل مودهای ارتعاشی و یا تابعهای پاسخ فرکانسی در سازه همراه میباشند (خشنودیان و اسفندیاری،
.)2111از این رو ،پاسخهای دیناميکی یکی از ابزارهای بسيار توانمند و قابل اعتماد در ارزیابی آسيب سازهای
بهشمار میآیند .بنابراین مبنای اصلی تشخيص و ارزیابی آسيب بر اساس معيار ارتعاشی و بهره بردن از پارامترهای
پاسخ های دیناميکی استوار است .الزم به ذکر است که با بهره بردن از دادههای دیناميکی یا به صورت دقيقتر،
پارامترهای مودال و روشهایی که بر اساس دادههای ارتعاشی هستند ،میتوان آسيبهای سازهای را در چهار مرحله
کلی مورد بررسی قرار داد .این مراحل به ترتيب شامل تشخيص ابتدایی آسيبهای موجود در سازه ،مکانیابی
آسيب سازهای ،تعيين شدت آسيب در سازه و پيش بينی گسترش آسيب در اعضای سازهای تقسيمبندی میشوند (
فرار 2و دابلينگ1997 ،3؛ دانایی و همکاران .)2112 ،گفتنی است که انجام این مراحل در فرآیند تشخيص آسيب
بدون در دسترس بودن دادههای مودال مقدور نمی باشد .این دادهها به طور معمول توسط آزمایشهای مودال و به
طور خاص آزمایش تجربی مودال و آزمایش عملی مودال محاسبه میشوند .نتيجههای حاصل از این گونه
آزمایشها به طور کلی به دو شکل قابل استفاده میباشند .این وضعيتها را میتوان به روشهای مستقيم و غير
مستقيم دستهبندی کرد .در روشهای مستقيم از تابعهای پاسخ فرکانسی بهره برده میشود و در مقابل ،در روشهای
غير مستقيم به دليل محدودیتهای استفاده از تابعهای پاسخ فرکانسی ،از روشهای عددی میتوان پارامترهای
مودال را محاسبه کرد (المنگ 4و برون2112 ،5؛ برونجان و همکاران .)2111 ،6از این رو استفاده از شکل مودهای
ارتعاشی ،فرکانسهای طبيعی یا تابعهای پاسخ بسامدی ،ابزاری بسيار ارزشمند و کارآمد برای شناسایی آسيب
سازهای میباشند .با توجه به نوع دادههای بهدستآمده از تابعهای پاسخ بسامدی یا پارامترهای مودال ،روشهای
بسياری برای تشخيص آسيب در سازهها بر اساس مفاهيم ارتعاشی وجود دارد .به طور کلی این روشها به دو دستهی
روشهای سنتی و پيشرفته تقسيمبندی میشوند .در روش های سنتی از مفاهيم اوليه و بنيادی دیناميک سازهها به
6
و تکراری تقسيمبندی کرد .در این دو روش با تعریف تابع خطا و کمينهسازی آن ،فرآیند بهروزرسانی انجام میشود
(فریسول .)2117 ،1با این وجود بهره بردن از مفاهيم حساسيت ویژگیهای دیناميکی سازه نسبت به عوامل ایجاد
آسيب سازهای ،از دیگر روشهای بررسی و ارزیابی آسيب در سازهها بهشمار میآیند (فن و کيائو2111 ،؛ گومز
و سيلوا .)2118 ،الزم به ذکر است که در واقع این حساسيتها ،نرخ تغييرات بعضی از خصوصيات مهم دیناميکی
مانند فرکانسهای طبيعی و شکل مودهای ارتعاشی به تغييرات موجود در عاملهای فيزیکی و دیناميکی سازهای
مانند جرم و سختی هستند (ماترشيد و همکاران .)2111 ،2عالوه بر استفاده از روشهای سنتی موجود در تشخيص
آسيبهای سازهای ،میتوان از روشهای نوین تشخيص آسيب سازهای بر مبنای شبکههای عصبی ،الگوریتمهای
ژنتيک ،منطق فازی و تحليل موجک به منظور تعيين شدت و مکان آسيب استفاده کرد (یان و همکاران.)2117 ،
1 Friswell
2
Mottershead et al
7
و هرگونه نقص اوليه دیگر ،ممکن است بتواند کنترل شود .افزون بر این ،طراحی نصب و پایش ساخت قبل از آغاز
ساخت سازه ممکن است یک ابزار بسيار مناسب و کارآمد برای کنترل و کاهش هرگونه ناسازگاری ،حذف یا
خطا در نصب و نقشههای ساخت باشد .این مساله به این دليل است که چنين مواردی در صورتی که پس از شروع
ساخت اتفاق بيفتند ،ممکن است منجر به تأخيرهای قابل توجهی شوند .شکل ( )1-1یک سازه بزرگ در حال
ساخت را نشان میدهد که میتواند به عنوان موردی مناسب به منظور ارزیابی سالمت سازهای باشد.
شکل ( ) -1ساخت پل اینچئون 1در کره .ارزیابی سالمت سازه در هنگام ساخت میتواند برای پایش پاسخ چنين سازه
منحصربهفردی در این محل مناسب و کارآمد باشد (کربهاری و انصاری.)2119 ،
1 Incheon
8
جابهجاییها ،ارتعاشها و نشانههای قابلمشاهده ،فرسودگی ،تخریب ،آشفتگی و تخریب در مصالح ،اجزاء و
اتصاالت میباشد .پس از شناسایی دقيق هرگونه دليلهای ریشهای آسيب سازهای با استفاده از ارزیابی سالمت،
امکان تخمين موثرترین و سازگارترین فناوری تکرار بر اساس کاهش ریشه آسيب وجود دارد .در اغلب موارد
ارزیابی سالمت سازه ،یک زمان طوالنی الزم است تا ریشههای آسيبها و مکانيسمهایی که منجر به وقوع نشانههای
تخریب یا آسيب میشوند به صورت دقيق شناسایی شوند .برخی سازهها ممکن است بهدليل روشها و یا جزئيات
ساخت نامطلوب از قابليت اطمينان کافی برخوردار نباشند .در این حالت چالش مورد نظر ممکن است ارائه یک
طرح مقاومسازی که بدون وارد کردن تأثير مخرب بر اجزاء سازهای موجود ،بهبود قابل توجهی را در قابليت اطمينان
سيستم سازهای بهوجود آورد ،مورد نياز و ضروری باشد .الزم بهذکر است که چنين طرحی باید بهصورت ایمن و
به سهولت قابل اجرا باشد .بهطورکلی پلهای بزرگ و پلهایی که در پایان عمر مفيد با در نظر گرفتن تأثيرات
خستگی در آنها قرار دارند ،در دسته حساس به ترك قرار داده میشوند .پلهای واقع در مناطق لرزهخيز و بهصورت
خاص ،مواردی که در اثر تغييرات آیيننامهای در معرض افزایش مقتضيات مربوط به سطح لرزهای قرار دارند،
بهعنوان نمونههای مقاومسازی در نظر گرفته میشوند .در حالتی که امکان اجرای طرح مقاومسازی وجود نداشته
باشد ،ارزیابی سالمت سازهای اجزاء بحرانی ترك و شرایطی مانند بارگذاری وسيلههای نقليه که میتواند منجر به
ایجاد تنشهای بيش از حد در این اجزاء شود ،باید به دالیل ایمنی مورد بررسی قرار گيرند .تحليل و تفسير چنين
نتایجی ممکن است اطالعاتی مهم و حياتی در ارتباط با بار موجود و پاسخهای مربوط به آن و نيز عمر خستگی
باقیمانده فراهم کند .در شکل ( )2-1یک سازه مهم بهعنوان نمونهای برای ارزیابی سالمت سازههای موجود نشان
داده شده است.
شکل ( ) -1پل بروکلين 1در شهر نيویورك .این پل به عنوان یکی از سازههای برجسته قدیمی به منظور ارزیابی سالمت
سازهای با هدف ادامه کاربرد ،نگهداری ،تعمير و مقاومسازی بررسی شده است (کربهاری و انصاری.)2119 ،
1
Brooklyn
9
-6-0تحلیل مودال و کاربرد آن در فرآیند تشخیص آسیب
تحليل و آزمایش مودال یک روش سامانهای و از نوع تحليلهای دیناميکی است که عالوه بر محاسبه پاسخ
دیناميکی سازهها ،ویژگیهای ذاتی آنها را نيز مورد بررسی قرار میدهد .به سخن دیگر تحليل مودال روشی مفيد
برای تشریح و الگوسازی رفتار سازهها بهشمار می آید .این نوع تحليل دیناميکی روشی ارزشمند برای کسب یک
تجسم واقعی از رفتار دیناميکی سازه خواهد بود .برخالف نظریههای سنتی و قدیمی دیناميکی که بهطور کلی پاسخ
یک سازه را مد نظر دارند ،در تحليل مودال عالوه بر کسب پاسخهای ارتعاشی سازه ،ویژگیهای ذاتی سازه مرتعش
شدهی مورد مطالعه نيز مورد بررسی قرار میگيرد .این تحليل بر این اصل استوار است که پاسخهای ارتعاشی یک
سازه دیناميکی خطی و نامتغير با زمان را میتوان بهصورت ترکيب خطی مجموعهای از حرکتهای هماهنگ ساده
که بهصورت مودهای ارتعاشی موسوم هستند را در نظر گرفت .شکل مودهای ارتعاشی ،در واقع وابسته به دیناميک
سازه بوده و توسط خواص فيزیکی و دیناميکی سازه مانند جرم ،ميرایی و سختی و چگونگی توزیع فضایی آنها
تعيين میشوند .در این نوع تحليل شناخته شدهی دیناميکی ،به مواردی همچون بررسی سامانههای دیناميکی گسسته
و پيوسته ،تحليلهای عددی ،معادلههای ماتریسی و فرآیند تخمين پارامترهای سازهای پرداخته میشود (هی 1و فو،2
.)2111امروزه بر اساس پيشرفتهای موجود در زمينه آزمایشهای غيرمخرب بهویژه آزمایش مودال ،استفاده از
پارامترهای مودال یا تابعهای پاسخ فرکانسی مورد توجه پژوهشگران بسياری قرار گرفته است .پارامترهای مودال
اطالعاتی از سازه هستند که بيان کننده رفتار دیناميکی در سازه بوده و بهصورت الگوی پاسخ در سازه تعریف
میشوند .این پارامترها شامل فرکانسهای طبيعی ،شکل مودهای ارتعاشی و پارامترهای ميرایی هستند(اوینس،3
.)2111یکی از محدودیتهای موجود در رسيدن به پارامترهای اشاره شده ،مشکالت و وسایل مورد نياز برای انجام
آزمایش دیناميکی مودال است .آزمایش مودال در واقع یک آزمایش غير مخرب دیناميکی حساس است ،از اینرو
باید توسط افراد خبره صورت گيرد .وجود خطاهایی مانند نوفه و مشکالت اندازهگيری تمام مودهای ارتعاشی،
انجام این نوع آزمایش را زمانبر و طوالنی ساخته است .از سوی دیگر فراهم کردن تجهيزات آزمایش مودال عمدتاً
بسيار پرهزینه بوده و گاهی اوقات مقرون بهصرفه نيست .بنابراین میتوان با شبيهسازی آزمایش مودال با روشهای
عددی به پارامترهای مودال دست یافت .با گسترش نرمافزارهای مهندسی و قابليتهای ارائه شده در جعبه ابزار
نرمافزار متلب توانمندی شبيهسازی آزمایش مودال ،پردازش سيگنال و نيز تعيين الگوی پاسخ در حوزههای زمان و
فرکانس ،تابع پاسخ ضربه و تابع پاسخ بسامدی وجود دارد (لجونگ .)1997 ،4از سوی دیگر فرآیند ارزیابی سالمت
سازهها بهویژه تشخيص آسيب سازهای ،بر مبنای رابطهسازیهای نظری و ریاضی استوار است و پارامترهای مودال
بهدست آمده از آزمایش دیناميکی مودال بهعنوان اطالعات بسيار کاربردی برای رسيدن به این هدف نهایی مورد
1 He
2 Fu
3 Ewins
4 Ljung
11
استفاده قرار میگيرند .بههمين دليل با وجود قابليتهای موجود شبيهسازی آزمایش مودال میتوان بدون در نظر
گرفتن مشکالت آزمایش مودال ،فرآیند تشخيص آسيب و ارزیابی سالمت سازه ای را با دادههای مودال انجام داد.
-5-0مفروضات تحقیق
-1روش تشخيص آسيب بر اساس روشهای آماری ،سریهای زمانی و شبکه عصبی میباشد.
-2روشهای تشخيص و یادگيری ماشين ،روشهای مبتنی بر داده میباشند.
-3روشهای مورد نظر با بهره بردن از یادگيری نظارت شده ،شناسایی آسيب را انجام میدهند.
-4دادههای ارتعاشی عمدتاً محتوای آماری داشته و میتوان از روشهای مورد نظر به عنوان شاخص بهره برد.
-5فرضيات مدلسازی بر اساس فرضيات مفروض در هر یک از مدلهای سنگ نشانه است.
-6سناریوی آسيب در سازه بر اساس کاهش سختی و افزایش جرم است.
-7ویژگیهای حساس به آسيب در سازه عموماً از محتوای ارتعاشی دادهها بهصورت مستقيم و غيرمستقيم
استخراج میشود.
-8در برخی موارد از روشهای نرمالسازی جهت هموارسازی دادهها استفاده میشود.
-1-0فرضیهها
-1پاسخهای یک سازه میتواند بهصورت مدلسازی آماری و بهرهبردن از مفاهيم شبکه عصبی شبيهسازی شود.
-2سازههای شبيهسازیشده عددی را بهمنظور تشخيص آسيب میتوان از روشهای آماری مبتنی بر داده
بررسی نمود.
-3روابط تئوری را میتوان در مثالهای واقعی نيز پيادهسازی نمود.
-4روش آماری به عنوان روشی جدید ،توانایی الزم را در سطوح متفاوت تشخيص آسيب دارد.
-5شرایط محيطی و عملياتی در رفتار و پاسخ سازه تأثير دارند.
-01-0اهداف تحقیق
-1یکی از موضوعات پرچالش در زمينه شناسایی آسيب سازهای با بهره بردن از دادههای خام ارتعاشی حوزه
زمان ،شرایط محيطی و عملياتی میباشند .این شرایط در پاسخهای سازه تأثيرگذار میباشند و گاهی اوقات وجود
11
این تأثيرات ،منجر به نتایج اشتباه در ارزیابی آسيب سازهای میشود ،لذا یکی از اهداف این طرح پژوهشی ،پيشنهاد
روشها و همچنين الگوریتمهایی است که تأثيرات عوامل محيطی و عملياتی را تا حد امکان در نظر نگيرند.
-2از سوی دیگر بهطور کلی یکی دیگر از موضوعات مهم استفاده از دادههای شتاب در سازه ،حضور عواملی
همچون نوفه و اختشاش در دادههای ارتعاشی میباشند .دادههای ارتعاشی حوزه زمان اندازهگيری شده ،همواره
دارای نوفه در فرکانسهای باال و همچنين اختشاش در فرکانسهای پایين هستند .در صورتی که اینگونه ناخالصی-
ها در سيگنال حضور داشته باشند ،ممکن است فرآیند استخراج ویژگی و در نتيجه فرآیند تشخيص آسيب سازهای
با مشکل مواجه شود .در این طرح پژوهشی از روشهای کارآمد نوفهزدایی تبدیل موجک به همراه روشهای
نرمال سازی دادههای ارتعاشی با هدف خالصسازی دادههای ارتعاشی ،بهره برده خواهد شد.
-3در آسيبیابی سازهای ،بایستی ویژگیهای حساس به آسيب از دادههای خام ارتعاشی همچون شتاب سازه
استخراج گردند ،به این منظور در این طرح پژوهشی سعی بر آن است که با استفاده از روشهای تشخيص الگوی
آماری ،فرآیند استخراج ویژگی حساس به آسيب سازهای انجام شود .به سخن دیگر ،در آسيبیابی سازهای بایستی
ویژگیهای حساس به آسيب از دادههای خام ارتعاشی همچون شتاب سازه ،بدون در نظر گرفتن شرایط محيطی و
عملياتی استخراج گردند .الزم بهذکر است استخراج ویژگیهای حساس به آسيب سازهای مهمترین گام در فرآیند
تشخيص آسيب با بهره بردن از دادههای خام ارتعاشی میباشد و در صورتی که این ویژگیهای استخراج شده
نسبت به تغييرات سازه ای حساسيت الزم را نداشته باشند ،فرآیند تشخيص آسيب با مشکالتی جدی مواجه خواهد
شد.
-4در این طرح پژوهشی مکانیابی آسيب سازهای و همچنين مقایسه شدت نسبی آسيبهای مختلف مورد
بررسی قرار خواهند گرفت.
-5برای فرآیند تشخيص آسيب سازهای در مراحل اشاره شده ،پس از بهدست آوردن ویژگیهای حساس به
خسارت ،با بهره بردن از مفاهيم یادگيری ماشينی از شاخههای زیر مجموعه حوزه علوم کامپيوتر ،به پيشنهاد چندین
رابطه بهمنظور شناسایی اوليه آسيب و همچنين مکانیابی آن بهعنوان گامی موثر و کارآمد در فرآیند تشخيص
آسيب سازهای پرداخته میشود.
-6در پژوهش مورد نظر سعی خواهد شد بهمنظور بررسی عملکرد و توانمندی روشهای پيشنهادی از سازه سه
طبقه آزمایشگاهی که در آزمایشگاه ملی لسآالمس و سازه فوالدی چهار طبقه ، ASCEبهره برده شود .الزم
بهذکر است هدف از انتخاب سازههای مورد نظر این است که این سازهها ،از کاملترین سازههای موجود در زمينه
تشخيص آسيب سازهای میباشد که خسارتهای خطی و غيرخطی و همچنين شرایط محيطی و عملياتی با در نظر
گرفتن حالتهای مختلف در آن شبيهسازی شده است.
13
ویژگیهای حساس به آسيب سازهای ،یکی از مهمترین گامهای فرایند تشخيص آسيب با بهره بردن از دادههای
خام ارتعاشی میباشد و در صورتی که این ویژگیهای استخراج شده نسبت به تغييرات سازهای حساسيت الزم را
نداشته باشند ،فرآیند تشخيص آسيب با مشکالتی جدی ،مواجه خواهد شد .سپس با بهره بردن از مفاهيم یادگيری
ماشينی از شاخه های زیر مجموعه حوزه علوم کامپيوتر ،به پيشنهاد چندین رابطه به منظور شناسایی اوليه آسيب و
همچنين مکانیابی آن به عنوان گامی موثر و کارآمد در فرایند تشخيص آسيب سازهای پرداخته خواهد شد.
14
در فصل پنجم ارزیابی روشهای پيشنهادی تشخيص آسيب بر روی مدلهای قاب آزمایشگاهی شناخته شده معيار
انجام میپذیرد .سرانجام در فصل ششم ،نتيجهگيریهای این رساله و ایدههای جدید برای پژوهشهای آینده ارائه
میشود.
15
مراحل پژوهش
تعریف موضوع
شناسایی و تشخيص مکان آسيب سازهای با بهره بردن از روشهای تبدیل موجک و تشخيص الگوی آماری
ارزیابی آسيب سازهای توسط روشهای نوین ارتعاشی ارزیابی آسيب سازهای بر اساس روشهای مبتنی بر مفاهيم ارتعاشی
شناخت شبکههای عصبی و الگوی سری زمانی شناخت الگوی آماری و انتخاب ویژگی راهکارهای تفسير و ارزیابی دادههای ارتعاشی
طبقهبندهای پيشنهادی تشخيص محل آسيب سازهای با روش مبتنی بر دادههای ارتعاشی تحليل سریهای زمانی دادههای
برای آسيب سازهای استفاده از روشهای پيشنهادی برای استخراج ویژگی ارتعاشی در حوزه زمان
تدوین پایاننامه
16
2فصل دوم
مبانی علمی و مروری بر پژوهشهای انجام شده
-0-2مقدمه
پایش سالمت سازه (SHM) 1فرایند مهمی با هدف ارزیابی سالمت و ایمنی سازههای عمرانی و تشخيص
خرابیهای محتمل سازهای است (فارار و وردن .)2117بهطور کلی ،فرآیند تشخيص آسيب را میتوان در دو گروه
روشهای سنتی و نوین ارتعاشی مورد بررسی قرار داد (قرهباغی و همکاران .)1397 ،الزم به ذکر است که در فصل
پيشين اطالعات کاملی درباره این روشها بيان گردید .در حوزه پایش سالمت سازه ،روش تشخيص آسيب به چهار
سطح ،تشخيص اوليه آسيب (سطح یک) ،مکانیابی آسيب (سطح دو) ،ارزیابی شدت آسيب (سطح سه) و پيشبينی
آسيب و عمر باقیمانده سازه (سطح چهار) تقسيم میشود (رایتر.)1993 ،
تشخيص آسيب اوليه یک فرایند تشخيص کلی با هدف تشخيص وجود آسيب و اطالع از وجود آن در کل
سازه است .مکانیابی و ارزیابی شدت آسيب از مراحل تشخيص خرابی موضعی میباشند که هدفشان شناسایی
مکان و برآورد شدت آسيب است (مسکوتا و همکاران .)2116پيشبينی سطح خرابی و پيشبينی طول عمر باقی-
ماندهی سازه پس از ارزیابی سه سطح قبلی است (فارار و ليون .)2117با افزایش سطح ،اطالعات مرتبط و پيچيدگی
روشهای پایش سالمت سازه نيز بيشتر میشود .این سطوح معموالً از طریق تکنيکهای مبتنی بر مدل یا داده اجرا
1
Structural Health Monitoring
17
میشوند (انتظامی و همکاران 2117؛ سرمدی و همکاران 2116؛ رضایی پاژند و همکاران 2119؛ رضایی پاژند و
همکاران .)2121
روشها و راهکارهای غيرمخرب ارتعاشی با بهره جستن از دادههای مودال ،برای ارزیابی سالمت سازهها مورد
استفاده قرار میگيرند .این روشها بهطور کلی بر مبنای مفاهيم اساسی ارتعاشی میباشند .در این راستا پژوهشهای
زیادی در خصوص شناسایی سامانه و تشخيص آسيب سازهای انجام شده است .در زمينه ارزیابی آسيب سازهای،
ساالوو ،)1997( 1فرار ( )1997و نيز دابلينگ و همکاران ،)1998( 2تحقيقی جامع و کامل در راستای کارهای انجام
شده در این زمينه و روشهای رایج شناسایی آسيب انجام دادهاند (ساالوو1997 ،؛ فرار و دابلينگ1997 ،؛ دابلينگ
و همکاران .)1998 ،تکنيکهای دادهمحور براساس روشهای آماری از سيگنالهای اوليه ارتعاشات استفاده می-
کنند که این روشها ،ویژگیهای حساس به خسارت را از دادههای ارتعاشی اندازهگيری شده استخراج و سپس
ویژگیهای استخراج شده را برای تصميمگيری دربارة وضعيت سازه آناليز میکنند (انتظامی و همکاران.)2119 ،
روشهای دیناميکی تشخيص آسيب بر پایه تغيير در ویژگیهای دیناميکی سازه گسترش یافته و به صورتهای
مختلف مانند روشهای مبتنی بر مشخصات مودال روشهای هوش مصنوعی و روشهای پردازش سيگنال به
شناسایی آسيب میپردازند (حاجیمحمدرضایی و نادرپور .)1397 ،برای سيستمهای پایش سالمت سازه ،پارادایم
تشخيص الگوی آماری به چهار مرحله ارزیابی عملياتی ،گردآوری داده ،استخراج ویژگی و تصميمگيری آماری
تقسيم میشوند( .فرار و همکاران ،2111فرار و همکاران .)2113
افزون بر اینها ،پژوهشهای گستردهای در هر یک از این زمينهها در سالهای اخير انجام شده است .در این
راستا هر یک از موارد اشاره شده بهطور مختصر مورد ارزیابی قرار میگيرند.
1 Salawu
2 Doebling et al
3 Catbas et al
18
پيوسته محيط بارگذاری و پاسخهای بحرانی که سيستم مورد مطالعه یا اجزاء آن ایجاد نموده و دادههای موردنياز
برای سالمت و عملکرد سيستم سازهای را بهدست آورد (اکتان و همکاران .)2111 ،1روشهای اساسی ارتعاشات
به طور کلی بر این اصل استوار هستند که پاسخهای ارتعاشی سازهها و پارامترهای مودال به ویژگیهای فيزیکی و
دیناميکی سازهها وابسته هستند .با توجه به ماهيت آسيب سازهای ،تغيير در ماتریسهای جرم و سختی باعث تغيير
در پاسخ دیناميکی سازهها میشوند .از این رو با داشتن پاسخ شتاب سازه و همچنين دادههای مودال آن میتوان
فرایند شناسایی آسيب سازهای را شروع کرد .به این منظور از روشهای آماری ،ریاضی و رابطه سازیهای بنيادی
دیناميک سازه از قبيل مسأله مقدار ویژه و شرطهای تعامدی مودی بهره برده میشود.
-0-2-2ارزیابی آسیب سازهای بر اساس روشهای مبتنی بر دادههای ارتعاشی
در این زمينه تحقيقاتی ،فرار و همکاران در سال 1999به صورت کامل به معرفی روش تشخيص الگوی آماری
در تشخيص آسيب سازهای براساس ارتعاشات پرداختند .براساس پژوهش آنها روش تشخيص الگوی آماری شامل
چهار دسته ارزیابی اجرایی ،دستيابی دادهها و پاکسازی آنها ،انتخاب ویژگی و مقایسهی دادهها و گسترش الگوی
آماری میشود (فرار و همکاران .)1999 ،سان و همکاران در سال 2111با استفاده از یک روش کنترل آماری،
آسيب در یک پایهی پل بتنی را مورد ارزیابی قرار دادند .در روش پيشنهادی آنها پارامترهای مدل
خودکاهنده (AR) 2بهعنوان ویژگیهای حساس به آسيب سازهای در نظر گرفته میشود .حدود کنترلی در این
پژوهش براساس ویژگیهای بهدست آمده از سازه در وضعيت سالم نتيجه میشود (سان و همکاران.)2111 ،3
همچنين سان و فرار در سال 2111در پژوهشی با ارایهی یک روش سری زمانی نوین به مکانیابی آسيب در
سازههای مکانيکی پرداختند (سان و فرار .)2111 ،در پژوهشی دیگر ،سان و همکاران در سال 2111دو روش
شناسایی الگو براساس تحليل و تفسير سریهای زمانی برای تشخيص آسيب یک قایق دریایی معرفی کردند .روش
اول براساس ترکيبی از دو الگوی سری زمانی و روش دوم براساس تحليل دادههای پرت مبتنی بر محاسبهی فاصلهی
مهاالنوبيس 4میباشد .هدف اصلی آنها استخراج ویژگی و همچنين ساخت مدلهای آماری برای تشخيص داده-
های ارتعاشی تحت شرایط سازهای متفاوت است (سان و همکاران .)2111 ،لی و همکاران در سال 2113در
پژوهشی از روش سریهای زمانی برای شناسایی آسيب سازهای در یک مسألهی مبنا و شناخته شده بهره بردند .این
پژوهشگران با در نظر گرفتن نمونه آسيبها و تحریکهای متفاوت ،به مکانیابی آسيب سازهای در یک قاب برشی
چهار طبقه پرداختند .براساس نتيجههای بهدست آمده از این پژوهش ،روش آنها توانایی تعيين مکان آسيبهای
جزیی را نداشت (لی و همکاران .)2113 ،5در پژوهشی دیگر ،نایر و همکاران در سال 2116با تعریف یک ویژگی
حساس به آسيب جدید و همچنين با تعریف دو شاخص تعيين مکان آسيب با استفاده از مدلهای خودکاهندهی
ميانگين متحرك ،(ARMA)6به شناسایی آسيب و تعيين مکان آن در دو مدل عددی و آزمایشگاهی پرداختند.
21
شناسایی ترك در نمونههای آزمایشگاهی تيرهای بتنی بهره بردند (لی 1و چانگ .)2111 ،2سو و همکاران 3در سال
2112با در نظر گرفتن تأثير تغييرات فرکانسهای طبيعی در سازههای برشی ،به تعيين مکان آسيب با در نظر گرفتن
تغييرات ایجاد شده در پارامترهای جرم و سختی طبقات قابهای برشی پرداختند .آنها از روشهای معرفی شده
برای ارزیابی عددی آسيب در قابهای برشی در اثر بارهای لرزهای و محيطی استفاده کردند (سو و همکاران،
.)2112در پژوهشی دیگر ،ماجومدار و همکاران 4در سال 2112با استفاده از یک تابع هدف و نيز اختالف فرکانسی
طبيعی در وضعيتهای پيش از آسيب و نيز پس از وقوع آن ،آسيبهای وارد شده به چند خرپا را بررسی کردند
(ماجومدار و همکاران .)2112 ،همچنين اسفندیاری و همکاران در سال 2113با پيشنهاد یک روش جدید برای
تعریف حساسيت فرکانس طبيعی ،آسيب را در یک خرپا مستوی به صورت عددی مورد بررسی قرار دادند
(اسفندیاری و همکاران.)2113 ،
1 Lee
2 Chung
3 Su et al
4 Majumdar et al
5 Messina
6 Shi et al
7 Pandey et al
8
Maia et al
21
میباشد .در این زمينه میتوان به پژوهش باقی و همکاران در سال 2119اشاره نمود .این پژوهشگران با بهره بردن
از چند روش کاربردی مانند تغييرات فرکانس ،شاخص اطمينان مودال ،شاخص اطمينان مختصات مودال و انحنای
مودال ،معيار و شاخص در نظر گرفتن آسيب را بهصورت تركخوردگی در تيرهای بتن مسلح تقویت شده با
پليمرهای مسلح شده با الياف کربن CFRP 1تشخيص دادند (باقی و همکاران .)2119 ،عالوه بر این چن و همکاران
در سال 2114با محاسبه شاخص اطمينان مودال و شاخص اطمينان مختصات مودال به معرفی روشی برای شناسایی
رفتار غيرخطی سازهای پرداختند .سپس از این فرآیند بهره برده و آسيب اعمال شده در یک تير آزمایشگاهی را
مورد بررسی قرار دادند (چن و همکاران .)2114 ،2همچنين طالبنژاد و همکاران در سال 2111با استفاده از چند
روش شامل روش شاخص افزاینده اطمينان مختصات مودال ،انحنای شکل مود و شاخص نرمی مودال ،آسيبهای
موجود در پلهای کابلی با دهانههای بلند را مورد بررسی قرار دادند (طالبنژاد و همکاران .)2111 ،در پژوهشی
دیگر کورهلی در روشی پيشنهادی از اطالعات مودال سازه ،شامل بسامد و شکل مودی استفاده نمود .در این
پژوهش با توجه به محدودیت موجود در تعداد حسگرهای به کار رفته در سازه ،برای بهدست آوردن اطالعات
مودال نسبت به مدل اجزاء محدود ،اطالعات مودال بهدست آمده از حسگرها با استفاده از روش کاهش بهبودیافته،
بسط داده شده و بهعنوان ورودی برای آموزش ماشين یادگيری کرانهای بهکار رفته است( .کورهلی)1396 ،
-0-2-2ارزیابی آسیب سازهای بر اساس تغییرات کارمایه کرنشی مودال
زمانی که شکل مودهای ارتعاشی به صورت تغيير مکان گرهای در سازه مورد مطالعه در نظر گرفته میشود،
انرژی کرنشی در سازه ذخيره میشود .در نتيجه انرژی ذخيره شده توسط شکل مودهای ارتعاشی ،انرژی کرنشی
مودال ناميده میشود (سيدپور .)2112 ،امروزه از انرژی کرنشی مودال به منظور بررسی آسيب بهویژه تعيين مکان
آسيب در سازه بهره برده میشود .در این راستا برای محاسبه شدت آسيب سازهای از تحليلهای حساسيت بهره برده
میشود .در این زمينه یانگ و همکاران در سال 2113با معرفی روشی نوین و با استفاده از تغييرات انرژی کرنشی
مودال ،آسيب را در سازههای دریایی با در نظر گرفتن بارهای محيطی مورد بررسی قرار دادند .در روش پيشنهادی
آنها ،از ضریب تغيير انرژی کرنشی مودال و نيز ضریب خمشی انرژی کرنشی مودال بهره برده شد (یانگ و
همکاران .)2113 ،3همچنين فان و کيائو در سال 2112با پيشنهاد روشی بر اساس انرژی کرنشی توانستند ضریب
مکان آسيب و نيز ضریب اصالح شدت آسيب وارده به سازه را بر اساس مفهوم انرژی کرنشی مودال تعيين کنند.
در روشهای پيشنهادی آنها ،فرکانس مودال و شکل مود در وضعيتهای پيش از آسيب و نيز پس از وقوع آسيب
سازه ای ،برای شناسایی آسيب در سازههای صفحهای استفاده شدند (فان و کيائو .)2112 ،عالوه بر این ،ونگ و
همکاران در سال 2111با ارائه یک روش کاربردی برای استفاده از انرژی کرنشی مودال ،قادر به بررسی آسيب در
پلهای خرپایی شکل شدند .روش پيشنهادی آنها بر اساس گسترش روش شاخص اطمينان مکان آسيب چندگانه
22
و مبتنی بر مفهوم همبستگی بوده است (ونگ و همکاران .)2111 ،1وجود آسيب باعث تغيير در پارامترهای مودال
و دیگر پارامترهای وابسته به آن ازجمله انرژی کرنشی مودال ذخيره شده در سازهها میگردد .روش مورد استفاده
در پژوهش قائدیفر و جابرزاده انرژی کرنشی مودال میباشدکه ابتدا با محاسبه ماتریس سختی و جرم اعضا،
ماتریس سختی و جرم کل سازه در دو حالت سالم وآسيبدیده محاسبه و سپس ماتریس شکل مود سازه محاسبه
میشود .در نهایت انرژی کرنشی مودال بهدست آورده میشود و با بررسی و مقایسه انرژی کرنشی مودال اعضای
سازه به تشخيص اعضای آسيبدیده پرداخته شده است (قائدیفر و جابرزاده .)1398 ،استفاده از حساسيت انرژی
کرنشی مودال را میتوان در پژوهش یان و همکاران در سال 2112مورد بررسی قرار داد .این پژوهشگران با بهره
بردن از دادههای مودال به دست آمده از بارهای محيطی توانستند به رابطه سازی حساسيت انرژی کرنشی مودال
برای شناسایی آسيب دست یابند .روش پيشنهادی آنها مبتنی بر تجزیه و تحليل آماری بود .آنها برای اثبات روش
پيشنهاد شده ،از یک تير ساده و همچنين الگوسازی عددی استفاده کردند (یان و همکاران .)2112 ،همچنين شيه و
همکاران 2در سال 2113با استفاده از چندین الگوریتم شامل تغييرات فرکانسی ،نرمی و بهویژه انرژی کرنشی مودال
توانستند روشهایی را بهمنظور تشخيص آسيب در پلها مورد بررسی قرار دهند (شيه و همکاران.)2113 ،
-3-2-2ارزیابی آسیب سازهای بر اساس تغییرات ماتریسهای نرمی یا سختی
مفهوم استفاده از ماتریس نرمی بر این اصل استوار میباشد که در صورت برقراری شرطهای تعامد مودی،
ماتریس نرمی به صورت تابعی از شکل مود و فرکانس مودال در سازه خواهد بود .بنابراین تأثير فرکانسهای باال
در ماتریس نرمی با افزایش فرکانس طبيعی به سرعت کاهش پيدا میکند .میتوان نتيجه گرفت که با دقت مطلوب
ماتریس نرمی را از دادههای شناسایی شده مودال تعيين نمود .با محاسبه اختالف ماتریس نرمی در وضعيتهای پيش
از آسيب و نيز پس از وقوع آن ،میتوان به روشنی مکان آسيب را توسط تشخيص بيشترین مقدار موجود در ماتریس
نرمی تخمين زد (یان و همکاران .)2117 ،بر این اساس ،پاندی 3و بيسواس 4در سال 1994از تغييرات خطی ماتریس
نرمی برای تعيين مکان آسيب سازهای بهره بردند .پس از آن اثبات روش خطی پيشنهادی را روی یک تير ساده به
صورت عددی مورد بررسی قرار دادند (پاندی و بيسواس .)1994 ،همچنين ونگ و همکاران در سال 2113با بهره
بردن از مفاهيم ماتریسهای نرمی زیر سازهای به تشخيص آسيبهای محلی مانند ترك پرداختند .آنها این
ماتریسها را توسط دادههای مودال شامل شکل های مود ارتعاشی و فرکانس طبيعی تعيين کردند .برای اثبات روش
پيشنهادی از یک قاب فوالدی بهره بردند و سپس از روش ارائه شده برای تشخيص آسيب یک برج مخابراتی به
ارتفاع ششصد متر و به صورت عددی بهره بردند (ونگ و همکاران .)2113 ،از آنجا که خرابی و نقص در
دیوارهای برشی میتواند منجر به آسيب جدی یا حتی فرسودگی پيشرونده بتن شود هرگونه تغيير در سختی و
فرکانس می تواند وقوع آسيب را بهوضوح نشان دهد (نادرپور و همکاران .)2119 ،در پژوهشی دیگر ،یان و
1 Golinval
2 Huynh et al
24
جرم و ميرایی مورد بررسی قرار دادند (هوین و همکاران .)2115 ،همچنين بررسی آسيب سازههای صفحهای شکل
توسط پژوهش آراجو دوس سانتوس و همکاران 1در سال 2115با در نظر گرفتن تغييرات تابعهای پاسخ فرکانسی
در وضعيت پيش از آسيب و نيز پس از وقوع آن در سازه انجام پذیرفت .در پژوهش آنها ،تأثير پارامترهای مودال
بهویژه فرکانسهای طبيعی در تشکيل تابعهای پاسخ فرکانسی و شرایط شناسایی این نوع دادهها مورد بررسی قرار
گرفت .نتيجههای بهدست آمده نشان دادند که با وجود آنکه بررسی آسيب سازهای توسط تابعهای پاسخ فرکانسی
نسبت به دادههای مودال از پيچيدگی بيشتری برخوردار است ،اما دقت نتيجهها و آسانی استخراج تابعهای پاسخ
فرکانسی از برتریهای استفاده از آنها میباشد (آراجو دوس سانتوس و همکاران .)2115 ،در پژوهشی نوین توسط
ليو و همکاران 2در سال ،2119مکان ایجاد آسيب بر اساس شکل تابع پاسخ فرکانسی در شرایط پيش از آسيب و
نيز پس از وقوع آن در سازه شناسایی شد .آنها در گام اول با استفاده از دادههای مودال تابع پاسخ فرکانسی سازه
آسيبدیده را تشکيل دادند .سپس شکل تابع پاسخ فرکانسی را به عنوان شاخص تعيين مکان آسيب معرفی کردند.
در ادامه فرآیند تعيين مکان آسيب را بر روی یک تير طره به صورت عددی مورد ارزیابی قرار گرفت (ليو و
همکاران .)2119 ،با وجود محدودیت استفاده از تابعهای پاسخ فرکانسی ،هوانگ و همکاران 3در سال 2112از این
تابعها برای شناسایی سيستم سازهای و همچنين تشخيص آسيب سازهای کنترل شده با ميراگرهای نيمه فعال ،بهره
جستند .آنها با استفاده از تابعهای پاسخ فرکانسی ،پارامترهای سختی سازههای کنترل شده را محاسبه نمودند.
سرانجام با بهره بردن از روش بهروزرسانی الگوی سازه و تغييرات تابعهای پاسخ فرکانسی ،به شناسایی مکان آسيب
در سازههای کنترل شده با ميراگرهایی از نوع نيمه فعال پرداختند (هوانگ و همکاران.)2112 ،
-1-2-2ارزیابی آسیب سازهای بر اساس روش بهروزرسانی الگوی سازه و تحلیل حساسیت
راهکارهای بهروزرسانی الگوی سازه و تحليل حساسيت در چند سال اخير مورد توجه تعداد زیادی از
پژوهشگران بهمنظور بررسی رفتار دیناميکی سازهها ،شناسایی سامانه و تشخيص آسيب سازه قرار گرفتهاند .اساس
کلی این روشها بهخصوص روش بهروزرسانی الگوی سازه ،همگرا کردن پاسخ دیناميکی الگوهای نظری با بهره
بردن از دادههای آزمایشگاهی مودال میباشد (ماترشيد و فریسول .)1993 ،بهطور کلی الگوسازی سيستمها توسط
روشهای نظری و عددی با خطا روبرو میشوند .بهمنظور کاهش خطا و تخمين درست ویژگیهای فيزیکی و
دیناميکی سازهها مانند جرم و سختی از راهکار بهروزرسانی الگوی سازه بهره برده میشود .این فرآیند بيشتر در
شناسایی سيستم متداول است .بر اساس روش اشاره شده ،با تعيين دادههای آزمایشگاهی مودال و با فرض داشتن
ویژگیهای ذاتی سازه ،ماتریسهای جرم و سختی اصالح یا در واقع بهروز میشوند (یانگ و چن .)2119 ،در چند
دهه اخير ،با گسترش و بهبود رابطهسازیهای ریاضی ،مفهوم روش بهروزرسانی الگوی سازه در تشخيص آسيب
سازهای بيشتر استفاده شده است .در این راستا با دستيابی به اطالعات سازهای پيش از آسيب و نيز پس از وقوع آن،
مکان و شدت آسيب شناسایی میشوند .مفاهيم پایهای و اوليه روش بهروزرسانی الگوی سازه را میتوان در کتاب
1 Law
2 Masri
3 Teughels
4 Roeck
26
و تحليل حساسيت به شناسایی و مکانیابی آسيب در یک خرپای دوبعدی الگوسازی شده بهصورت عددی
پرداختند (خشنودیان و اسفندیاری .)2111 ،کاربرد راهکار کاربردی بهروزرسانی و تحليل حساسيت در فرآیند
شناسایی آسيب سازهای را میتوان در پژوهش معاونی و همکاران بر روی الگوهای آزمایشگاهی یافت .در مطالعه
آنها یک سازه هفت طبقه بتنی بر روی ميز لرزان دانشگاه سندیگو مورد ارتعاش قرار گرفته و با استفاده از دادههای
مودال استخراج شده از این ارتعاش ،آسيب در تير و ستون آن ،دیوارهای برشی و ستون مکانیابی شده و شدت
آنها بهصورت معيار تركخوردگی مورد بررسی قرار گرفتند (معاونی و همکاران .)2119 ،همچنين اسفندیاری و
همکاران در سال 2111با استفاده از مفهوم حساسيت ،تابعهای پاسخ فرکانسی و ارائه تابع هدف حاصل از تغييرات
تابعهای پاسخ فرکانسی ،توانستند مکان و شدت آسيب را در یک خرپای دوبعدی تعيين کنند( .اسفندیاری و
همکاران .)2111 ،همچنين ژو و همکاران 1به شناسایی آسيب بر روی سازههای برشی توسط حساسيت انحنای شکل
مود ارتعاشی پرداختند .آنها ابتدا با ارائه روشی جدید حساسيت فرکانس طبيعی و شکل مودهای ارتعاشی را تعيين
نمودند .سپس بر اساس مفاهيم آنها ،حساسيت انحنای شکل مودهای ارتعاشی را محاسبه نمودند .با تعيين مقدار
حساسيت توانستند مکان و شدت آسيب را در قاب برشی مورد بررسی قرار دهند (ژو و همکاران.)2111 ،
1 Amezquita-Sanchez
2 Fugate et al
3 Mita
4 Figueiredo et al
5 Yao
6 Hoell
7 Omenzetter
)8 Autoregressive with eXogenous input (ARX
9 Bernal et al
10 Saito
11 Beck
12 Bayesian
28
.)2118برای دیگر الگوهای سری زمانی مناسب برای تشخيص آسيب سازهای میتوان به پژوهشهای مرتبط
دیگری از جمله ای و ونگ ،سکالریو 1و فسوس ،کپسافتوپولوس و فسوس ،ساکاریس 2و همکاران مراجعه نمود
(ای و ونگ2114 ،؛ سکالریو و فسوس2117 ،؛ کپسافتوپولوس و فسوس2113 ،؛ ساکاریس و همکاران)2116 ،
در زمينه استفاده از سامانههای استنتاج عصبی فازی برای تشخيص آسيب میتوان به پژوهش وو و ژو اشاره
کرد .آنها عالوه بر بهره بردن از سامانههای استنتاج عصبی فازی ،از روش مدلسازی بازهای برای استخراج ویژگی
نيز بهره بردند و روشهای مورد نظر را روی الگوی قاب سه بعدی IASC-ASCEبررسی کردند (ژو و وو،
.)2114حکيم 3و عبدالرزاق 4با ترکيب سامانههای استنتاج عصبی فازی و شبکههای عصبی توانستند به شناسایی
آسيب بپردازند (حکيم و عبدالرزاق .)2113 ،استفاده از مفهوم تحليل موجک 5در تشخيص آسيب را میتوان در
پژوهش ساليس و همکاران جستجو کرد .آنها با بهره جستن از تغيير شکل مودهای ارتعاشی و تحليل موجک،
مکان آسيب را برای تيرها شناسایی کردند (ساليس و همکاران .)2113 ،در پژوهشی دیگر نادرپور و همکاران پس
از بيان مبانی پایش سالمت سازه ،با وارد کردن چهار زلزله به وسيله آناليز تاریخچه زمانی غيرخطی به مدل اجزا
محدود سازه دارای دیوار برشی بتنی ،پاسخهای سازهای استخراج شده و با استفاده از تبدیل ریاضی فوریه و موجک
به شناسایی وجود و زمان وقوع آسيب در دیوار برشی پرداخته میشود (نادرپور و همکاران.)1395 ،
از دیگر پژوهشهای کاربردی در این زمينه میتوان به پژوهش وو و ونگ اشاره کرد .آنها با انجام آزمایش
دیناميکی مودال ،آسيب را به صورت ترك در تيرهای بتنی بر اساس تغيير مکان استاتيکی شناسایی کردند (وو و
ونگ .)2111 ،همچنين سيدپور و نوبهاری با استفاده از الگوریتم ژنتيک و بر اساس مفاهيم همبستگی توانستند
روشی برای تشخيص آسيب پيشنهاد دهند (سيدپور و نوبهاری .)2111 ،در زمينه استفاده از الگوریتم ژنتيک برای
تشخيص آسيب میتوان به پژوهش گومز و سيلوا اشاره کرد .آنها عالوه بر الگوریتم ژنتيک ،از حساسيت دادههای
مودال بهره برده و مکان و شدت آسيب را روی دو نمونه الگوی نظری شامل یک تير و یک قاب مستوی بررسی
کردند (گومز و سيلوا .)2118 ،در زمينه شبکه عصبی در تشخيص آسيب سازهای ،شو و همکاران با استفاده از این
روش ،آسيب را روی پلهای مسير قطار شناسایی کردند (شو و همکاران .)2113 ،امينی و حسينی در پژوهشی به
معرفی یک روش برای تشخيص موقعيت و محاسبه مقدار خرابی در سازهها بر اساس فرکانسهای طبيعی و شکل-
های مدی سازه آسيبدیده با بهرهگيری از یک الگوی بهينهسازی پرداختند .روش پيشنهادی موقعيت و مقدار
خرابی (خرابیهای) سازهها را با استفاده از بهينهسازی تابع هدف (تابع خرابی) با الگوریتم رقابت استعماری تعيين
میکند .کارایی روش پيشنهادی با بهکارگيری یک پل دو دهانه فوالدی با درنظرگيری و بدون درنظرگيری اثر
اغتشاش در اطالعات مودال که شامل یک یا چند خرابی باشد بررسی گردیده است نتایج بهدست آمده از این
پژوهش نشان میدهد که روش پيشنهادی میتواند بهعنوان یک روش توانمند و مقاوم برای تشخيص آسيب سازهای
1 Sakellarious
2 Sakaris
3 Hakim
4 Abdul Razak
5
Wavelet Analysis
29
در سازهها در نظر گرفته شود( .امينی و حسينی )1391 ،کپسافتوپلوس و فسوس از تابع پاسخ فرکانسی و چگالی
طيفی توان به عنوان روش های ناپارامتری برای تشخيص آسيب سازه بهره بردند (کپسافتوپلوس و فسوس.)2111 ،
بندرا و همکاران با استفاده از تابع پاسخ فرکانسی ،شبکه عصبی و تحليل مولفه اصلی 1به شناسایی آسيب در یک
سازه عددی پرداختند .در روش آنها ،ابعاد تابعهای پاسخ فرکانسی توسط روش تحليل مولفه اصلی کاهش یافته
و این تابعهای کاهش داده شده به عنوان اطالعات ورودی به الگوریتم شبکه عصبی اعمال شدند ( بندرا و همکاران،
.)4102بالسامو و همکاران 2از ویژگیهای کپسترال 3که نوعی محتوای فرکانسی است به عنوان ویژگی حساس
به آسيب بهره جستند (بالسامو و همکاران .)2114 ،همانطور که مشاهده شد ،به مروری بر پژوهشهای پيشين در
زمينه تشخيص آسيب سازهای با بهره بردن از مدل سازه پرداخته شد .در ادامه به مروری بر پژوهشهای انجام شده
در ارتباط با تشخيص آسيب سازهای با استفاده از دادههای خام ارتعاشی ،همانند شتاب سازه میپرداخته میشود.
در مرحله استخراج ویژگی ،مدلسازی سری زمانی یکی از روشهای کاربردی و مناسب استخراج ویژگی
است که مدل سری زمانی را با دادههای دامنه زمانی برازش و برخی خصوصيات را از مدل استخراج میکند (فاسوس
و همکاران 2119؛ کيتاگاوا2111 4؛ انتظامی و شریعتمدار 2117؛ انتظامی و همکاران .)2118ضرایب و باقی-
ماندههای مدلهای سری زمانی معموالً بهعنوان ویژگیهای حساس به خرابی انتخاب میشوند .بر این اساس ،کاردن
و براونجان مدل خودکاهنده ميانگين متحرك 5و طبقهبند الگوهای آماری را با استفاده از مجموع مجذورات باقی-
ماندههای مدل خودکاهنده ميانگين متحرك برای شناسایی خرابی به کار گرفتند .آنها همچنين توضيحات جامعی
دربارة انتخاب مدلهای خودکاهنده 6یا خودهمبسته ميانگين متحرك جهت استفاده در زمينهی پایش سالمت سازه
ارائه دادند (کاردن و همکاران .)2118 ،دی لوتور و اومنتزر ضرایب مدل خودکاهنده را از تاریخچههای زمانی
شتاب استخراج و از آنها بهعنوان ورودیهای شبکه عصبی مصنوعی 7جهت شناسایی خرابی استفاده کردند (دی
لوتور و همکاران .)2111 ،قياسی و قاسمی بعد از استخراج ویژگیهای پاسخ شتاب سازه ،با استفاده از الگوریتم
بهينهساز ویژگیهای کم اثر و اضافی را حذف نمودند و با انتخاب ویژگیهای تأثيرگذار و کاهش ابعاد دادهها
دقت و سرعت روند عيبیابی سازهها را افزایش دادند .انتخاب زیرمجموعهای از ویژگیها با استفاده از الگوریتم
فراکاوشی هارمونی-پرندگان پيشنهادی که در این پژوهش صورت پذیرفت موجب افزایش تطبيقپذیری روند
پيشنهادی در مواجهه با کالن دادههای ناشی از حسگرها و عدم قطعيتهای ناشی از اختالل در دادههای ورودی
میشود (قياسی و قاسمی .)1399 ،گول و کاتباس از فرایند الگوی خودکاهنده با ورودی برونزاد 8در مسائل
تشخيص خرابی مبتنی بر روش دستهبندی سنسورها بهره گرفتند تا سيگنال خروجی هر سنسور بهعنوان ورودی برای
31
مدل ARMاستفاده شود (گول و همکاران .)2111 ،در تحقيقی جدیدتر ،آی و وانگ روش شناسایی خرابیای
پيشنهاد دادند که با بهکارگيری ميانگين متحرك خودکاهنده با ورودی برونزاد ، 1مجموعه سيگنالهای ارتعاش
بهدست آمده را کميتیابی میکند .آنها الگوریتم تکرارشوندهای را برای یافتن مرتبههای بهينهی مدل ميانگين
متحرك خودکاهنده با ورودی برونزاد و کاهش همزمان مرتبهها ارائه کردند (آی و همکاران.)2114 ،
گرچه آناليز ارتعاش با کمک مدلسازی سری زمانی کاربرد گستردهای در استخراج ویژگیهای سازهای
قابلاطمينان حساس به خرابی دارد ،ضعفهای عمدهای در بکارگيری مدلهای سری زمانی دارد که باید بهدرستی
برطرف شوند .مسئلهی مهم انتخاب مرتبههای دقيق و بهينه مدلها است که همچنان مسئلهای چالشبرانگيز در
زمينهی پایش سالمت سازه است .از لحاظ آماری ،مدل سری زمانی باید باقیماندههای مستقل را برای اطمينان از
صحت و کفایت مدل استخراج کند (باکس و همکاران .)2118 ،هر مدل سری زمانی که این الزام را برآورده نکند
باید اصالح شود (باکس و همکاران2118 ،؛ هایندمن و همکاران2114 ،؛ کيتاگاوا .)2111 ،بنابراین انتخاب بهينهی
مرتبههای مدل نقش مهمی در دقت و کفایت هر مدل سری زمانی دارد .از طرفی دیگر ،برخی محققين توضيحات
کافی دربارهی علت اصلی استفاده از یک مدل سری زمانی خاص ارائه ندادهاند .در آمار ،میتوان بسياری از
مدلهای سری زمانی با خصوصيات مختلف را برای استخراج ویژگیهای قابل اطمينان و حساس به خرابی بهکار
گرفت .افزون بر آمار ،برازش مدل سری زمانی با داده های ارتعاش برای لحاظ کردن کليه خصوصيات فيزیکی و
دیناميکی سازه ضروری است.
بخش مهم دیگر پارادایم تشخيص الگوی آماری که در زمينة پایش سالمت سازه بهکار میرود ،بهکارگيری
روشهای آماری برای تشخيص ویژگیهای حساس به خرابی است (سرمدی و انتظامی2121 ،؛ سرمدی و همکاران،
2119؛ سرمدی و کرمالدین .)2119 ،در این زمينه ،یائو و پاکزاد دو الگوریتم سری زمانی تشخيص خرابی با استفاده
از مدل خودکاهنده پيشنهاد دادند (یائو و همکاران .)2112 ،یکی از آنها از آمار لجونگ-باکس برای باقی-
ماندههای مدل و دیگری از تشابه طيفی کوش طيف مدل خودکاهنده بهره گرفت .ژنگ و ميتا با استفاده از تشابه
بين مدلهای خودهمبسته ميانگين متحرك در شرایط بدون آسيب و آسيبدیده ،شاخص خرابی را پيشنهاد دادند
(ژنگ و همکاران .)2118 ،آنها برای تعيين محل خرابی و برآورد شدت آن با محاسبهی تشابه بين مدلهای
خودهمبسته ميانگين متحرك ،دو روش معادل به نام معيار کپسترال و زوایای شبهفضا را معرفی کردند .در پژوهشی
دیگر ،ژنگ و ميتا کاربردهای جدید دو روش تشابه ایتاکورا 2و کپسترال را در مسائل تشخيص خرابی توأم با استفاده
از مدل خودکاهنده در فرایند استخراج ویژگی نشان دادند (ژنگ و همکاران .)2119 ،لوپز و ساریگوال-کليجن
ماتریس تشابه دادههای با ابعاد کوچکتر را برای تشخيص خرابی پيشنهاد دادند .در مقاله آنها ،برای استخراج
ویژگیهای حساس به خسارت از چند تکنيک کاهش ابعاد استفاده شد و باهم مقایسه شدند .زیرمجموعه کوچکتر
شدهی ویژگیهای استخراج شده برای تشکيل ماتریس تشابه ماهاالنوبيس 3استفاده شد تا از این طریق شاخص
32
یادگيری غيرنظارت شده انجام شوند .تفاوت اصلی الگوریتمهای یادگيری بانظارت و یادگيری بدون نظارت در
چگونگی استفاده از دادههای آموزش و آزمون ،تفکيک میشود .چنانچه برای تعریف رابطه یادگيری ماشينی،
تنها از دادههای آموزش بهره برده شود ،رابطه دارای الگوریتم یادگيری غيرنظارت شده است (سانتوس و همکاران،1
.)2116در مقابل ،اگر برای تعریف رابطه از دادههای آموزش و آزمون استفاده شود ،رابطه بهصورت الگوریتم
یادگيری نظارتشده آموزش داده شده است (استفن .)2115 ،2در پژوهشی دیگر جاللیفر و همکاران به بررسی
کارایی روش های تشخيص آماری الگو به کمک تحليل سری زمانی در شرایط پيرامونی متفاوت میپردازند .در
این پژوهش دادههای حاصل از یک مطالعه آزمایشگاهی شامل سيستم هشت درجه آزادی جرم و فنر مورد استفاده
قرار گرفته است .با تغيير ولتاژ سيگنال اعمالی ،توانایی این روشها در تشخيص خرابی در شرایط پيرامونی متفاوت
مورد بحث قرار گرفته است (جاللیفر و همکاران .)1398 ،در پژوهش هروی و توکلی اصول و عملکرد روشهای
شناسایی آماری الگو توضيح داده شده است .با استفاده از روش نوین تعيين مرتبه مدل سری زمانی و شاخصهای
حساس به آسيب ،شامل پارامترهای مدل و باقیمانده بهدست آمده از مدل خودهمبسته خودکاهنده به شناسایی
آسيب پرداخته شده است (هروی و توکلی.)1399 ،
در تشخيص آسيب در سازه ،رابطه یادگيری ماشينی ،در حقيقت الگوی اصلی تشخيص آسيب را تشکيل
میدهد .دادههای آموزش با توجه به اطالعات بهدست آمده از سازه در وضعيت آسيبندیده مرتب میشوند
(فيگردو و همکاران2111 ،؛ تيبادویزا و همکاران .)2113 ،3یکی از روشهای رایج و کاربردی در تصميمگيری
آماری ،استفاده از فاصلههای آماری میباشد .این روشها به طور معمول بر اساس تشخيص داده پرت انجام میگيرند
(فرار و وردن2113 ،؛ وردن و همکاران2111 ،؛ پيمنتل و همکاران .)2114 ،4یکی از روشهای فاصله آماری بسيار
شناخته شده و بسيار پرکابرد ،فاصله مهاالنوبيس میباشد (مهاالنوبيس .)1936 ،پژوهشهای بسيار زیادی در زمينه
استفاده از این فاصله آماری برای تصميمگيری انجام گرفته است که میتوان به پژوهشهای وردن و همکاران،
موسوی و همکاران ،نگوین و همکاران مراجعه کرد (وردن و همکاران2111 ،؛ موسوی و همکاران2112 ،؛ نگوین
و همکاران .)2114 ،از دیگر روشها ،ژنگ و ميتا از دو فاصله آماری به نامهای ایتاکورا و کپسترال برای مکانیابی
و تعيين شدت خسارت بهره بردند (ژنگ و ميتا .)2119 ،در دیگر پژوهش توسط همين پژوهشگران از فاصلهی
الگوهای خودکاهنده ميانگين متحرك در حالتهای خسارتندیده و خسارتدیده برای تشخيص خسارت استفاده
کردند (ژنگ و ميتا.)2118 ،
34
5فصل سوم
ارزیابی سیگنالهای ارتعاشی با روشهای آماری و یادگیری ماشینی
-0-5مقدمه
شبکههای عصبی و روش های سری زمانی به عنوان دو روش هوشمند و کاربردی در بخشهای مختلف علوم
و مهندسی در دهههای اخير کاربردهای فراوانی داشته است .به منظور اینکه بتوان به درستی از این روشها استفاده
نمود ،نياز به آشنایی با بخشهای مختلف این روشها و نحوه عملکرد آنها میباشد .در این فصل ابتدا به معرفی
شبکههای عصبی و سپس روشهای سری زمانی پرداخته میشود .در این بخش از رساله نخستين قسمت از انجام
فرآیندهای نوین تشخيص آسيب انجام میشود .در راستای این فرایند ،تحليل و تفسير دادهها ،روشهای تشخيص
الگوی آماری و علوم کامپيوتر در تشخيص آسيب سازهها ،تحليل مولفههای اساسی و تحليل مدلهای سریهای
زمانی مورد بحث قرار خواهند گرفت .فرآیندهای جدید تشخيص آسيب در سازه بر پایه استفاده از دادههای خام
ارتعاشی در حوزه زمان میباشند .در این راستا ارتعاش سازه بهطور معمول توسط بارهای محيطی و یا بارهای
احتماالتی از قبيل باد ،ترافيک و تجمع افراد انجام میشود .بهدليل ناشناخته بودن ماهيت و چگونگی وارد سازی بار
به سازه ،توزیع آنها تصادفی در نظر گرفته میشود .گام ابتدایی در تشخيص آسيب سازهای ،دریافت دادههای
پاسخ سازهها در حوزه زمان است .بر اساس مفاهيم بنيادی دیناميک سازه و ارتعاشات ،با مرتعش شدن یک سازه،
پاسخ آن در حوزه زمان بهدست خواهد آمد .دادههای پاسخ شتاب سازه بهطور کلی محتوا و ماهيت آماری دارند.
در بيشتر موارد عملياتی و کاربردی ،تشخيص آسيب سازهها بر پایه تشخيص الگوی آماری استوار است .تشخيص
الگوی آماری بهطور کلی به چهار دسته ارزیابی عملياتی ،دستيابی دادهها ،استخراج ویژگی و تصميم گيری آماری
35
تقسيم بندی میشود .استفاده مستقيم از دادههای ارتعاشی در روشهای مبتنی بر ارتعاش 1سازه کمی دشوار و گاهی
ناممکن است .از اینرو ،با تغيير محتوای دادهها از حوزه زمان به فرکانس از تحليلهای فرکانسی استفاده میشود.
تحليلهای فرکانسی راهکاری بسيار مناسب برای تحليل و بررسی ابتدایی سازه بهمنظور پی بردن به وجود یا عدم
وجود آسيب در سازه میباشد .در حوزه فرکانس با استخراج تابعهای پاسخ فرکانسی یا دادههای حوزه فرکانس،
ارزیابی سالمت سازهای انجام میپذیرد .برخالف وجود این روشها ،توانایی الزم جهت تشخيص آسيب در گام-
های مکانیابی و تعيين شدت آسيب را ندارند .بنابراین به دليل پيشرفتهای زیاد صورت گرفته در علم تشخيص
آسيب و بهره بردن از روشهای آماری ،بهره بردن از تحليل سری زمانی یکی از راهکارهای اصلی پژوهشگران در
تشخيص آسيب سازه در چند سال اخير شمرده میشود (سان و همکاران2111 ،؛ فاگيت و همکاران2111 ،؛ فرار و
وردن.)2113 2
-2-5راهکارهای تفسیر و ارزیابی دادههای ارتعاشی
راهکارها و الگوریتمهای متعددی بهمنظور تحليل و تفسير دادهها ،در زمينه تشخيص آسيب سازهای وجود دارد.
به این منظور پژوهشهای بسياری در این زمينه بهمنظور یکپارچهسازی دادههای مدلسازی شده و تشخيص آسيب
سازهها انجام شده است .بهطور کلی دو روش اساسی برای رویکردهای تفسير دادهها وجود دارد که تفاوت آنها
در وجود یا عدم وجود یک مدل رفتاری سازه بر اساس الگوی فيزیکی و دیناميکی سازه است که به آنها روشهای
مبتنی بر مدل سازهای میگویند .این دو روش باید به صورت کامل کننده یکدیگر در نظر گرفته شوند .این مسأله
به این دليل است که هر یک از اینها در زمينههای مختلف مناسب هستند .خالصهای از برتریها و کاستیهای هر
یک از این فرآیندها ،در جدول 1-3آورده شده است .اهميت هر نکته در این جدول بستگی به کاربرد ویژه از آن
روشها دارد .موضوع مهم یکپارچهسازی موفقيتآميز و همچنين کاربرد یکی از این روشها یا تعداد بيشتری از
آنها به نيازهای سيستم تشخيص آسيب سازه بستگی دارد .تحليل دادهها در سطوح مختلف برای توليد اطالعات
در ارتباط با سالمت و عملکرد سازه ،رویکرد اضافی میباشد .ویژگیهای مختلف در هر سطح تحليل و تفسير،
بایستی در نظر گرفته شوند .بر این اساس بسته به سطح تحليل و تفسير ،پيچيدگی روشهای تحليل و الگوریتمها
افزایش مییابد .در این قسمت چهار سطح مختلف در نظر گرفته میشوند .بهعنوان مثال سطح یک ،مربوط به
شاخصهای دادههای خام میباشد که اطالعات بهدست آمده از دادههای خام بدون تحليل تفصيلی را نمایش
میدهد.
پس از آن ،سطح دو که میتوان از آن بهعنوان مرحله شناسایی نامگذاری کرد ،با استفاده از روشهای تحليل
و ویژگیهای متفاوت برای تشخيص هر گونه سطح آسيب و تخریب یا تغيير قابل توجه اندازهگيریها در طول
دوره تشخيص آسيب سازه ،انجام خواهد شد .در ادامه تحليل دقيقتری در سطح سوم ،برای مکانیابی و اندازهگيری
تغييرات اشاره شده ،آسيب و یا تخریب انجام خواهد شد .سرانجام همانطور که در جدول 1-3خالصه شده است،
1 Vibration-Based
2 Worden
36
سطح چهار برای پيشبينی رفتاری آینده استفاده میشود .باید توجه کرد که جدول ،1-3جامع و کامل نيست به
این معنی که روشها ،الگوریتمها و ویژگیهای بسيار زیاد دیگری را میتوان به چهار سطح ارائه شده در این جدول
افزود .بر اساس طرح تجهيزات و ترتيب جمعآوری دادهها ،امکان جمعآوری ،ذخيره و تفسير انواع مختلف
مجموعه دادهها وجود دارد .تجربه نشان داده است که این فرآیند میتواند به صورت تکراری در نظر گرفته شود،
بهخصوص در مرحلههای اوليه که تحت تأثير ارزیابیهای ابتدایی دادهها قرار دارند .شکل 1-3سطح یک ارزیابی
سالمت سازه را با شاخصهای دادههای خام نشان میدهد.
جدول ( ) -3کاستیها و مزیتهای تحليل و تفسير دادهها در وضعيت بدون مدل و مبتنی بر مدل .هر مورد ،درجات
مختلفی از این نقاط قوت و ضعف را دارند (کربهاری و انصاری)2119 ،
مبتنی بر داده
کاستیها برتریها تفسير نتایج
تفسير سيگنال ممکن است سخت باشد هزینه مدلسازی ندارد مناسبتر برای مواردی که :
پشتيبانی ضعيفی برای تصميمگيری در رابطه با نيازی به تغيير در وضعيتهای رفتاری (آسيب) نمیباشد
نوسازی و تعمير دارد سازههای زیادی که باید مورد
راهنمایی غيرمستقيم برای فعاليتهای مدیریتی نظير گزینههای زیادی برای تحليل سيگنالها وجود دارد پایش قرار گيرند
بازرسی و اندازهگيریهای بيشتر ارائه میکند زمان برای آموزش وجود دارد
اندازهگيریهای محدودی وجود انجام آموزش به صورت افزایشی امکان ردیابی تجمع آسيب نمیتواند برای توجيه جلوگيری از جایگزین کردن به
کار رود را فراهم میآورد دارد
برای استفاده درازمدت در سازهها برای تشخيص اوليه
وضعيتها که نياز به تحليل مبتنی بر مدل دارند ،مناسب است
مبتنی بر مدل
الگوسازی گران و وقتگير است در صورت صریح بودن ارتباط بين اندازهگيریها و دليلهای مناسبتر برای مواردی که :
مستعد ،تفسير آسان است
مدیریت الگوهای داوطلب زیاد سخت است اثرات تغييرات بارگذاری و استفاده ،میتواند پيشبينی شود مدل طراحی دقيق نيست
خطاهای مدل ها و اندازهگيریها میتواند منجر به راهنمایی برای بازرسی و اندازهگيری بيشتر ارائه میدهد سازه اهميت استراتژیک دارد
شناسایی مدل نادرست شود آسيب مشکوك است
شناسایی مدل صحيح ممکن است نيازمند سيکلهای عملکرد آینده و قابليت اعتماد ،میتواند تخمين زده شود دالیل ریشهای آسيب یافته
متعدد تفسير – اندازهگيری باشد شود
سازههای پيچيده با اجزاء زیاد چالشهای ترکيبی از طرح نوسازی و تعمير پشتيبانی میکند چالشهای مدیریتی سازهای
دارند امکان برآورد عملکرد و قابليت اعتماد آینده وجود دارد وجود دارد
37
جدول ( ) -3تشخيص آسيب سازه در سطحهای مختلف طبقه بندی شده (برخی استانداردها و معيارهای پيشنهادی)
(کربهاری و انصاری)2119 ،
ش
چرخش در تکيهگاه
شکل ( )-3برخی استانداردهای شناخته شده به منظور تشخيص آسيب سطح یک (شاخصهای دادههای خام) (کربهاری و
انصاری)2119 ،
در این فصل رساله برخی روشهای تحليل و تفسير دادهها در سطوح مختلف آسيب با ذکر مثالی ساده ،آورده
میشوند .یکی از این موارد یک پل متحرك است که هم اکنون بهعنوان بخشی از یک تحقيق تشخيص آسيب
سازه توسط نویسنده و همکارانش مورد مطالعه قرار گرفته است .در چنين وضعيتی ،حداکثر قرائتهای مربوط به
گيج 1دارای سرعت باالی نمونهگيری مانند کرنشسنج و شتابسنج میباشد که بهصورت ساعتی ذخيره میشوند.
1 Gauge
38
برای کسب اطمينان از ثبت کل تاریخچه زمانی پاسخ سازه مورد نظر ،در هر گيج پنجرههای کوتاه مدت کرنش و
شتاب در مقادیر قدر مطلق اوج ،اسکن میشوند .در هنگام رسيدن به اوج ،همه قرائتهای حسگر به همراه دما،
سرعت باد و نيز یک تصویر با فرمت تصویری 1jpegاز ویدئو ثبت میشوند .در پایش درازمدت سازه ،ثبت مداوم
رابطه ميان دما و کرنش با سرعت اسکن پایينتر ،از اهميت باالیی برخوردار است .پایش برخی اجزاء سازهای نظير
اجزاء در معرض تنشهای شدید و واژگونیهای تنش و به دليل ورودیهای تحميل شده ،ترافيک و باد را میتوان
در بازههای زمانی متفاوت و یا براساس رهاسازی انجام داد (کربهاری و انصاری .)2119 ،در پایش درازمدت سازه،
فرآیندهای بسياری بهمنظور پردازش موثر دادهها وجود دارد .یکی از نگرانیهای این فرایند این است که در پایش
بلندمدت کرنش ،مقادیر بسيار قابل توجه میباشند .از آنجاییکه بيشترین تأثيرات بر ظرفيت سازهای حاکم است،
دو رویکرد کاربردی بلوك حداکثر 2و آستانهای میتوانند برای تحليل حدود به کار روند (سوسوی و همکاران،3
.)2118برای فرآیند بلوك حداکثر ،مقادیر مشاهده شده بيشينه در بازههای زمانی مشخص در نظر گرفته میشوند.
این مقادیر به کمک تئوری مقدار حدی 4الگوسازی میشوند .توزیع مقادیر حدی برای الگوسازی مقادیر بيشينه
مجموعه دادهها مورد استفاده قرار میگيرد .همچنين جالب توجه است که این فرآیند در گذشته توسط وردن و
همکاران و مسروی 5و فرنگوپول 6برای کاربردهای مشابه مورد استفاده قرار گرفته است (وردن و همکاران2112 ،؛
مسروی و فرنگوپول .)2117 ،تابع مقدار حدی تعميمیافته ،سه توزیع سادهتر را ترکيب میکند و سپس به یک فرم
ساده تبدیل میکند .سرانجام یک فرم پيوسته از فرمهای ممکن را که شامل سه نوع توزیع موردنظر است را فراهم
میآورد .سه نوع توزیع مقادیر حدی اشاره شده ،نوع یک (گامبل ، )7نوع دو (فرچ )8و نوع سه (گامبل) در توزیع
مقدار حدی تعميم یافته ،با پارامتر شکل ( ،)ξپارامتر موقعيت ( )μو پارامتر مقياس( )σترکيب شدهاند .تابع توزیع
احتمال مورد نظر برای توزیع مقدار حدی تعميمیافته به صورت زیر نوشته می شود:
1
1
1
1
y f x , , exp 1
x 1 x
()1-3
x 0
1 قابل قبول است. که در محدوده
از نمودار دادههای کرنش ،مقادیر بيشينه کرنش برای هر بلوك دادهها در یک مدت زمان مشخص برای مثال،
مدت زمان یک دقيقه برداشت و ذخيره میشود .این فرآیند با ذکر مثال یک پل توضيح داده میشود (سوسوی و
همکاران .)2118 ،از مقادیر کرنش شبيهسازی شده ،بيشينه مقادیر برای بازههای زمانی یک دقيقه بهدست میآید،
بنابراین 1441داده برای هر روز برداشت میشود .یکی از فرضهای اساسی در این خصوص آن است که
شکل ( )-3نمودار ستونی مقادیر بيشينه کرنش روزانه و توزیع آنها (سوسوی و همکاران)2118 ،
در الگوسازی آستانهای ،اندازهگيریهایی که از آستانههای مشخصی تجاوز میکنند ،مانند مقادیر کرنش بيشتر
از حد تسليم یا بقيه مقادیر ،مورد بررسی قرار میگيرند .سایر عدم قطعيتها همچون ميزان نویز موجود ،در سيگنال
ارتعاشی تأثير میگذارند و ممکن است سبب توليد سيگنالهایی شوند که نشان دهنده ایجاد مقداری کرنش است.
این در حالی است که پاسخ معنادار سازهای وجود ندارد .برای جلوگيری از جمعآوری دادههای آلوده به نویز یا
دادههای ناچيز ،فقط دادههایی که از یک آستانه مشخص تجاوز میکنند ،در نظر گرفته میشوند .برای شبيه سازی،
این آستانه برابر 51ميکروکرنش در نظر گرفته میشود .الزم بهذکر است که این مقدار ،برای یک پل واقعی در
طول دوره بارگذاری عملياتی ،مقداری منطقی میباشد .مقادیر کرنش اوجی که از این مقدار بيشتر هستند ،محاسبه
و جمعآوری میشوند .از اینرو فضای متغير تصادفی بهصورت معادله ( )2-3نوشته میشود ،که در آن ،Yمتغير
تصادفی و ، uمقدار آستانه است.
Pr Y u Y u ()2-3
با نزدیک شدن uبه مقدار بینهایت ،این احتمال به توزیع پارتو 1همگرا میشود .بنابراین توزیع تعميمیافته پرتو
برای تنظيمکردن دادهها بهکار برده میشود .تابع توزیع احتمال نيز یک توزیع تعميمیافته پرتو است که بهصورت
ذیل رابطهسازی میشود:
1
1
y f x , , exp 1
x , y u
()3-3
شکل ( )-3نمودار ستونی مقادیر کرنش بيشينه روزانه و منحنی توزیع تنظيم شده (سوسوی و همکاران)2118 ،
با استفاده از رویکردهای بيشينههای بلوکی 1و آستانه ،امکان محاسبه و تخمين توزیع مقادیر کرنش بيشينه به
صورت روزانه فراهم شده و سپس برای محاسبه احتمال ساالنه عبور از حد مورد نظر استفاده میشود .برای محاسبه
توزیع بهصورت ساالنه ،مقادیر روزانه در این مثالها با توزیع دوجملهای و در یک دوره یکساله برای مقادیر
متغيرهای تصادفی مورد استفاده قرار گرفته میشوند .چنين تحليلی سبب کاهش اندازه مجموعه دادهها و فراهم
آمدن اطالعات ارزشمندی از سطح یک از قبيل بيشينه تنشهای روزانه ،ماهانه و ساالنه با توزیع نشان داده شده
میشود.
1
Block maxima
41
شکل ( )-3نمودار ستونی بيشينه کرنشها به همراه توزیع آن (سوسوی و همکاران)2118 ،
پس از پایش سطح یک ،انواع مختلف تحليلها را میتوان برای ارزیابی ،تعيين مکان و اندازهگيری تغييرات در
رفتار سازهای و نيز پيشبينی رفتار آن در آینده بهکار گرفت .رویکردها و روشهای نوین متعددی را میتوان برای
بهدست آوردن اطالعات مفيد الزم از دادههای تشخيص آسيب سازه ایجاد کرد و سپس با توسعه آنها نتایج بهدست
آمده را بهکار گرفت .برخی از این روشها را میتوان در ادامه نام برد که عبارتند از :راهکار ارزیابی الگوی آماری،
تعيين پارامترها به کمک بهروزرسانی و بهينهسازی الگو ،پایش مبتنی بر قابليت اعتماد سازهها و استفاده از دید
رایانهای برای تشخيص آسيب در سازه .همچنين روشهای نوین دیگری نيز ممکن است مورد استفاده قرار گيرند
(سوسوی و همکاران.)2118 ،
شناخت الگوی آماری کاربرد بسيار زیادی در هنگام کار کردن با حجم زیادی داده در تشخيص تغييرات و
انحرافات دادههای مورد مطالعه در دوره پایش دارد .فرآیند شناخت الگوی آماری با حسگری شروع میشود که
دادههایی که قرار است طبقهبندی شوند را جمعآوری مینماید .پس از آن مرحله استخراج ویژگی به محاسبه
اطالعات نمادین از دادهها که بهطور کلی به آنها ویژگی گفته میشود ،پرداخته میشود .سرانجام ویژگیهای
استخراج شده با استفاده از طبقهبندها مورد بررسی قرار میگيرند و با طبقهبندی این گونه ویژگیها ،تصميمگيری
آماری انجام میشود .این فرآیند در شکل 5-3خالصه شده است.
شناخت الگو 2عبارت است از طبقهبندی و یا تشخيص بردارهای داده متفاوت که به آنها الگو نيز گفته میشود
(شالکوف1992 ،3؛ وب .)1999 ،در شناخت الگوی آماری بهطور معمول از روشهای آماری برای تعيين مرزهای
تصميم بين الگوها استفاده میشود (جين و همکاران .)2111 ،4شناخت الگوی آماری حوزههای کاربردی بسياری
در رشتههای مهندسی الکترونيک ،علوم رایانه ،علوم پزشکی و رشتههای دیگر پيدا کرده است که نمونههایی از
اینگونه مطالعهها را میتوان در مجموعه مقاالت مجالت و کنفرانسهای مختلف ،نظير کارگاه S+SSPR’08در
اورالندو در فلوریدا جستجو کرد .در سالهای اخير مفاهيم شناخت الگو برای کاربردهای مهندسی عمران در زمينه
تشخيص آسيب در سازه نيز بهکار رفتهاند که نمونههایی از این دست مطالعات را میتوان در مجموعه مقاالت
کنفرانسهای مختلف ،نظير ششمين کارگاه 5IWSHM’07که در دانشگاه استنفورد امریکا برگزار شد ،جستجو
کرد .شناخت الگوی آماری اجزاء زیادی دارد که بهطور کلی شامل توابع تفکيک کننده خطی ،توابع تفکيک
کننده غيرخطی مانند روشهای شبکه عصبی ،استخراج و انتخاب ویژگی ،یادگيری با نظارت ،6یادگيری بدون غير
نظارت 7مانند روشهای خوشه بندی ،8درختهای تصميم 9و تشخيص دادههای پرت 11میشود .در این رساله مرور
خالصهای از این اجزاء ارائه میشود و در بخشهای بعدی بهطور مفصل توضيح داده خواهند شد.
استخراج و انتخاب ویژگی به دنبال فشرده کردن مجموعهای از دادهها در یک بردار داده با بعد کمتر میباشد
به شکلی که طبقهبندی مورد نظر امکانپذیر شود .روشن است که ویژگیها میبایستی خيلی دقيق انتخاب شوند به
شکلی که بيشترین تفکيک با کمترین تعداد ویژگیهای مورد نياز بهدست آورده شود .به این دليل که ویژگیهای
دارای بعد بسيار زیاد ،در بيشتر موارد مشکالتی را ایجاد میکنند ،برخی ویژگیهای مورد استفاده برای تشخيص
آسيب در سازه در این قسمت آورده میشوند.
1 Webb
2 Pattern Recognition
3 Schalkoff
4 Jain et al
5 International Workshop on Structural Health Monitoring
6 Supervised learning
7 Unsupervised learning
8 Clustering
9 Decision tree
10
Outlier detection
43
-3-5یادگیری با نظارت در برابر یادگیری بدون نظارت
شرایط یادگيری با نظارت و بدون نظارت به فرآیند یادگيری اشاره دارد ،که در آنها برای یادگيری نظارتشده
دادههای آموزش در دسترس هستند و برای یادگيری غيرنظارتشده دادههای آموزش در دسترس نيستند (شکل
.)6-3تحليل رگرسيونی 1برای دادههای پيوسته ،و طبقهبندی 2در گروه دادههای گسسته هستند که از نوع روشهای
یادگيری نظارت شده میباشند؛ در حالیکه خوشهبندی و تحليل دادههای پرت 3عمدتاً بهعنوان روشهای یادگيری
بدون نظارت شناخته میشوند .در فرایند تشخيص آسيب در سازه ،یادگيری بدون نظارت به شرایطی اشاره دارد که
که دادههای سيستم آسيب دیده ،موجود نمیباشند.
-6-5خوشهبندی
خوشهبندی نوع خاصی از سازماندهی و مدیریت دادهها و یک روش آماری مبتنی بر یادگيری بدون نظارت
است .در یادگيری با نظارت از ابتدا دستههای دادهای مشخص هستند و هر یک از دادههای آموزشی در دستهای
خاص قرار میگيرند و در اصطالح گفته میشود که ناظری وجود دارد که در هنگام آموزش ،اطالعاتی عالوه بر
دادههای آموزشی در اختيار یادگيرنده قرار میگذارد و نحوه صحيح طبقهبندی را مشخص میکند .ولی در مقابل
در یادگيری نظارت نشده هيچگونه اطالعاتی به غير از دادههای آموزشی در اختيار یادگيرنده قرار داده نمیشود و
این یادگيرنده است که میبایست در دادهها ،ساختاری خاص را جستجو کند .با توجه به اینکه خوشهبندی یک
روش یادگيری بدون نظارت بسيار مهم و کاربردی محسوب میشود ،میتواند درطيف گستردهای از مسائل کاربرد
داشته باشد .یکی از موارد مهم کاربرد خوشهبندی در دادهکاوی میباشد که میتواند با استفاده از توانمندیهای
44
آن به کشف اطالعات و ساختارهای پنهان موجود درگروهی از دادهها دست یافت (ایزنمان .)2118 ،1الزم به ذکر
است که خوشهبندی میتواند گسترهای بسيار وسيع از دادههای متغير را به صورت دستهها یا خوشههایی همگن
مرتب کند .در این فرایند سعی میشود تا دادهها به خوشههایی تقسيم شوند که شباهت بين دادههای درون هر خوشه
بيشينه و شباهت بين دادههای درون خوشههای متفاوت کمينه شود .روشهای خوشهبندی زیادی برای تجزیه و
تحليل دادهها وجود دارند که انتخاب روش مناسب به نوع دادههای موجود و هدف مورد نياز ازخوشهبندی وابسته
است .همچنين میتوان از چند روش مختلف خوشهبندی برای یک مجموعه از دادهها بهره برد و با مقایسه این
روشها نتيجههای توصيفی کاملتری بدست آورد .بهطور کلی میتوان روشهای خوشهبندی را در چهار دسته
کلی به شرح زیر بيان کرد از قبيل :روشهای مبتنی بر تقسيمبندی ،روشهای سلسله مراتبی ،روشهای مبتنی بر
چگالی و روشهای جدولی( .ایزنمان)2118 ،
-0-6-5خوشهبندی مبتنی بر تقسیم بندی
این نوع خوشهبندی یکی از روشهای پرکاربرد ،مبتنی بر تقسيمبندی میباشد که در این روش تعداد nنمونه
داده به kخوشه تقسيمبندی میشود .این روش به دليل عدم ارتباط سلسه مراتبی بين خوشهها ،دارای عملکردی
مطلوبتر در مواجهه با مجموعه دادههای حجيم با ابعاد زیاد میباشد .روش خوشهبندی کی-واسط 2در واقع
وضعيتی بهبود یافته از روش خوشهبندی دیگری به نام کی-ميانه 3است (ایزنمان .)2118 ،بهطور کلی هر دو روش
سعی دارند که نمونهها را به تعدادی خوشه تقسيمبندی کنند به صورتی که فاصله بين هر نمونه درون خوشهای ،با
مرکز خوشه کمينه شود .تفاوت این دو روش در این است که در روش کی-ميانه مرکز خوشه از ميانگين دادههای
درون همان خوشه انتخاب میشود و ممکن است این مرکز ،عضوی از دادههای خوشه نباشد و یک عدد ساختگی
باشد .این در در حالی است که در روش کی-واسط مرکز خوشه از دادههای درون همان خوشه انتخاب میشود
و ميانه نامگذاری میشود .به عبارت دیگر عضوی از دادهها که به ميانگين دادهها نزدیکترمیباشد به عنوان مرکز
خوشه انتخاب میشود .مهمترین برتری موجود در روش کی-واسط توانایی بيشتر این روش در صورت وجود نویز
در دادهها میباشد .در ادامه عملکرد این روش توضيح داده خواهد شد.
-دادهها به kخوشه تقسيمبندی میشوند.
-یک داده دلخواه به عنوان ميانه دادهها از هر خوشه ،به عنوان مرکز خوشه انتخاب میشود.
-فاصله هر یک از دادهها با مرکز خوشه مورد نظر محاسبه میشود.
d(x,c) (p1 q1 ) 2 (p 2 q 2 ) 2 ... (pi q i ) ... (p n q n ) 2
) x (p1 , p 2 ,..., p n ()4-3
) c (q1 ,q 2 ,...,q n
-مجموع فاصلههای دادهها و مرکز خوشه مورد نظر محاسبه میشود.
1 Izenman
2 K-medoids
3
K-means
45
n
-مجموع فاصله دادهها و مرکز خوشه مورد نظر برای تمامی خوشهها محاسبه میشود.
k
مراحل اشاره شده تکرار میشود تا کمترین مقدار برای مجموع فاصله دادهها با مرکز خوشهها بهدست آید.
هنگامی این مقدار کمينه شد ،میتوان نتيجه گرفت که دادههایی که به عنوان ميانه انتخاب شدهاند درست بوده و
خوشهبندی مطلوبتری صورت گرفته است .به سخن دیگر ،دادهها در خوشههایی قرارگرفتهاند که کمترین فاصله
را با مرکز خوشه دارا هستند .از این رو ،با استفاده از روش کی-واسط بهصورتی که پيشتر بيان شد ،میتوان دادهها
را به خوشههایی اختصاص داد که در این خوشهها ،دادهها دارای کمترین فاصله نسبت به یکدیگر میباشند.
-2-6-5خوشهبندی مبتنی بر چگالی
این روش خوشهبندی یکی از روشهای مبتنی بر چگالی یا توزیع میباشد و در این روش دادهها به فضاهایی
با اندازهها و شکلهای متفاوتی اختصاص مییابند و یک خوشه ،فضایی از دادهها با چگالی بيشتر به حساب میآید.
در حقيقت یک خوشه در این روش شامل مجموعهای از دادههای متراکم و نزدیک به هم میباشد .این روش دارای
مشابهتهای محاسباتی با روشهای خوشهبندی مبتنی بر مرکز ثقل یا ميانه ،مانند کی-ميانه و کی-واسط داراست.
با این تفاوت که این روش از ویژگی مهم چگالی دادهها در یک فضا به جای مکان مرکز ثقلها و یا ميانهها برای
شناسایی خوشهها استفاده میکند .همچنين در بيشتر روشهای موجود خوشهبندی سلسله مراتبی و مبتنی بر
تقسيمبندی بایستی تعداد خوشهها توسط یک روش محاسباتی محاسبه و تعيين شوند .اما در این روش تنها نياز به
دو پارامتر به عنوان ورودی وجود دارد .این پارامترهای مهم عبارتند از کمترین تعداد نقطهها برای اینکه ناحيهای
دارای چگالی تشکيل شود ( )MinPtsو بيشترین فاصله بين نقطهها در یک خوشه به عنوان شعاعی از دایره (.)Eps
به سخن دیگر ،برای این روش خوشهبندی تنها باید کمترین تعداد نقاط برای تشکيل محيط دارای چگالی زیاد و
3
بيشترین فاصله بين نقطهها تعریف شود و نيازی به تعيين تعداد خوشهها نمیباشد (اگروال 1و ردی2113 ،2؛ کومار
و ردی .)2116 ،در ادامه عملکرد این روش توضيح داده خواهد شد.
این روش با انتخاب نقطهای اختياری و با توجه به دو پارامتر مهم اشاره شده مقدار شعاع همسایگی نقطهها
( )Epsوحداقل تعداد نقاط الزم برای تشکيل یک محيط متراکم ( )MinPtsکه برای آن تعریف شده است ،شروع
به کار میکند .نقطهای که در اطراف آن و به فاصله شعاع همسایگی تعيين شده است ،تعداد نقطه الزم وجود دارد
که به عنوان نقطه مرکزی در ميان دادهها 4در نظر گرفته میشود .نقطهای که مربوط به یک خوشه باشد ولی در
1 Aggarwal
2 Reddy
3 Kumar
4 Core point
46
1
اطراف آن به شعاع همسایگی تعيين شده به اندازه کافی نقطه وجود نداشته باشد ،نقطه مرزی در ميان دادهها
نامگذاری میشود ،و نقطهای که در اطراف آن به شعاع همسایگی تعيين شده به اندازه کافی نقطه وجود نداشته
باشد ،نوفه 2در ميان دادهها بهشمار میآید.
شکل ( )7-3عملکرد کلی روش خوشهبندی مبتنی بر چگالی را نشان میدهد .در این شکل تعداد نقطههای الزم
برای تشکيل یک محيط پر چگالی چهار در نظر گرفته شده است ( .)MinPts=4نقطه Aو سایر نقطههایی که با
رنگ قرمز نشان داده شدهاند ،نقاط مرکزی هستند زیرا در اطراف هر نقطه به شعاع همسایگی تعریف شده (دایرههای
قرمز رنگ) ،سه نقطه دیگر وجود دارد .از اینرو هر نقطه با سه نقطه دیگر یک خوشه پر چگالی با چهار نقطه را
تشکيل میدهد و تمامی نقطههای یک خوشه به یکدیگر دسترسی دارند .نقطه Bو نقطه Cکه با رنگ زرد مشخص
شدهاند ،نقاط مرزی هستند .این نقطهها قابل دسترسی از یک نقطه مرکزی میباشند ولی در اطراف آنها به شعاع
همسایگی تعریف شده (دایرههای زرد رنگ) به تعداد الزم نقطه وجود ندارد و میتوان به این نتيجه دست یافت
که این نقطهها که متعلق به یک خوشه میباشند و نقطه مرکزی نيستند ،نقطه مرزی ناميده میشوند .نقطه Nکه با
رنگ آبی مشخص شده است ،نقطهای است که در شعاع همسایگی خود (دایره آبی) امکان دسترسی به هيچ نقطه
مرکزی را ندارد و در اطراف آن به تعداد الزم نقطه وجود ندارد که توانایی تشکيل یک خوشه را دهد .از اینرو
این نقطه متعلق به هيچ خوشهای نبوده و نویز محسوب میشود (ویسواناس و بابو .)2119 ،سان و همکاران در سال
2111تعریفی برای تشخيص آسيب سازه در زمينه شناخت الگوی آماری معرفی کردند که عنوان میکند تشخيص
آسيب سازه یک فرآیند شناخت الگوی آماری میباشد و از چهار بخش کلی تشکيل شده است )1 :ارزیابی عملياتی
از قبيل سواالتی مانند نحوه تعریف آسيب در سازه ،چگونگی شرایط محيطی و عملياتی ،و محدودیتهای بهدست
آوردن دادهها )2بهدست آوردن دادهها مانند انتخاب مشخصات ،تعداد و مکان حسگرهای سازه و همچنين تعریف
سختافزار ،نرمالسازی دادهها ،تلفيق دادهها مانند یکپارچهسازی مجموعه دادههای مختلف بهدست آمده از
حسگرهای مختلف و پاكسازی آنها مانند انتخاب دادههای مورد قبول و مردود )3استخراج ویژگی مانند
فرکانس طبیعی
شکل ( )-3برخی معيارهای پيشنهادی برای تشخيص آسيب سازهای در سطح دو (سان و همکاران)2111 ،
48
شکل ( )-3نمودارهای فاصله آماری مهاالنوبيس برای تشخيص آسيب (سان و همکاران)2111 ،
سان و فرار در سال 2111برای تخمين اندازهگيریهای تاریخچه زمانی مربوط به سازه آسيب ندیده ،از مدل
خودکاهنده بهره بردند .پارامترهای مدل خودکاهنده به دادههای جدید بعدی نسبت داده میشود و سپس نسبت به
حدهای کنترلی پایش میشوند (سان و فرار .)2111 ،در یک تحقيق دیگر ،سان و همکاران در سال 2111از دو
روش شناخت الگو برای دادههای بصری کرنش سنجها که از یک قایق گشت زنی سریع دارای اثر سطحی بهدست
آمده بود ،استفاده کردند (سان و همکاران .)2111 ،اخيراً روشهای مشابهی برای تشخيص آسيبهای احتمالی
سازهای مختلف یک سازه آزمایشگاهی به کار رفتهاند .گزارش این تحقيق توسط گل و کاتباس در سال 2117و
2119معرفی شده است .در این مطالعهها پژوهشگران به کمک روشهای شناخت الگوی آماری ،الگوریتمها و
فرآیندهای مختلفی را برای ایجاد یک روش تشخيص آسيب سازه برای سناریوهای آسيب واقعی پيادهسازی کردند.
شکل 9-3نمونهای روشن از نتایج کاربردهای شناخت الگوی آماری در یک سازه شبکه فوالدی که در آن وضعيت
سازه آسيب دیده تخمين زده میشود را نشان میدهد (گل و کاتباس2117 ،؛ گل و نکاتی کاتباس.)2119 ،
وردن در سال 1997از یک شبکه عصبی خود انجمنی 1برای تشخيص آسيب سازهای سطح یک استفاده کرد.
ویژگی مورد نظر برای شبکه بهصورت تابع انتقالپذیری بين دو جرم انتخاب شد (وردن .)1997 ،توضيحات بيشتر
1
Auto-assosiative neural networks
49
در رابطه با شبکههای عصبی 1برای تشخيص آسيب را میتوان در پژوهشهای چن در سال ،1995مسری در سال
1996و کائو در سال 2113یافت (چن و همکاران1995 ،؛ مسری و همکاران1996 ،؛ کائو 2و هونگ.)2113 ،3
وردن و همکاران در سال 2111از روشهای تشخيص دادههای پرت ،برای تشخيص آسيب سازهای استفاده کردند
و آن را برای چهار مورد مختلف به کار بردند .همچنين این پژوهشگران از اندازه فاصله آماری مجذور مهاالنوبيس
برای تشخيص دادههای پرت استفاده کردند (وردن و همکاران .)2111 ،حذف و کاهش تأثيرات محيطی از دادهها
یکی از مسئلههای مهم میباشد و تحليل مولفه اصلی 4برای این منظور میتواند مفيد باشد .این تحليل یک روش
آماری چندمتغيره است ،که به نام تجزیه متعامد مناسب نيز شناخته میشود .یک ویژگی بسيار جذاب این روش که
5
در برخی مطالعهها نشان داده شده آن است که ممکن است شرایط محيطی برای تحليل اندازهگيری نشوند.گيرالدو
و دیک 6در سال 2114این روش را در مساله معيار و شناخته شده ASCEبرای شناسایی شرایط محيطی مختلف
با استفاده از شبيهسازیهای رایانهای بهکار بردند (گيرالدو و دیک .)2114 ،یان و همکاران در سال 2115این روش
را با استفاده از دادههای تجربی ،صحتسنجی و بررسی کردند و آن را برای دادههای مربوط به پل Z24در سویيس
بهکار بردند (یان و همکاران .)2115 ،این روشها میتوانند برای تشخيص آسيب سازه در سطح دو ،برای داشتن
اطالعات قابل اطمينانتر در رابطه با تغييرات دادهها ،پيادهسازی شوند.
اصلی1 -1-5تحلیل مولفههای
این نوع تحليل به عنوان روشی برای کاهش ابعاد دادهها ،یک روش کالسيک در زمينهی آمار چند متغيره
میباشد و تئوری و نحوهی استفاده از آن در تمام مراجع آن رشته ،به عنوان مثال در پژوهش شارما 8در سال 1996
قابل مشاهده است (شارما .)1996 ،در نتيجه در اینجا به معرفی کوتاهی در مورد آن بسنده میشود .الگوریتم تحليل
اجزای اصلی میتواند به عنوان روشی کارآمد برای کاهش ابعاد دادهها با تصویرکردن آنها از طریق یک تبدیل
خطی و دستگاه مختصات کارتزین جدید ،مورد استفاده قرار گيرند .متغيرهای جدید به عنوان اجزای اصلی و مقادیر
این متغيرها به عنوان امتيازهای اجزای اصلی 9در نظر گرفته میشوند .هر مولفه اصلی ترکيبی خطی از دادههای
اصلی میباشد و از سوی دیگر ،بهصورت غيرهمبسته و عمود بر تمام اجزای اصلی دیگر میباشد .افزون بر این اولين
مولفه اصلی به عنوان بيشينه واریانس دادهها و مولفه اصلی دوم به عنوان بيشينه واریانس باقیمانده به حساب میآیند
و این روند همچنان ادامه مییابد .تعداد اجزای قابل توجهی به منظور نگهداری ،توسط کاربر قابل تعيين میباشد.
محاسبات مورد نياز در بهکارگيری این الگوریتم ،مطابق آنچه در ادامه میآید انجام میشوند ،که در آن xو
zبه ترتيب ،بردارها در فضاهای اندازهگيری شده و فضای کاهش یافته را مشخص میکنند .الزم به ذکر است ،با
51
معلوم بودن دادههای ، x i x 1i , x 2i , , x pi , i 1, Nماتریس کواریانس مورد نظر Σبه شکل زیر
است:
N T
( x
i 1
i ) x )( x i x ()7-3
که در این رابطه ، xبرداری از ميانگينهای دادههای xمیباشد و تجزیه میشود .در نتيجه داریم:
A A
T
()8-3
که در این رابطه ، قطری 1است .الزم به ذکر است که تجزیه مقدار مفرد میتواند برای این مرحله استفاده
شود .در نتيجه تبدیل به اجزای اصلی به صورت زیر نوشته میشود:
) z i AT ( x i x ()9-3
از اینرو بهعنوان روشی کارآمد در کاهش ابعاد دادهها PCA ،از طریق تبدیل خطی دادهها بهمنظور نگاه داشتن
بيشينه واریانس در اجزای اصلی و صرفنظر کردن از ترکيب دادههایی که کمينه مشارکت را در واریانس کلی
مجموعه دادهها دارند ،عمل میکند .اشاره به این نکته ضروری است که اجزای مربوط به واریانس کمينه ممکن
است در عمل بيشتر از سایر اجزا با شناسایی آسيب در ارتباط باشند و ممکن است بهصورت اشتباه از آنها صرفنظر
شود .در مورد کلیتر از کاهش ابعاد دادهها یا استخراج ویژگی ،ممکن است روشهای پيشرفتهتری با هدف حفظ
ویژگیهای مورد نظر بهکار برده شود.
شبکههای عصبی با الهام از ساختار سلولهای عصبی مغز انسان طراحی و ساخته شدهاند .هدف این شبکهها
بهطور کلی این است که بتوانند مشابه مغز انسان رفتار هوشمندانهای داشته باشند .این خصوصيت شبکههای عصبی
آنها را در جایگاهی ویژه بين ابزارهای محاسباتی معمولی و مغز انسان قرار داده است .این ساختار ویژه شبکههای
عصبی باعث شده است که در زمينههای مختلف علوم و تکنولوژی مورد توجه قرار گرفته شوند و تحقيقات مختلف
و گستردهای بهمنظور استفاده از این تکنولوژی به منظور بهبود دستیافتههای مربوطه انجام گيرد .در کنار
کاربردهای مختلف شبکههای عصبی در سایر علوم در سالهای اخير به عنوان یک ابزار جدید در مهندسی عمران
مورد استفاده قرار گرفتهاند .مطالعات اشاره شده شامل مدلسازی ریاضی سازهها و مصالح غيرخطی ،مهندسی
ژئوتکنيک ،تشخيص آسيب ،تشخيص هویت سيستمها ،مدلسازی دیناميکی سيستمها و کنترل سازهها میباشند.
هدف اصلی از طراحی شبکههای عصبی مصنوعی ایجاد ابزارهای محاسباتی جدید و نوین است که بتوانند مانند
شبکههای عصبی بيولوژیکی آموزش دیده و خود را با شرایط محيط پيرامون تطبيق دهند .افزون بر این ،شبکههای
عصبی دارای ویژگیهای منحصر بهفردی می باشند که آنها را از سيستمهای محاسباتی معمولی متمایز میکند.
برخی از این ویژگیها عبارتند از:
1
Diagonal
51
شبکههای عصبی نسبت به عدم قطعيت ها مقاوم بوده و به خطاهای جزئی حساس نيستند .روزانه تعدادی
از سلولهای مغز از بين میروند ،این در حالی است که تأثير نامطلوبی بر رفتار کلی آنها نداشته باشد.
این مطلب مهم به دليل ارتباط حجيم موازی و قابل تطبيق سلولها با یکدیگر میباشد.
قابليت آموزش و تطبيق شبکههای عصبی به آنها انعطافپذیری و قابليت بهبود میدهد .این موضوع
توانایی آنها را در پرداختن به اطالعات دارای عدم قطعيت ،احتماالتی ،خطادار و غيردقيق باال میبرد.
این سامانهها توانایی پرداختن به رفتارهای غيرخطی با دقت باال را دارا هستند.
شبکههای عصبی قادر به درك و مدیریت سامانههای چند متغيره با چند ورودی و خروجی را دارند.
ساختار شبکههای عصبی از ساختار شبکههای عصبی موجود در مغز انسان نمونهبرداری شده است .مغز انسان از
تعداد بسيار زیادی سلولهای عصبی تشکيل شده است که توسط یک شبکه عظيم موازی با یکدیگر ارتباط دارند.
هر سلول عصبی از یک بدنه 1تشکيل شده است که محل ذخيره و پردازش اطالعات دریافت شده از سلولهای
دیگر میباشد .عالوه بر این موارد هر سلول دارای تعداد زیادی شاخک 2است که محل دریافت اطالعات از سایر
3
سلولها میباشند .محل اتصال هر سلول به سلول دیگر در سر این شاخکها قرار دارد که به آن نقطه اتصال سلولی
میگویند .این نقاط محل ذخيرهسازی تجربيات و دانش کسب شده میباشند .اطالعات وارد شده به این نقاط پس
از پردازش اوليه به بدنه سلول ارسال میشوند .همچنين هر سلول دارای یک شاخه لولهای شکل بهنام آکسون 4است
که انتهای آن به تعداد زیادی از شاخههای دیگر تبدیل شده است .این شاخهها سلول را به سلولهای دیگر ارتباط
میدهد .اطالعات پردازش شده در بدنه سلول ازطریق شاخههای اشاره شده به سلولهای دیگر منتقل میشوند .از
5
این رو پردازش و انتقال اطالعات در هر سلول در دو مرحله انجام میشود .مرحله اول را پردازش سينوپتيک
میگویند .الزم به ذکر است که در نقاط اتصال سلولی انجام شده و شامل وزندار کردن اطالعات دریافت شده بر
اساس دانش کسب شده از تجربيات گذشته است .مرحله دوم را پردازش سماتيک 6میگویندکه همان فعالسازی
و ترکيب اطالعات وزندار دریافت شده در بدنه سلول و ایجاد یک خروجی است.
شبکههای عصبی مصنوعی نيز همانند شبکههای عصبی بيولوژیکی از تعدادی سلولهای محاسباتی تشکيل شده
است که توسط یک شبکه ارتباطی به هم وصل میشوند .گفتنی است که این سلولها محل تجميع و پردازش
اطالعات هستند .هر خط ارتباطی دارای یک ضریب وزنی می باشد که دانش حاصل از آموزش شبکه در این
پارامترهای مهم ذخيره میشوند .افزون بر اینها هر شبکه دارای یک یا چند سلول ورودی میباشد که محل ورود
اطالعات به شبکه ،و همچنين شامل یک یا چند سلول خروجی میباشد که محل خروج اطالعات از شبکه میباشند.
1 Soma
2 Dendrite
3 Synapses
4 Axon
5 Synoptic
6 Somatic
52
الزم بهذکر است که برای آموزش هر شبکه یک سری دادههای ورودی و خروجی مورد نياز میباشند .طراحی
مدل یک شبکه عصبی از سه بخش کلی تشکيل میشود .بخش اول انتخاب مدل محاسباتی مناسب برای سلولهای
شبکه میباشد .بخش دوم ساختار ارتباطی شبکه ،شامل تعداد سلولها و چگونگی ارتباط آنها با یکدیگر میباشد
و سومين بخش نيز همان قوانين و روشهای آموزش شبکه عصبی هستند.
-01-5سری زمانی
در علم آمار به مجموعهای از دادهها که بهطور منظم در واحد زمان اندازهگيری میشوند ،سری زمانی گفته
میشوند (باکس و همکاران .)2118 ،1الزم بهذکر است که بر اساس رفتار و ماهيت دادهها ،اینگونه دادهها میتوانند
به صورت ایستا یا ناایستا ،تصادفی یا قطعی و خطی یا غيرخطی باشند (کيتاگاوا .)2111 ،هدف اصلی تحليل دادههای
سری زمانی ،برازش الگوهای ریاضی به اینگونه دادهها بر اساس رفتار و ماهيت آنها میباشد .بنابراین مهمترین
گامها در تحليل سری زمانی ،شامل تحليل رفتار دادهها و شناسایی الگوی مناسب برای دادهها میباشند .گفتنی است
که استخراج ویژگی حساس به آسيب سازهای با بهره بردن از تحليل سری زمانی در دستهبندی روشهای پارامتری
قرار دارد .بر اساس توضيحات داده شده ،دادههای سری زمانی را میتوان به چهار گروه کلی تقسيمبندی کرد که
شامل موارد زیر میباشند )1 :دادههای ایستا و ناایستا )2 ،دادههای خطی و غيرخطی )3 ،دادههای یگانه و چندگانه،
)4دادههای گوسی و ناگوسی .دادههای ایستا به مجموعهای از دادههای سری زمانی اتالق میشوند که ویژگیهای
آماری آنها از قبيل انحراف از معيار ،ميانگين و کشيدگی ن سبت به تغيير زمان بدون تغيير میباشند .از سوی دیگر
دادههای ناایستا به آن گروه از دادهها گفته میشود که ویژگیهای اشاره شده ،نسبت به تغيير زمان ثابت نيستند.
گاهی اوقات دادهها به صورت برداری میباشند که به این دادهها ،یگانه گفته میشود .در مقابل ،دادههای چندگانه
به صورت ماتریسی تعریف میشوند که ویژگی وابستگی ميان متغيرها در این دادهها از پارامترهای قابل اهميت
بهشمار میآید (کيتاگاوا.)2111 ،
-0-01-5تعیین الگوی سری زمانی با دیدگاه مهندسی
شناسایی و انتخاب الگوی سری زمانی از دیدگاه مهندسی به نوع سيستمهای دریافت دادههای ارتعاشی بستگی
دارد .در آزمایشهای متداول دیناميکی ،دو راهکار مرسوم برای کسب دادههای ارتعاشی وجود دارد که در ذیل
به آنها اشاره میشود:
ورودی-خروجی یا نيروی ارتعاشی -پاسخ سازه
صورت خروجی تنها یا داشتن فقط پاسخ سازه
در راهکار اول نيروهای ارتعاشی اعمال شده به سازه قابل اندازهگيری و در دسترس میباشند .بهعنوان مثال در
آزمایشهایی که سازه توسط چکش و یا لرزاننده مرتعش میشود ،هر دو نوع داده ورودی-خروجی یعنی نيروی
اعمال شده و پاسخ سازه در دسترس و قابل اندازهگيری هستند ( سيلوا .)2117 ،در مقابل برای وضعيتهایی که
سازه مورد آزمایش ،تحت اثر بارهای محيطی مانند بار باد و تردد ترافيک که اساساً ماهيت تصادفی و نامشخص
1
Box et al
53
دارند قرار میگيرد ،امکان اندازهگيری نيروهای ارتعاشی وارده به سازه وجود ندارد .در این وضعيت فقط میتوان
پاسخهای سازه را اندازهگيری کرد .اینگونه دادههای کسب شده توسط آزمایشهای دیناميکی ،در دسته دوم یعنی
1
خروجی تنها قرار میگيرند .در این راستا با در نظر گرفتن الگوهای سری زمانی کاهنده خودکار با ورودی برونزاد
و یا الگوی کاهنده خودکار ميانگين متحرك با ورودی برونزاد ،2میتوان دریافت که هر دوی آنها از نوع مدل-
های ورودی و خروجی هستند و بهمنظور مدلسازی آماری نيازمند دادههای ورودی و خروجی بهصورت همزمان
میباشند .از اینرو میتوان نتيجه گرفت که این الگوها برای وضعيتهای ورودی-خروجی مناسب میباشند .از
سوی دیگر بر اساس الگوهای کاهنده خودکار 3و الگوی کاهنده خودکار ميانگين متحرك 4و یا الگوی کاهنده
خودکار جمع بسته ميانگين متحرك 5که تنها از دادههای خروجی استفاده میکنند ،میتوان برای وضعيتی بهره
جست که فقط پاسخهای سازه قابل اندازهگيری هستند (باکس و همکاران .)2118 ،الزم بهذکر است که در شرایط
وجود و اعمال بارهای محيطی ،نکتهای دارای اهميت وجود دارد و آن این است که این نوع ارتعاشها تأثير مستقيم
روی چندجملهای باقیماندههای الگوهای سری زمانی دارند (کاردن و برونجان .)2118 ،بنابراین در این وضعيتها
بهترین و مناسبترین الگوهای سری زمانی در شرایط اعمال بارهای محيطی ،الگوهای ARARXو ARMA
میباشند.
-2-01-5تخمین الگوی سری زمانی با دیدگاه آماری
انتخاب الگوی مناسب سری زمانی همواره یکی از چالش برانگيزترین بخشهای تحليل سری زمانی میباشد.
بهطور کلی انتخاب الگویی مناسب برای دادههای سری زمانی به ماهيت و رفتار دادههای ارتعاشی ،نوع اندازهگيری
دادهها و همچنين معلوم یا نامعلوم بودن دادههای ورودی بستگی دارد .در آمار آزمونهای فرضيه 6زیادی برای پی
7
بردن به ماهيت دادههای سری زمانی وجود دارد .هر آزمون فرضيه آماری دارای دو فرضيه شامل پذیرش فرضيه
(یا )H0و رد فرضيه(8یا )H1میباشند .به هر یک از این فرضيهها H0و ،H1مقادیر منطقی گفته میشود .از سوی
دیگر مقداری عددی به نام پی-مقدار 9در هر آزمون نشاندهنده چگونگی پذیرش یا رد فرضيه میباشد.
پس از تحليل اوليه دادههای سری زمانی ،میتوان ساختارهای اوليه الگوهای سری زمانی را بر اساس نوع
اندازهگيری آنها انتخاب کرد .برای مثال هنگامیکه تنها پاسخ سازه قابل اندازهگيری است ،در شرایط استفاده از
بار محيطی ،بهطور معمول میتوان از الگوهای سری زمانی خودکاهنده و کاهنده خودکار ميانگين متحرك برای
دادههای ایستا ،و الگوی کاهنده خودکار جمع بسته ميانگين متحرك برای دادههای نا ایستا بهره برد .اگرچه
راهکارهای بيان شده در انتخاب الگوی نهایی بسيار مفيد هستند ،ولی استداللی توانمند برای شناسایی بهترین الگوی
54
سری زمانی وجود ندارد .یکی از روشهای رایج در تحليل سری زمانی ،استفاده از روش شناسایی الگوی سری
زمانی باکس و جنکينز میباشد (باکس و همکاران .)2118 ،همانطور که از ساختار الگوهای سری زمانی مربوط
1
به الگوهای چندجملهای میتوان دریافت ،بيشتر آنها از ترکيب الگوهای خودکاهنده ) (ARو ميانگين متحرك
) (MAتشکيل شدهاند .بنابراین اساس کلی روش باکس و جنکينز ،در شناسایی این الگوها است .در روشهای
پيشنهادی این پژوهشگران ،مبنای انتخاب یک الگوی سری زمانی بر اساس بررسی وابستگی دادهها توسط تابع
خودهمبستگ ی )ACF( 2و تابع خودهمبستگی جزئ ی )PACF( 3میباشد .با در نظر گرفتن رابطههای توابع
خودهمبستگی و خودهمبستگی جزیی ،میتوان شناسایی الگوهای خودکاهنده و ميانگين متحرك را بهصورت زیر
انجام داد:
اگر ساختار تابع خودهمبستگی به صورت نمایی بوده و تمایلی به صفر شدن نداشته باشد و تابع
خودهمبستگی جزیی در مولفهای خاص به صفر ختم شود ،بهترین الگو برای دادههای سری زمانی الگوی
خودکاهنده است.
اگر ساختار تابع خودهمبستگی در مولفهای خاص به صفر ختم شود و تابع خودهمبستگی جزیی به صورت
نمایی بوده و تمایلی به صفر شدن نداشته باشد ،بهترین الگو برای دادههای سری زمانی الگوی ميانگين
متحرك است.
اگر توابع خودهمبستگی و خودهمبستگی جزیی هر دو صورت نمایی بوده و تمایلی به صفر شدن نداشته
باشند ،بهترین الگو برای دادههای سری زمانی الگوی کاهنده خودکار ميانگين متحرك است.
-5-01-5تعیین مرتبههای الگوهای سری زمانی
پس از شناسایی الگوی مناسب سری زمانی با توجه به نوع دادههای ارتعاشی ،تعيين مرتبههای این الگو مهمترین
و حساسترین بخش تحليل سری زمانی میباشد .دليل اهميت مرتبههای یک مدل ،زمانی مشخص میشود که
انتخاب تعداد مرتبههای کم ،موجب نادرستی مدل سری زمانی میشود .به سخن دیگر ،مدل مورد نظر نمیتواند به
درستی به دادههای سری زمانی برازش شود .در نتيجه اطالعات استخراج شده از این مدل نادرست و ناکافی ،سبب
نتایج غيرقابل اعتماد و خطادار میشود .از سوی دیگر انتخاب تعداد مرتبههای زیاد موجب بيش برازش 4در تحليل
سری زمانی خواهد شد .بيش برازش به پدیدهای نامطلوب در تحليل سری زمانی و آمار گفته میشود که در آن
تعداد مرتبههای (درجههای آزادی) مدل ،بسيار بيشتر از مرتبههای واقعی و مورد نياز است .درنتيجه اگرچه مدل
سری زمانی انتخابی روی دادههای استفاده شده برای برازش ممکن است نتایج خوبی دهد ،در مقابل بر روی
دادههای جدیدی که در آموزش مدل نقشی نداشتهاند ،دارای خطای زیاد خواهد بود (باکس و همکاران.)2118 ،
از سوی دیگر انتخاب مرتبههای مناسب برای الگوهای سری زمانی از دیدگاه ارتعاشی نيز بسيار مهم و حایز اهميت
در فصل سوم راهکارها و الگوریتمهای تفسير و ارزیابی دادههای ارتعاشی مورد بررسی قرار گرفتند .همچنين
فرایند شناخت الگوی آماری برای حوزه پایش سالمت سازه مورد ارزیابی قرار گرفت .شرایط یادگيری بانظارت
و بدون نظارت به فرایند یادگيری اشاره دارد ،که در آنها برای یادگيری نظارتشده دادههای آموزش در دسترس
هستند و برای یادگيری غيرنظارتشده دادههای آموزش در دسترس نيستند .در نهایت با توجه به راهکارهای کسب
56
دادههای ارتعاشی و با استفاده از آزمونهای فرضيه و توابع خودهمبستگی و خودهمبستگی جزیی ،بهترین الگوی
سری زمانی برای دادهها از دیدگاه مهندسی و آماری بهدست میآید.
57
0فصل چهارم
روشهای پیشنهاد شده به منظور شناسایی آسیب در سازه
-0-0مقدمه
در این فصل با بهره بردن از مفاهيم اشاره شده در روشهای آماری به بهبود و پيشنهاد روشهای کاربردی
بهمنظور مکانیابی آسيب و تعيين شدت آن میپردازیم .الزم بهذکر است که در روشهای پيشنهادی و بهبودیافته،
فرآیند استخراج ویژگی حساس به آسيب سازهای از اهميت ویژهای برخوردار است .ویژگیهای استخراج شده از
پاسخ ارتعاشی سازه باید به گونه ای باشند که توانایی استخراج محتوای فيزیکی و دیناميکی سازه را داشته باشند.
این ویژگیها در تشخيص آسيب سازهای با بهره بردن از طبقهبندهای پيشنهادی مورد استفاده قرار میگيرند .چنانچه
سازه مورد نظر دچار آسيب شده باشد ،آنگاه میتوان با استفاده از الگوی سازه آسيبندیده با بهره بردن از ویژگی-
های اشاره شده ،انحراف بهوجود آمده از دادههای سازه در حالت آسيبدیده را بهعنوان آسيب شناسایی کرد .با
این حال ،بهدليل شباهت رفتار آسيب سازهای با شرایط محيطی و بهرهبرداری ،هر نوع تفاوت به معنای وجود آسيب
سازهای نخواهد بود.
58
تحليلها ،بازههای زمانی باید یکنواخت باشند .به سخن دیگر تخمين و محاسبه الگوهای سری زمانی را نمیتوان
در بازههای زمانی غير یکسان انجام داد .بر اساس نوع دادههای ارتعاشی حوزه زمان الگوهای مختلفی میتوان برای
برازش انتخاب نمود .در این ميان الگوهای شناخته شده سری زمانی ،مدلهای خودکاهنده ARX ،ARMA ،و
ARMAXاز نمونههای پرکاربرد در زمينه بررسی دادههای ارتعاشی میباشند .برای یک سيگنال داده خروجی در
حوزه زمان ،الگوی خودکاهنده به صورت زیر رابطهسازی میشود:
A q y t e t ()1-4
در رابطه مورد نظر A(q) ،چند جملهای مربوط به پارامترهای الگوی خود کاهنده y(t) ،پاسخ ارتعاشی سازه در
حوزه زمان و ) e(tخطای محاسباتی الگوی تخمين زده شده میباشد .در موارد مرتبط به حوزه ارتعاش این پارامتر
همان نویز موجود در دادهها میباشد .چنانچه رابطه کلی ) A(qنوشته شود ،میتوان وضعيت گسترش یافته رابطه (-4
)1در الگوی خودکاهنده را تعریف کرد.
A q 1 a1q1 a2 q 2 ana q na ()2-4
و در نتيجه
na
y t a j y t j e t ()3-4
j 1
در رابطههای ( )2-4و ( a ،)3-4و naبه ترتيب ضرایب و مرتبه الگوی خودکاهنده هستند .یکی دیگر از
ویژگیهای الگوهای سری زمانی ،توانمندی تخمين و محاسبه ماندههای الگوهای مورد نظر میباشد .بر این اساس
باقیمانده الگوی خودکاهنده به کمک رابطه زیر بهدست میآید.
na
e t y t a j y t j ()4-4
j 1
مدل سری زمانی دیگری به نام ،ARMAدر واقع بهبود الگوی خودکاهنده بوده که در آن از روش ميانگين
گيری متحرك 1بهره برده میشود .در این راستا رابطه سازی ساختاری الگوی ARMAبه شرح زیر تعریف می-
شود.
A q y t D q e t ()5-4
عبارت ) D(qیک چندجملهای مربوط به باقیماندهها و خطاهای تخمين الگوی ARMAمیباشد که ساختاری
شبيه به چندجملهای ) A(qدارد.
D q 1 d1q1 d2 q 2 dnd q nd ()6-4
در رابطه ( d ،)6-4و ndبه ترتيب ضریب چند جملهای خطا و نيز مرتبه آن هستند .در اینصورت رابطه گسترش
یافته الگوی ARMAبه صورت زیر تعریف میشود.
na nd
y t ai y t i d j e t j ()7-4
i 1 j 1
در صورتی که ميانگينگيری متحرك در الگوی ARXاستفاده شود ،میتوان الگوی ARMAXرا رابطه
سازی کرد و ساختار این الگو بهصورت زیر تعریف میشود.
A q y t B( q )u( t ) D q e t ()11-4
با در نظر گرفتن و برازش هر یک از این مدلهای اشاره شده برای دادههای حوزه زمان ،میتوان به پارامترها و
باقیماندههای الگوهای تخمين زده شده دست یافت .بر اساس مفاهيم بنيادی تشخيص الگوی آماری در حوزه
تشخيص و شناسایی آسيب سازهای ،این پارامترها بهعنوان ویژگیهای حساس به آسيب تعریف میشوند (فرار و
وردن .)2113 ،به سخن دیگر در صورتی که پارامترها و باقیماندههای الگوی برازش شده برای دادههای ارتعاشی
در اختيار باشند ،میتوان از آنها به عنوان شاخصهای اصلی آسيب در سازه بهره جست .در واقع بر اساس مدل-
سازی سری زمانی و روشهای تشخيص الگوی آماری ،با ایجاد آسيب سازهای ،این پارامترها تغيير میکنند و این
تغييرات بهگونهای هستند که بهطور مستقيم بيانکننده آسيب در سازه هستند .با توجه به ذات پاسخهای ارتعاشی
سازه و مفاهيم دیناميک سازهها که در زمان تغيير میکنند ،استفاده از دادههای حوزه زمان روشی کاربردی است.
الزم بهذکر است که برخالف روشهای تحليل فرکانسی و شناسایی دادههای مودال ،دیگر نيازی به تبدیالت و
تغيير محتوا نمیباشد .شکل ( )1-4نمایی کلی از تحليل سری زمانی برای ارزیابی سالمت در سازه را نشان میدهد.
61
شکل ( ) -4تحليل سری زمانی برای دادههای ارتعاشی حوزه زمان (گل و نکاتی کاتباس)2119 ،
الزم بهذکر است که بر اساس نوع دادهها بهتر است پيش از تحليل و مدلسازی سری زمانی ،فرآیند کاهش
تصادفی دادهها 1انجام شود .در این روش بخشهایی از دادههای حوزه زمان بهصورت تصادفی حذف شده و تنها
از دادههایی با ارتعاش آزاد برای تخمين و بهدست آوردن الگوی سری زمانی استفاده میشود .یکی دیگر از
ویژگیهای با اهميت در حوزهی استفاده از روش کاهش تصادفی ،کاهش ميزان تأثيرات نویز در دادهها میباشد
(اسموسن و همکاران1996 ،2؛ اسموسن1997 ،؛ گل و نکاتی کاتباس .)2119 ،در این وضعيت دادههای ارتعاشی
به دادههای ارتعاش آزاد تبدیل میشوند .نکته مهم این است که از دیدگاه آماری باید دادههای زمانی در هنگام
برازش مانا باشند .از اینرو پس از پردازش سيگنالهای ارتعاشی زمانی که پيشتر نشان داده شد ،فرآیند کاهش
تصادفی در دادهها انجام میشود .بر این اساس هر داده ارتعاشی به تعداد Nنمونه با طول بازه مساوی τتقسيمبندی
میشود.
1 N
y yi ti
N i 1
()12-4
62
شکل ( )2 -4الگوریتم کلی استخراج پارامترهای الگوی سری زمانی بهصورت نظارتنشده بهعنوان ویژگی حساس به
آسيب
یکی دیگر از راهکارهای استخراج ویژگی حساس به آسيب سازهای با بهره بردن از الگوهای سری زمانی،
استخراج باقیماندههای مدل سری زمانی مورد نظر میباشد (فاگيت و همکاران2111 ،؛ فاسویس و ساکالریو،
2119؛ کپسافتوپولوس و فاسویس2115 ،؛ یائو و پاکزاد2112 ،؛ گل و کاتباس2111 ،؛ ژنگ .)2117 ،این فرآیند
نيز همانند فرایند استخراج پارامترهای الگوی سری زمانی ،بر اساس الگوریتم فراگيری نظارت نشده استوار است.
در این راستا باقیماندههای الگوی سری زمانی در وضعيت معلوم و یا وضعيت آسيبندیده بهصورت مستقل و با
در نظر گرفتن مرتبههای انتخاب شده و پارامترهای تخمين زده شده بهدست میآیند .اطالعات بهدست آمده در این
راهکار همان دادههای آموزش هستند که پيشتر به آنها اشاره شد .در وضعيت آسيبندیده و یا آسيبدیده که
بهطور کلی نامعلوم در نظر گرفته میشوند ،از مرتبهها و پارامترهای وضعيت معلوم سازه بهره برده میشود و با داشتن
چنين اطالعاتی باقیماندهها بار دیگر استخراج میشوند .اگر سازه در وضعيت نامعلوم در وضعيت آسيب ندیده
باشد ،تغييری در ماندههای الگوی سری زمانی وجود نخواهد داشت .اما در صورت وقوع آسيب در وضعيت نامعلوم
سازه ،ماندهها افزایش مییابند که این افزایش ،نشاندهنده بروز آسيب در سازه بهشمار میآید .نکته بسيار مهم در
این وضعيت این است که باقیماندههای استخراج شده از وضعيت معلوم یا آسيب ندیده سازه ،باید همواره استقالل
داشته باشند .این در صورتی است که در وضعيت نامعلوم سازه نيازی به مستقل بودن دادهها نيست به این دليل که
در هنگام بروز آسيب در سازه ،الگوی در نظر گرفته شده در وضعيت آسيبندیده دیگر نمیتواند همان اطالعات
را در وضعيت آسيب دیده ارائه کند .در چنين وضعيتی مقدار باقیماندهها افزایش مییابد و مستقل بودن دادهها از
بين میرود (فيگردو و فيگوراس .)2111 ،شکل ( )3-4نمایی از الگوریتم کلی استخراج باقیماندههای الگوی سری
زمانی بهصورت نظارتنشده را نمایش میدهد.
63
شکل ( )3 -4الگوریتم کلی استخراج باقیماندههای الگوی سری زمانی بهصورت نظارتنشده بهعنوان ویژگی حساس به
آسيب
همانطور که پيشتر اشاره شد ،دستيابی به مرتبههای قابل اعتماد برای مدلهای سری زمانی برازش شده به
دادههای ارتعاشی ،گامی حياتی در فرایند استخراج ویژگی حساس به آسيب سازهای بهشمار میآید .اگرچه روش-
های معيار اطالعات در تخمين زدن مرتبههای مدل قابل اعتماد و توانا میباشند ،انتخاب یک مرتبه مناسب و بهينه
در مدلسازی سریهای زمانی ،بهطور ویژه به ویژگی خطای باقیماندههای مدل مورد نظر وابسته است (باکس و
همکاران2118 ،؛ هيندمن و اتاناسوپولوس .)2114 ،گفتنی است باقیماندههای هر مدل سریهای زمانی ،بایستی
دارای استقالل و یا غيرهمبسته ،ميانگين صفر ،واریانس ثابت و دارای توزیع نرمال باشند (باکس و همکاران.)2118 ،
بهعبارتی دیگر باقیماندههای مدل سریهای زمانی مورد نظر بایستی ویژگیهای مورد بحث را برای دادههای
تصادفی و یا نرمال دارا باشند .در چنين وضعيتی میتوان از صحيح بودن و کفایت مدل سریهای زمانی مورد نظر،
اطمينان حاصل کرد .بنابراین هر مدل سری زمانی که موارد اشاره شده را تأمين نکند ،بایستی اصالح شود و به-
صورت دقيقتر باید بهبود یابد .یکی از انگيزههای اصلی و نوآوریهای مهم این رساله ،بررسی و بيان کردن
روشهای استخراج ویژگی و تصميمگيری آماری در خصوص وجود و یا عدم وجود آسيب سازهای میباشد.
شکل ( )4-4مراحل استخراج ویژگی حساس به آسيب سازهای را نمایش میدهد.
64
شکل ( )4 -4الگوریتم کلی استخراج ویژگی حساس به آسيب سازهای
برای شفافيت این موضوع ابتدا مرحلههای گام به گام روش استخراج ویژگی بهبود یافته با استفاده از مدل سری
زمانی خودکاهنده شرح داده شده است.
-1گام دریافت دادههای ارتعاشی :در این گام با بهره بردن از یکی از راهکارهای متداول آزمایشهای
دیناميکی به ثبت پاسخهای سازه پرداخته میشود .الزم بهذکر است که بهطور کلی بهمنظور دستيابی به
دادههای ارتعاشی توسط آزمایشهای دیناميکی دو راهکار متداول موجود است .این راهکارها بهصورت
ورودی-خروجی یا نيروی ارتعاشی-پاسخ سازه و یا به صورت خروجی با داشتن فقط پاسخهای ارتعاشی
از سازه مورد نظر دستهبندی میشوند .در راهکار اول نيروهای ارتعاشی اعمال شده به سازه ،قابل
اندازهگيری و در دسترس می باشند .در آزمایشهایی که سازه توسط چکش و یا لرزاننده مرتعش میشود،
هر دو نوع داده ورودی-خروجی یعنی نيروی اعمال شده و پاسخ سازه در دسترس و قابل اندازهگيری
هستند .در مقابل برای وضعيتهایی که سازه مورد آزمایش ،تحت اثر بارهای محيطی مانند بار باد ،تردد
ترافيک که اساساً ماهيت تصادفی و نامشخص دارند قرار میگيرد ،امکان اندازهگيری نيروهای ارتعاشی
وارده به سازه وجود ندارد .در این وضعيت فقط میتوان پاسخهای سازه را اندازهگيری کرد .اینگونه
دادههای کسب شده توسط آزمایشهای دیناميکی ،در دسته دوم یعنی خروجی تنها قرار میگيرند.
-2گام پيشپردازش دادههای ارتعاشی :پيش از برازش کردن یک الگوی سری زمانی به دادههای ارتعاشی
یا یک سيگنال ارتعاشی یکمتغيره ،انجام فرآیند نرمال کردن و استانداردسازی دادههای ارتعاشی بهمنظور
کاهش تأثيرات نوفه که معموالً دارای فرکانس باال و دامنه پایين هستند و همچنين حذف دادههای ارتعاشی
ناخواسته ،بسيار پراهميت است .از روشهای متداول در این حوزه میتوان به انوان مختلف فيلترهای داده-
های ارتعاشی از قبيل ميانگين متحرك (ای و ونگ ،)2114 ،فيلترهای پایينگذر یا باال گذر و روشهای
کاهش تصادفی نام برد (شنوی2115 ،1؛ هن و همکاران .)2114 ،2افزون بر روشهای اشاره شده،
استانداردسازی آماری نيز از انواع دیگر روشهای نرمالسازی میباشند که از مشخصههای آماری از قبيل
ميانگين ،انحراف معيار و سایر شاخصهای آماری تشکيل شده است .در این رساله بهمنظور حذف عوامل
1 Shenoi
2
Han et el
65
و تأثيرات مخرب موجود در دادههای ارتعاشی از روش تبدیل موجک و مفاهيم کلی شبکههای عصبی بر
روی دادههای شتاب سازه بهره برده میشود.
-3محاسبه مرتبه الگوی سری زمانی :در این مرحله ،مرتبه اوليه برای مدل سری زمانی در نظر گرفته شده در
هر مکان حسگر با استفاده از معيار اطالعات بيزی ( ،)BICتخمين زده میشود .یکی از دالیل آماری
استفاده از این معيار اطالعات در برابر معيار اطالعات ( )AICاین است که معيار اطالعات ،AICبهطور
کلی برای پيدا کردن مدل ناشناخته با بعد بسيار زیاد ،تالش میکند .بهعبارت دیگر مدل تخمينی با بهره
بردن از معيار اطالعات AICمدل دقيقی نخواهد بود .این در حالی است که معيار اطالعات بيزی بهعنوان
معياری معتبر و با سازگاری بيشتر مورد استفاده قرار میگيرد (باکس و همکاران.)2118 ،
-4بهبود بخشيدن مرتبه الگوی سری زمانی :در این گام از استخراج ویژگی حساس به آسيب سازهای به بهبود
مرتبه تعيين شده در گام سه میپردازیم .بدیهی است که روشهای معيار اطالعات روشهای قابل قبول و
توانمندی در تخمين مرتبه مدل سری زمانی میباشند ولی اشاره به موضوع استخراج باقیماندههای
غيرهمبسته از مدل سری زمانی ،بسيار حائز اهميت است .در این گام ،مرتبه اوليه مدل سری زمانی بهدست
آمده از روشهای معيار اطالعات مورد بحث در گام سه ،بهبود داده میشود .الزم به ذکر است ،این بهبود
بهگونهای انجام میشود که مدل سری زمانی مورد نظر ،قابليت توليد باقیماندههای مستقل را در هر سيگنال
حسگر یا هر داده ارتعاشی داشته باشد.
-5انتخاب مرتبه بهينه و مناسب الگوی سری زمانی :یکی از موضوعات حائز اهميت در فرآیند تشخيص
آسيب سازهای با بهره بردن از دادههای ارتعاشی و سریهای زمانی ،یکسانسازی مرتبههای الگوی سری
زمانی انتخاب شده و یا ویژگیهای الگو در شرایط سازه آسيبدیده و آسيبندیده میباشد .در بيشتر
موارد ،روشهای آماری مورد استفاده در فرآیند تصميمگيری آماری در خصوص ارزیابی آسيب سازه،
نيازمند تعداد یکسان ویژگیهای استخراج شده در شرایط متفاوت سازه آسيبدیده و آسيبندیده می-
باشند که بتوانند از آنها برای تخمين تفاوتهای معنادار بين ویژگیهای استخراج شده در دو وضعيت
آسيب و یا عدم وجود آسيب استفاده نماید .در این گام بيشترین مرتبه بهبود داده شده در ميان تمام
حسگرهای موجود در سازه ،بهعنوان مرتبه بهينه و مناسب برای الگوی سری زمانی ،انتخاب میشود .مرتبه
بهبود داده شده میتواند سبب استخراج باقيماندههای مستقل از الگوی سری زمانی بهينه در هر مکان
حسگر گردد.
-6محاسبه پارامترهای الگوی بهينه سری زمانی :در این گام الگوی بهينه سری زمانی انتخاب شده ،به تمامی
سيگنالهای حوزه زمان ارتعاشی در تمامی حسگرهای سازه نسبت داده میشود .با انجام این روند،
پارامترهای الگوی سری زمانی بهدست آورده میشوند .الزم بهذکر است که تخمين پارامترهای الگوی
سری زمانی بهطور معمول با یکی از روشهای محاسباتی آماری انجام میشود .روشهای برگ ،1پيشرو
1 Burg
66
پسرو ،1حداقل مربعات 2و یول-واکر 3از مجموعه روشهای آماری رایج در این زمينه میباشند .این
روشها میتوانند برای محاسبه پارامترهای الگوی سری زمانی مورد استفاده قرار گيرند.
-7محاسبه باقیماندههای مستقل الگوی بهينه سری زمانی :در این گام باقیماندههای مستقل الگوی بهينه سری
زمانی برازش شده به دادههای ارتعاشی تمامی حسگرها ،با بهره بردن از تفاوت سيگنالهای حوزه زمان
اندازهگيری شده با سيگنالهای پيشبينی شده متناظر آنها محاسبه میشوند.
-8استخراج ویژگیهای حساس به آسيب سازهای :در این گام پایانی پارامترها و باقیماندههای مستقل الگوی
بهينه سری زمانی بهعنوان ویژگیهای نهایی حساس به آسيب سازهای در نظر گرفته میشوند .این ویژگیها
در فرایند تصميمگيری آماری در خصوص وجود و یا عدم وجود آسيب در سازه مورد استفاده قرار
میگيرند.
بهطور کلی فرآیند استخراج ویژگی بر اساس پارامترهای الگوهای سری زمانی ،به برازش دادن الگوی بهينه به
دادههای ارتعاشی سازه در هر دو وضعيت آسيب دیده و آسيب ندیده سازه تکيه دارد .در ادامه پارامترهای الگوهای
سری زمانی در دو وضعيت سازهای متفاوت اشاره شده ،بهعنوان ویژگی حساس به آسيب سازهای در دسترس قرار
میگيرند .الزم بهذکر است که فرآیند استخراج ویژگی مبتنی بر دادههای ارتعاشی با بهره بردن از باقیماندههای
الگوی سری زمانی ،بر اساس برازش دادن الگوی بهينه سری زمانی به دادههای پاسخ ارتعاشی سازه در وضعيت
سازه آسيب ندیده و بهدست آوردن پارامترهای الگوی سری زمانی با هدف پيشبينی پاسخهای آسيب ندیده سازه
میباشد .اشاره به این نکته ضروریست که مدل انتخاب شده مورد استفاده در وضعيت آسيب ندیده سازه ،بهصورت
دقيق و مشخص پاسخهای آسيبدیده سازه را تخمين نمیزند .در نتيجه میتوان مشاهده کرد که خطاهای باقی-
ماندههای بهدست آمده از تحليل سری زمانی با افزایش شدت آسيب در سازه مورد نظر افزایش مییابند.
1 Bhattachayya
2 Kailath
3 Patra et al
4 Deza
5 Kullback-Leibler
68
x
DKL X || Y x ln dx ()14-4
y
در رابطه باال ρ(x) ،و ) ρ(yبهترتيب به چگالی توزیعهای احتماالتی Xو Yاشاره دارند .با استفاده از ماندههای
الگوهای سری زمانی که پيشتر بهنحوه دستيابی و محاسبه آنها اشاره شد ،میتوان به فاصله و عدم شباهت این
دادهها دست یافت و در زمينه تصميمگيری آماری در خصوص وجود و یا عدم وجود آسيب اعمال نظر کرد.
0
روش فاصله چند متغیره ماهاالنوبیس
همانطور که پيشتر به آن اشاره شد ،ایده اصلی فرایند یادگيری در تصميمگيری آماری ،برپاسازی یک مدل
با در نظر گرفتن مجموعه دادههای آموزش و آزمایش میباشد .در پژوهشهای تشخيص آسيب سازه ،دادههای
آموزش بهطور معمول از ویژگیهای شرایط آسيب ندیده سازه مورد نظر و یا شرایط آسيبندیده سازه بدون حضور
شرایط محيطی و عملياتی ،بهدست میآیند .الزم بهذکر است در بعضی موارد اینگونه دادهها بهصورت چند متغيره
و ماتریسی در دسترس میباشند و لذا روشهای فاصله آماری چند متغيره در گام تصميمگيری آماری بایستی ایفای
نقش کنند.
فرض کنيد که Z ∈ ℜm×sو V∈ ℜr×sبهترتيب دادههای چند متغيره بهصورت ماتریسهای دادههای آموزش
و آزمایش باشند که در آنها mتعداد مشاهدات و یا ویژگیها را در مجموعه دادههای آموزش نشان میدهد و
همچنين rتعداد مشاهدات و یا ویژگیها در مجموعه دادههای آزمایش را نشان میدهد .روش فاصله آماری چند
متغيره ماهالونابيس بهصورت زیر بيان میشود:
MSD z v Σ1 z v
T
()15-4
در رابطه ( z ،)15-4و vبردار ماتریسهای دادههای آموزش و آزمایش میباشند و Σماتریس کوواریانس
بهدست آمده از مجموعه دادههای آموزش را نشان میدهد.
1
Mahalanobis-Squared Distance
69
تعيين شدت آسيب در سازه ،در دسته یادگيری تحت نظارت قرار میگيرند .ایده اصلی در این طبقهبندها محاسبه
ميزان خطای نسبی در ویژگیهای اشاره شده بين شرایط آسيبندیده و آسيبدیده میباشد .از نظر مفاهيم ریاضی،
اندازه بردار یا ماتریس را میتوان به راحتی با استفاده از یکی از روشهای موجود در ریاضيات تعيين کرد.
شاخص خطای نسبی پارامتری )CRI( 1یکی از طبقهبندهای پيشنهادی مبتنی بر پارامترهای مدل سری زمانی
انتخابی بر اساس محاسبه خطای نسبی بين ضرایب مدل خودکاهنده در هر حسگر در شرایط آسيبندیده و آسيب-
دیده سازه میباشد .این طبقهبند به سادگی به شرح زیر رابطهسازی میشود:
aˆ j a j ()16-4
CRI j 2
,
aj
2
در رابطه ( ،)16-4که در آن j=1,2, …, sبه تعداد حسگرهای نصب شده بر روی سازه اشاره دارد âj .و ajبه
ترتيب بردارهای ضرایب مدل سری زمانی خودکاهنده در حسگر jدر شرایط بدون آسيب و آسيبدیده سازه
هستند .در این معادله || .||۲ ،بهصورت اختصاری نشاندهنده l2-normیا نرم اقليدسی است .با در نظر گرفتن
مقادیر CRIبرای همه حسگرها ،میتوان بردار -sبعدی این مقادیر را برای مکانیابی آسيب بهدست آورد .مزیت
این طبقهبند این است که مقادیر آن در محدوده صفر تا یک تغيير میکند ،بهطوریکه CRI = 0و CRI = 1
بهطور ایدهآل شرایط سازه آسيبندیده و آسيبدیده را نشان میدهند.
شاخص مربع خطای نسبی پارامتری )CSRI( 2پيشنهادی در واقع یک فرم توسعه یافته از CRIاست که صورت
و مخرج CRIرا برای افزایش قابليت شناسایی و بررسی آسيب سازهای و مکانیابی در سازه را بهصورت مربع در
نظر میگيرد .رابطه ریاضی CSRIبهصورت زیر نوشته میشود:
2
aˆ j a j ()17-4
CSRI j 2
2
.
aj
2
به طور مشابه میتوان یک بردار -sبعدی از مقادیر CSRIبهدست آورد ،که در آن هر المان نشاندهنده یک
مقدار CSRIدر یک حسگر است .دليل اصلی استفاده از رابطه پيشنهادی CSRIدستيابی به مشاهدات روشنتر
برای مکانیابی آسيب در سازه میباشد .مقادیر CSRIاز صفر تا یک قابل تغيير هستند بهطوریکه CSRI=0
نشاندهنده منطقهای آسيبندیده در سازه است ،در حالیکه CSRI=1نشاندهنده محل آسيبدیده در سازه است.
شایان توجه است که بردارهای ضرایب مدل خودکاهنده ) (a, âکه در رابطههای ( )16-4و ( )17-4شامل مقادیر
pهستند بهترتيب به مرتبههای مدل خودکاهنده اشاره دارند .بنابراین روابط ذکر شده ،اهميت استفاده از همان اندازه
ضرایب مدل خودکاهنده سری زمانی انتخابی و انتخاب مرتبه بهينه در روش استخراج ویژگی پيشنهادی را نشان
میدهند.
که در رابطه ( r ̂j ،)18-4و rjبهترتيب بردارهای نمونههای باقیمانده nبعدی را که بهترتيب با شرایط آسيب-
ندیده و آسيبدیده سازه مرتبط هستند نشان میدهند .با استفاده از اندازه l2خطای نسبی در بردارهای باقیمانده در
مخرج و صورت رابطه ( ،)18-4مقدار عددی RRIدر هر حسگر بهدست میآید .از اینرو میتوان یک بردار -s
بعدی از مقادیر RRIرا بهمنظور مکانیابی و تعيين شدت آسيب بهدست آورد .برخالف طبقهبندهای یادگيری
نظارت شده مبتنی بر پارامترهای مدل سری زمانی انتخابی ،مکانهای حسگر با بيشترین مقادیر RRIبهعنوان مناطق
آسيبدیده در سازه شناخته میشوند.
نوع دیگر طبقهبند پيشنهادی یادگيری نظارت شده مبتنی بر باقیماندههای مدل سری زمانی انتخابی ،شاخص
مربع باقیمانده نسبی )RSRI( 2میباشد که مربع RRIرا محاسبه میکند با این هدف که مشاهدات بهتری را در
روند شناسایی آسيب ارائه دهد .رابطهسازی این طبقهبند بهصورت زیر میباشد:
2
rˆ j r j ()19-4
RSRI j 2
2
.
rj
2
RSRIدر واقع یک بردار sبعدی را توليد میکند که هر یک از مقادیر آن نشاندهنده مقدار RSRIدر هر
حسگر میباشد .مشابه رابطه پيشنهادی ،RRIمکانهای حسگر مربوط به بيشترین مقادیر RSRIبهعنوان مکانهای
آسيبدیده شناخته میشوند.
72
3فصل پنجم
ارزیابی آزمایشگاهی برای مکانیابی و تشخیص آسیب سازهای
-0-3مقدمه
در این فصل به ارزیابی و صحتسنجی روشهای پيشنهاد شده در بررسی آسيب سازهای بهصورت آزمایشگاهی
و مطالعه سازه واقعی پرداخته میشود .برای نيل به این هدف ،از دو نوع سازه شناخته شده در زمينه ارزیابی سالمت
سازه بهره برده شده است .در ابتدا از یک سازه سه طبقه آزمایشگاهی متعلق به آزمایشگاه ملی لوسآالموس
) 1(LANLواقع در امریکا بهره برده میشود و در ادامه سازه چهار طبقه متعلق به انجمن مهندسين عمران امریکا
) ،4(ASCEبهعنوان الگوی دوم مورد بررسی و ارزیابی قرار میگيرد .الزم بهذکر است ویژگیهای مهم در ارزیابی
سالمت سازه از قبيل تأثيرات و تغييرات محيطی و بهرهبرداری و همچنين اعمال بارهای محيطی بررسی میشوند.
دادههای اندازهگيری شده در این سازهها بهصورت تاریخچه شتاب-زمان میباشند و ماهيت دادهها از نوع تصادفی
هستند.
برای ارتعاش سازه اشاره شده از یک لرزاننده الکترودیناميکی استفاده شده است .نيروی ارتعاش به طبقه پایه
این سازه وارد میشود .برای انتقال نيرو از لرزاننده به پایه سازه ،از یک حسگر مخصوص در انتهای سيم اتصال
لرزاننده با حساسيت 2/2ميکرو ولتاژ به نيوتن استفاده شده است .برای دریافت سيگنالهای حوزه زمان از چهار
حسگر سيمی پيزوالکتریک با ميزان حساسيت 1111ميکرو ولتاژ بر شتاب در طبقات پایه تا سوم این سازه استفاده
شده است .بهمنظور دریافت دادههای ارتعاشی این سازه از دستگاه تحليلگر PXIموسسه National Instrument
استفاده شده است.
ارتعاش این سازه در محدوده زمانی 25/6ثانيه انجام شده و بازه زمانی ثبت شده 3/125ميکروثانيه میباشد .از
اینرو دادههای زمانی کسب شده دارای 8192داده هستند .از این قاب آزمایشگاهی بهمنظور بررسی آسيب بهره
برده شده است ،به این دليل سازه مورد نظر در 17مرحله مورد آزمایش قرار گرفته است .جدول ( )1-5وضعيتهای
مختلف آزمایش بر روی این قاب آزمایشگاهی را نشان میدهد.
74
جدول ( )-5وضعيتهای مختلف آزمایش پایش سالمت سازه با لرزاننده روی قاب سه طبقه آزمایشگاهی (فيگردو و
همکاران)2119 ،
مکان آسیب نوع آسیب شرایط سازه وضعیت سازه
وضعيت اوليه بدون آسيب HS وضعیت 0
در کف سازه افزودن جرم 1/2کيلوگرم DS1 وضعیت 2
در طبقه اول افزودن جرم 1/2کيلوگرم DS1 وضعیت 5
در طبقه اول کاهش سختی یک ستون DS2 وضعیت 0
در طبقه اول کاهش سختی دو ستون DS3 وضعیت 3
در طبقه دوم کاهش سختی یک ستون DS2 وضعیت 6
در طبقه دوم کاهش سختی دو ستون DS3 وضعیت 1
در طبقه سوم کاهش سختی یک ستون DS2 وضعیت 5
در طبقه سوم کاهش سختی دو ستون DS3 وضعیت 1
بين ستون معلق و بامپر شکاف 1/2ميلیمتر DS4 وضعیت 01
بين ستون معلق و بامپر شکاف 1/15ميلیمتر DS4 وضعیت 00
بين ستون معلق و بامپر شکاف 1/13ميلیمتر DS4 وضعیت 02
بين ستون معلق و بامپر شکاف 1/1ميلیمتر DS4 وضعیت 05
بين ستون معلق و بامپر شکاف 1/15ميلیمتر DS4 وضعیت 00
ستون معلق و کف سازه شکاف 1/2ميلیمتر و جرم 1/2کيلوگرم DS5 وضعیت 03
ستون معلق و طبقه اول شکاف 1/2ميلیمتر و جرم 1/2کيلوگرم DS5 وضعیت 06
ستون معلق و طبقه اول شکاف 1/1ميلیمتر و جرم 1/2کيلوگرم DS5 وضعیت 01
آسيبهای وارد شده به این سازه بهطور کلی در شش گروه قرار میگيرند که در جدول ( )2-5بيان شده است.
75
در این رساله از هر وضعيت آسيب سازه یک نمونه انتخاب میشود .الزم بهذکر است که بر اساس وضعيتهای
7 ،3 ،1و 17برای تحليل سری زمانی و فرکانسی و نيز شناسایی آسيب برگزیده شدند.
-0-2-3استخراج دادههای مورد نیاز سازه برشی آزمایشگاهی سه طبقه در حوزه زمان و فرکانس
برای کسب دادههای حوزه زمان سازه مورد مطالعه میتوان از جعبه ابزار tstoolدر نرمافزار متلب بهره برد.
جعبه ابزار اشاره شده با دریافت دادههای محور افق یعنی زمان بر حسب ثانيه یا فرکانس و نيز محور قائم یعنی
مولفههای دیناميکی سازه از قبيل شتاب ،سرعت و جابهجایی سازه ،نمودارهای سری زمانی را ترسيم میکند.
نمودارهای شکل ( )2-5سيگنالهای ورودی و خروجی سازه در وضعيت یک که در آن حالت ،سازه بدون آسيب
میباشد را ترسيم میکند.
)a
)b
شکل ( ) -5سيگنالهای داده ورودی و دادههای خروجی در وضعيت بدون آسيب در سازه سه طبقه آزمایشگاهی
)aسيگنالهای نيرو-حسگر یک )b ،سيگنالهای شتاب-حسگر دو )c ،سيگنالهای شتاب-حسگر سه )d ،سيگنال-
های شتاب-حسگر چهار )e ،سيگنالهای شتاب-حسگر پنج
76
)c
)d
)e
ادامه شکل ( )2-5سيگنالهای داده ورودی و دادههای خروجی در وضعيت بدون آسيب در سازه سه طبقه آزمایشگاهی
همچنين در شکل ( )3-5سيگنالهای ارتعاشی سازه سه طبقه آزمایشگاهی در وضعيت آسيبدیده شماره هفت
نيز نمایش داده میشود.
77
)a
)b
)c
78
)d
)e
ادامه شکل ( )3 -5سيگنالهای ورودی و خروجی در وضعيت هفت سازه سه طبقه آزمایشگاهی
)aسيگنالهای نيرو-حسگر یک )b ،سيگنالهای شتاب-حسگر دو )c ،سيگنالهای شتاب-حسگر سه )d ،سيگنالهای
شتاب-حسگر چهار )e ،سيگنالهای شتاب-حسگر پنج
برای وضعيتهای دیگر آسيب سازهای نيز بر اساس جعبه ابزار tstoolمیتوان سيگنالهای حوزه زمان را
پردازش و تحليل کرد .همانطور که میتوان مشاهده نمود ،پردازش مستقيم سيگنالهای سری زمانی نمیتوانند
راهکاری مطلوب برای شناسایی آسيب باشند زیرا تغييرات در پاسخهای ارتعاشی بهراحتی قابل درك و مشاهده
نمیباشند .برای رفع این مشکل دو راهکار کلی مطرح میشود که عبارتند از )1 :تبدیل محتوای دادههای ارتعاشی
از حوزه زمان به حوزه فرکانس و )2تحليل دادههای حوزه زمان بهوسيله الگوهای سری زمانی و استفاده از
روشهای آماری.
راهکار اول یکی از پرکاربردترین روشها در آزمایشهای دیناميکی مودال و روشهای سنتی اساس -ارتعاشی
میباشد .در این راستا با بهره بردن از تبدیل سریع فوریه ،دادههای از حوزه زمان به حوزه فرکانس منتقل شده و
تابعهای پاسخ فرکانسی تشکيل میشوند .این تابعها ترسيمی هستند و میتوانند راهکارهایی بسيار مناسب برای
79
ارزیابی سازه بهشمار آیند .تابعهای پاسخ فرکانسی در حقيقت پاسخهای ارتعاشی سازه هستند که پارامترهای مودال
را در خود جای میدهند .بهطوری که هر قله در تابع پاسخ فرکانسی بيانکننده یک مود ارتعاشی و فرکانس متناظر
با آن ،فرکانس طبيعی در همان مود ارتعاش میباشد .با اینحال برای بهره بردن در رابطههای ریاضی مرتبط با
دیناميک سازه و روشهای اساس دادههای ارتعاشی ،باید ساختار نظری و رابطهسازیهای ریاضی آنها برپا شود.
یکی از دشواریهای استفاده از تابعهای پاسخ فرکانسی ،پيچيدگی آنها برای استفاده در رابطههای ریاضی و تحليل
ماتریسی است .از اینرو دادههای مودال چه بهصورت ماتریس و چه بردار از تابعهای پاسخ فرکانسی استخراج
میشوند .از اینرو روشها و راهکارهای متعددی در راستای استفاده از دادههای مودال برای شناسایی آسيب پيشنهاد
شده است (گيد و همکاران2115 ،1؛ کيم و همکاران ،2118 ،2کونا و همکاران2115 ،3؛ دی سيلوا2115 ،4؛ هی و
فو2111 ،؛ برینکر و همکاران2111 ،5؛ کوبرگ.)2114 ،6
الزم بهذکر است که یکی از مشکالت استفاده از دادههای مودال در تشخيص آسيب ،پيچيدگی و زمانبر بودن
دستيابی به دادههای مودال درست و دقيق و در واقع بدون نویز میباشد .از سوی دیگر بيشتر سازههای عمرانی دارای
ابعادی بزرگ هستند ،از اینرو پارامترهای تشکيل دهنده آنها مولفههای بیشماری خواهند داشت .به این دليل
ماتریسهایی با مرتبه بسيار زیاد تشکيل خواهند شد .بهره جستن از این ماتریسها در روابط ریاضی یا وارونسازی
آنها بسيار دشوار و در بسياری حاالت با خطا همراه خواهد بود .از دیگر مشکالت این روشها میتوان به ناکامل
بودن دادههای مودال اشاره داشت .در یک سازه عمرانی واقعی ،بهدست آوردن تمام مودهای ارتعاشی مربوط به
تعداد درجات آزادی تعریف شده ،امکانپذیر نيست .از سوی دیگر در برخی سازهها تنها چند مود اول در رفتار
دیناميکی سازه مشارکت دارند .از اینرو از دیدگاه عملياتی ،اقتصادی ،محاسباتی و تحليلی استفاده از راهکار اول
در بسياری موارد نمی تواند شرایط کاربردی و توانمندی برای تشخيص آسيب سازه و فرآیندهای تشخيص آسيب
فراهم سازد.
از سوی دیگر راهکار دوم یکی از زمينههای نوین در گرایش دیناميک سازه و روشهای ارتعاشی میباشد.
نخستين پژوهش در این راستا توسط سان ،زارنکی و فرار انجام شد .با این وجود میتوان افرادی همچون فرار و
سان را بهعنوان بنيانگذاران علم نوین تشخيص آسيب در سازه دانست (سان و همکاران2111 ،؛ فاگيت و همکاران،
2111؛ سان و همکاران .)2111 ،مبنای اصلی این راهکار نوین ،بهره بردن از روشهای آماری یا روشهای مبتنی
بر تشخيص الگوهای آماری 7میباشد .بر اساس این روشها با تحليل دادههای ارتعاشی حوزه زمان در الگوهای
سری زمانی و برازش بهترین الگو برای دادهها میتوان به ویژگیهایی دست پيدا کرد که بهطور مستقيم به آسيب
سازهای حساس میباشند .این اطالعات همان پارامترها و باقیماندههای الگوی برازش شده میباشند .بر اساس نوع
81
و توزیع دادهها ،میتوان الگوهای متعدد و متنوعی همچون ARXMA1،ARIMA ،ARMA ،ARX ،ARبرای
دادههای ارتعاشی حوزه زمان برازش کرد .هر یک از الگوهای اشاره شده دارای پارامترها ،مانده ،ميانگين و واریانس
هستند که به آنها ویژگی حساس به آسيب سازهای 2میگویند .با استخراج ویژگیهای اشاره شده میتوان از
راهکارهای آماری برای شناسایی آسيب سازهای بهره جست .در واقع تحليلهای سری زمانی بر روی دادههای
ارتعاشی حوزه زمان ،گامی ابتدایی و مهم در اجرای فرآیند نوین تشخيص آسيب سازه پس از انجام آزمایشهای
دیناميکی و دریافت دادههای ارتعاشی میباشد .پس از استخراج ویژگیهای حساس به آسيب ،میتوان از روشهای
توانمند و کاربردی آمار از قبيل روشهای مبتنی بر تحليلهای سری زمانی (یائو و پاکزاد2112 ،؛ کپسافتوپولوس و
فاسویس2113 ،ب؛ گل و کاتباس2111 ،ب؛ ای و ونگ2114 ،؛ کاردن و براونجان ،)2118 ،روشهای نمودار
کنترلی ،روشهای دستهبندی و مولفههای اصلی (گارسيا 3و ترندافيلووا2114 ،4؛ کوری و همکاران2111 ،5؛ کوری
و سرمونا2112 ،6؛ هوآنگ و همکاران )2114 ،7و روشهای ناپارامتری (کاتباس و همکاران2112 ،؛ ونگ و
همکاران )2111 ،برای شناسایی آسيب در سازه بهره جست .از اینرو میتوان نتيجه گرفت که با بهکارگيری
روشهای آماری در تشخيص آسيب سازهای ،بسياری از محدودیتهای راهکار شماره یک رفع شده و جنبهای
جدید و کاربردی در فرآیند تشخيص آسيب سازه ایجاد شده است.
-2-2-3تحلیل فرکانسی دادههای ارتعاشی
بهدليل عدم کاربرد استفاده مستقيم از دادههای خام ارتعاشی حوزه زمان برای بررسی ارتعاشی یک سازه و
تشخيص آسيب در آن ،تبدیل محتوا از حوزه زمان به فرکانس یکی از راهکارهای کاربردی و شناخته شده برای
استفاده از دادههای ارتعاشی حوزه زمان میباشد .در این قسمت نتایج حاصل از تحليل فرکانسی و نمودارهای پاسخ
فرکانسی برای وضعيتهای مختلف سازه مورد مطالعه ،ارائه میشود .نمودارهای ( )4-5تا ( )7-5بهترتيب تابع پاسخ
فرکانسی را برای پنج سيگنال ارتعاشی قاب سه طبقه آزمایشگاهی در وضعيتهای یک ،سه ،هفت و 17نشان
میدهد.
82
شکل ( )6 -5تابع پاسخ فرکانسی وضعيت شماره هفت سازه سه طبقه آزمایشگاهی
همانطور که از شکلهای ( )4-5تا ( )7-5مشخص است ،هر یک از تابعهای پاسخ فرکانسی دارای چهار قله
مختلف در فرکانسهای مختلف هستند .همانطور که پيشتر اشاره شد هر یک از این قلهها بيانکننده مودهای
شناسایی شده در قاب سه طبقه آزمایشگاهی است .همانطور که از شکل ( )4-5میتوان دریافت ،حسگرهای
دریافت پاسخ دیناميکی در طبقات پایه تا سوم ،نشاندهنده تعداد مودهای موثر در قاب آزمایشگاهی هستند .از
اینرو میتوان گفت که در کل ارتعاش سازه چهار مود شناسایی شده است .بهدليل تحميل آسيب سازهای به قاب
مورد مطالعه در وضعيتهای سه ،هفت و 17تابعهای پاسخ فرکانسی از وضعيت طبيعی خود انحراف پيدا میکند.
این جابهجایی و انحراف در تابعهای پاسخ فرکانسی ،معياری مناسب برای ارزیابی سالمت سازه بهشمار میآیند .با
توجه به نمودارهای ( )4-5تا ( )7-5میتوان دریافت که تحليل فرکانسی بهخوبی وضعيت قاب را از لحاظ وقوع
آسيب تشخيص داده است .الزم بهذکر است که نمودارهای ترسيم شده تابعهای پاسخ فرکانسی در وضعيت یک
83
سيگنال ورودی-چند سيگنال خروجی )SIMO( 1هستند .این قابليت وجود دارد که نمودارهای تابعهای پاسخ
فرکانسی را بهصورت یک سيگنال ورودی-یک سيگنال خروجی )SISO( 2استخراج کرده و برای هر وضعيت،
چهار نمودار تابعهای پاسخ فرکانسی ترسيم کرد .با این راهکار ،تابعهای پاسخ فرکانسی وضوح بهتری خواهند
داشت و فرآیند ارزیابی آسيب بهتر و با دقت مناسبتر انجام میشود .برای جزئيات بيشتر در خصوص وضعيتهای
انجام آزمایش تجربی مودال و تابعهای پاسخ فرکانسی میتوان به پژوهشهای المنگ 3و برون ،داسينگ ،کونا و
همکاران ،مایا و سيلوا مراجعه کرد (المنگ و برون2112 ،؛ داسينگ1988 ،؛ کونا و همکاران2115 ،؛ مایا و سيلوا،
.)2111شکلهای ( )8-5تا ( )11-5بهترتيب جابهجاییها و انحرافهای تابعهای پاسخ فرکانسی در وضعيتهای
آسيبدیده سازه نسبت به وضعيت بدون آسيب را بهنمایش میگذارد.
شکل ( )9-5مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و هفت در سازه سه طبقه آزمایشگاهی
84
شکل ( )11-5مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و 17در سازه سه طبقه آزمایشگاهی
شکل ( )8-5تغييرات تابع پاسخ فرکانسی در وضعيت سه نسبت به وضعيت یک را به نمایش میگذارد .در
وضعيت سه بهدليل اضافه کردن جرم 1/2کيلوگرمی در طبقه اول سازه آزمایشگاهی ،ماتریس جرم سازه تغيير کرده
است .این تغيير جرم سبب تغيير در پارامترهای مودال شده است و لذا تابعهای پاسخ فرکانسی در دو وضعيت با
یکدیگر متفاوت شدهاند .افزون بر این ها ،نمودارهای فاز در دو وضعيت نيز تغييراتی را در تابعهای پاسخ فرکانسی
نشان میدهد .در وضعيت هفت سازه ،سختی ستونهای قرار گرفته در محورهای B ،Aو Dدچار تغيير شدهاند.
همانطور که مشاهده میشود ،در شکل ( )9-5تغييرات بهوجود آمده در تابع پاسخ فرکانسی و نيز درجه فاز این
وضعيت با وضعيت سالم سازه را نشان میدهند .نمودار ( )11-5جابهجایی تابعهای فرکانسی در وضعيتهای 17و
یک را نشان میدهد .در وضعيت ،17شکافی به عمق 11ميلیمتر در ستون معلق ميان طبقه دوم و سوم و افزایش
جرمی برابر با 1/2کيلوگرم در طبقه اول ایجاد شده است .از اینرو با مقایسه نمودار تابعهای پاسخ فرکانسی
وضعيتهای 17و ،1میتوان به وقوع آسيب در سازه آزمایشگاهی پی برد .قابليت دیگری که در تغيير محتوا از
حوزه زمان به حوزه فرکانس وجود دارد ،بهره بردن مستقيم از دادههای حوزه فرکانسی 1و یا طيف پاسخ ارتعاشی
سازه میباشد .هنگامی سازهای تحت ارتعاش نامشخص و تصادفی قرار میگيرد ،پاسخهای دیناميکی تنها دادههای
قابل اندازهگيری و در دسترس هستند .در بيشتر سازههای عمرانی واقعی بهدليل بزرگ بودن ،امکان اعمال نيروی
ارتعاشی بهصورت مستقيم وجود ندارد .بر این اساس از بارهای محيطی همچون بار باد ،ترافيک وسایل نقليه و تردد
افراد بهره برده میشود .الزم بهذکر است که با انتقال این دادهها از حوزه زمان به حوزه فرکانس میتوان از طيفهای
پاسخ یا دادههای حوزه فرکانس نيز برای تحليل فرکانسی استفاده کرد .نمودارهای ( )11-5تا ( )14-5بهترتيب
دادههای حوزه فرکانس را در قاب سه طبقه آزمایشگاهی نشان میدهند .همانطور که در این شکلها قابل مشاهده
است ،محور افقی ،مقدار فرکانس را برحسب رادیان بر ثانيه ( )rad/sو محور عمودی مقدار 2را گزارش میدهد.
86
شکل ( )13-5پاسخ حوزه فرکانس در وضعيت هفت برای سازه سه طبقه آزمایشگاهی
همانطور که از نمودارهای ( )11-5تا ( )14-5میتوان دریافت ،هنگامی که دادههای ورودی در اختيار نباشند
یا به هر دليلی اندازهگيری نشده باشند ،پاسخ حوزه فرکانس میتواند راهکاری بسيار مناسب برای تحليل فرکانسی
و بررسی وضعيت دیناميکی سازه باشد .با این وجود در مقایسه با تابع پاسخ فرکانسی توانایی الزم را برای شناسایی
مودها و فرکانسها ندارد .نمودارهای ( )15-5تا ( )17-5بهترتيب تغييرات وضعيتهای آسيبدیده سازه را با
وضعيتهای آسيبندیده سازه نشان میدهند.
87
شکل ( )15-5پاسخ حوزه فرکانس در وضعيت یک و سه برای سازه سه طبقه آزمایشگاهی
شکل ( )16-5پاسخ حوزه فرکانس در وضعيت یک و هفت برای سازه سه طبقه آزمایشگاهی
88
شکل ( )17-5پاسخ حوزه فرکانس در وضعيت یک و 17برای سازه سه طبقه آزمایشگاهی
با مقایسه ميان نمودارهای پاسخ سازه در حوزه فرکانس در وضعيتهای آسيبدیده با وضعيت آسيبندیده،
میتوان تغييراتی در دادههای فرکانسی مشاهده نمود .الزم بهذکر است که چنانچه از تغييرات محيطی و عملياتی
صرفنظر شود ،در صورت وجود آسيب ،تابع پاسخ فرکانسی وضعيتهای آسيبدیده سازه با وضعيت مبنا
(وضعيت یک) متفاوت هستند .اما این تغييرات وضعيت کلی سازه را نشان داده و نمیتوانند اطالعاتی در خصوص
مکان آسيب در سازه یا تخمين شدت آسيب سازهای ارائه دهند .به این دليل در بيشتر راهکارها و پژوهشهای انجام
شده در این خصوص بر اساس روشهای سنتی ارتعاشی ،از دو وضعيت کلی استفاده میشود .در وضعيت اول
تابعهای پاسخ فرکانسی بهصورت نظری رابطهسازی میشوند و با کمک روشهای ریاضی مبتنی بر جبر خطی،
فرآیندهای تشخيص آسيب در گامهای تعيين مکان و شدت آسيب سازهای انجام میشوند (هوانگ و همکاران،
2112؛ کيم و همکاران2118 ،؛ ليو و همکاران2119 ،؛ سمپایو و همکاران1999 ،1؛ ليمونگلی2111 ،2؛ اوالبی و
همکاران .)2113 ،3به این گروه از روشهای اساس دادههای ارتعاشی ،راهکارهای مبتنی بر تابع پاسخ فرکانسی
) 4(FRF-basedمیگویند .در وضعيت دوم ،دادههای مودال یعنی دادههای فرکانسهای طبيعی ،شکل مود و
ضریب ميرایی از تابعهای پاسخ فرکانسی استخراج میشوند و سپس با استفاده از رابطههای متداول و متنوع ریاضی
یعنی تحليل ماتریسی و جبر خطی هر یک از فرآیندهای تشخيص آسيب انجام میگيرند (ماجومدار و همکاران،
2112؛ اسفندیاری و همکاران2113 ،؛ خشنودیان و اسفندیاری2111 ،؛ رادزینسکی و همکاران2111 ،5؛ ژو و
همکاران2111 ،؛ تندرو و دریميکر2113 ،؛ انتظامی و شریعتمدار2114 ،؛ انتظامی و همکاران .)2114 ،این گروه از
بر اساس روشهای گوناگون شناسایی الگوی سری زمانی ،روش باکس-جنکينز ،2روش قابل اعتماد و شناخته
شدهای میباشند .در ادامه ،تابعهای خودهمبستگی و خودهمبستگی جزئی برای پاسخهای ارتعاشی شتاب در حسگر
شماره پنج سازه مورد مطالعه ،محاسبه شده و نمودارهای آنها برای شناسایی الگوهای MA ،ARو ARMA
تحليل میشوند .شکل ( )18-5بهعنوان نمونه ،نمودارهای تابعهای خودهمبستگی و خودهمبستگی جزیی را در
وضعيتهای یک (آسيب ندیده) و ( 14آسيب دیده) نشان میدهد.
1 Modal-based
2 Box-Jenkins
91
شکل ( )18 -5نمودار تابعهای خودهمبستگی و خودهمبستگی جزئی در حسگر شماره پنج در وضعيتهای 1و 14
جدول ( ) -5نتایج آزمون آماری ليبرن مککيب در حسگر شماره پنج برای شناسایی الگوی خودکاهنده
وضعيتها
شاخصهای فرضيه آزمون
14 1
1
Leybourne-McCabe
91
مقادیر بهدست آمده در جدول ( )3-5بهدرستی تأیيد میکنند که شناسایی الگوی خودکاهنده بر اساس روش
شناسایی باکس-جنکينز مناسب و دقيق است .همانطور که مشاهده میشود ،مقادیر p-valueبزرگتر از 1/15می-
باشند و فرضيهها برای H0هستند.
-0-2-3انتخاب مرتبه توانمند الگوی خودکاهنده با بهره بردن از روش جدید تکراری
در این قسمت مرتبههای توانمند الگوی خودکاهنده برای حسگرهای دو تا پنج بر اساس روش تکراری
پيشنهادی تعيين میشوند .در این راستا با تحليل وابستگی ماندهها توسط آزمون لجونگ-باکس 1در تمامی
حسگرها ،تعداد تکرارهایی که سبب استقالل ماندهها میشوند ،انتخاب میگردند .برای این منظور از حد اطمينان
%5بهره برده میشود .شکل ( )19-5تعداد تکرارها در حسگرهای دو تا پنج برای وضعيت سالم سازه به مقادیر
p-valueآزمون لجونگ-باکس را نشان میدهد .باید به این نکته اشاره شود که فرآیند انتخاب مرتبه در هر تکرار
با حذف مولفههای صفر باقی ماندهها انجام میشود .همانطور که قابل مشاهده است ،آخرین تکرار باالتر از خط
افقی ،که مقدار p-valueدر 1/15است ،بهعنوان مرتبه مناسب الگوی خودکاهنده سری زمانی انتخاب میشود.
در این راستا برای حسگرهای دو تا پنج این مرتبهها به ترتيب برابر با 38 ،51 ،51و 41میباشند .این مقدارها تأکيد
میکنند که باقیماندههای الگوهای خودکاهنده بهدست آمده از این مرتبهها همواره مستقل هستند .از اینرو
الگوهای برازش شده توسط این مرتبه ،کافی و درست میباشند.
1 Ljung-Box
92
شکل ( )19 -5مقادیر p-valueآزمون آماری لجونگ-باکس برای تعيين مرتبه الگوی خودکاهنده در وضعيت یک)a( :
حسگر دو )b( ،حسگر سه )c( ،حسگر چهار )d( ،حسگر پنج
93
شکل ( )21 -5مقایسه وابستگی باقیماندههای الگوهای ( AR)31( ،AR)15( ،AR)5و ( AR)41برای تابع خودهمبستگی
در حسگر پنج از وضعيت سالم سازه
برای ارزیابی بيشتر ،شکل ( )21-5نمودارهای تابعهای همبستگی ماندههای الگوهای خودکاهنده مختلف در
حسگر پنج را به نمایش میگذارد .برای این شکلها چهار الگو با مرتبههای متفاوت به دادههای ارتعاشی حسگر
شماره پنج برازش شده است .سه الگوی اول در حقيقت برگرفته از مقاله فيگردو و همکاران هستند که برای ارزیابی
تأثير مرتبه الگوی خودکاهنده در تشخيص آسيب مورد استفاده قرار گرفتند (فيگردو و همکاران .)2111 ،الگوی
چهارم از مرتبه بهينه روش تکراری بهدست آمده است .همانطور که قابل مشاهده است ،تعداد بسيار زیادی از
مولفههای تابع خودهمبستگی برای الگوهای ( AR)5و ( AR)15از حدود باال و پایين با %95محدوده اطمينان یا
همان خطوط افقی تجاوز کردهاند که بهروشنی نشاندهنده وابستگی ماندهها هستند .اگرچه استفاده از الگوی
( AR)31عملکردی بهتر نسبت به دو الگوی اول از خود نشان میدهد ،اما همچنان مقداری عبور از حدود باال و
پایين تابع خودهمبستگی قابل مشاهده است .در مقابل ،بيشتر مولفههای تابع خودهمبستگی الگوی ( AR)41در
محدود حدود باال و پایين قرار داشته که بهمعنای عدم وابستگی باقیماندهها می باشد.
در بخش پيشين مرتبههای توانمند الگوهای خودکاهنده در حسگرهای دو تا پنج برای وضعيت سالم سازه ،تعيين
شدند .بر اساس روش تکراری دو مرحلهای معرفی شده ،این احتمال وجود دارد که مرتبههای توانمند موجب بيش
برازش دادهها شوند .در این راستا با توجه به روش تکراری دو مرحلهای و بهره جستن از آزمونهای لجونگ-
94
باکس و دوربين-واتسون ،0مرتبههای بهينه الگوهای خودکاهنده در حسگرهای دو تا پنج برای وضعيت سالم تعيين
میشوند .نتایج روش اشاره شده در جدول ( )4-5گزارش شدهاند.
از جدول ( )4-5میتوان دریافت که مقادیر p-valueمربوط به مرتبههای بيشينه بهدست آمده از مرحله اول
روش دومرحلهای ،بيشتر از 1/15است که بهمعنای استقالل باقیماندههای الگوهای خودکاهنده میباشد .همچنين
میتوان مشاهده کرد که تمامی پارامترهای DWبيشتر از دو میباشند .از اینرو میتوان نتيجه گرفت که هر دو نوع
مرتبه الگوهای خودکاهنده ،موجب استقالل باقیماندهها میگردند .الزم بهذکر است که مرتبههای بيشينه بهدست
آمده از آزمون لونگ-باکس ،بدون حذف کردن مولفههای صفر ماندهها میباشد .به این دليل مقادیر بهدست آمده
با نمونههای مشابه در جدول ( )4-5کمی تفاوت دارند .برای اطمينان از استقالل باقیماندههای الگوهای خودکاهنده
بهدست آمده از مرتبههای بهينه ،شکل ( )21-5تابعهای خودهمبستگی در حسگرهای 2تا 5سازه مورد مطالعه را
نشان میدهد .از این شکل میتوان مشاهده کرد که تمامی مقادیر تابعهای خودهمبستگی در محدوده حدهای باال
و پایين قرار دارند.
1
)Durbin-Watson (DW
95
شکل ( )21-5تحليل باقیماندههای الگوهای خودکاهنده برازش شده توسط مرتبههای بهينه با تابعهای همبستگی
یکی از موارد مهم در تشخيص آسيب سازهای با در دست داشتن پارامترها و ماندههای مدل سری زمانی انتخابی
بهعنوان ویژگیهای حساس به آسيب سازهای ،ارزیابی حساسيت آنها به آسيب سازهای میباشد .به این منظور
رابطههای سادهای پيشنهاد میشود تا امکان ارزیابی حساسيت این ویژگیها به آسيب سازهای فراهم شود.
نمودارهای ( )22-5و ( )23-5تفاوت مقادیر پارامترهای مدل سری زمانی انتخابی را در وضعيت های آسيبدیده و
آسيبندیده ،یعنی وضعيتهای یک تا نه در برابر وضعيتهای 11تا ،14و وضعيتهای یک تا نه در برابر
وضعيتهای 15تا 17را نشان میدهند .همانطور که این مشاهدات نشان میدهند ،افزایش مقدار آسيب در سازه با
کاهش مقدار پارامترهای مدل سری زمانی همراه است .این مسأله حساسيت این ویژگی را به آسيب موجود در سازه
به روشنی نشان میدهد.
96
شکل ( )22-5بررسی حساسيت ویژگیهای استخراج شده در وضعيتهای یک تا نه در برابر وضعيتهای 11تا 14با در
نظر گرفتن پارامترهای الگوهای سری زمانی انتخاب شده
شکل ( )23-5بررسی حساسيت ویژگیهای استخراج شده در وضعيتهای یک تا نه در برابر وضعيتهای 15تا 17با در
نظر گرفتن پارامترهای الگوهای سری زمانی انتخاب شده
در ادامه با بررسی رابطهای ساده ميان خطای پارامترها و اندازه باقیماندهها در وضعيتهای آسيبندیده و
آسيبدیده ،حساسيت این ویژگیها مورد توجه قرار میگيرد .الزم بهذکر است که در هر حسگر ،اختالف مقادیر
اشاره شده بيان کننده تفاوت ميان وضعيتهای آسيبندیده و آسيبدیده سازه هستند .شکل ( )24-5این مقادیر را
در حسگرهای دو تا پنج در وضعيتهای 11الی 14نشان میدهند.
97
شکل ( )24 -5ارزیابی حساسيت ویژگیهای استخراج شده در وضعيتهای 14-11
( )aپارامترهای مدل سری زمانی انتخابی )b( ،ماندههای مدل سری زمانی انتخابی
همانطور که مالحظه میشود ،شکلهای ( )24-5بهروشنی نشان میدهند که مقادیر بهدست آمده در حسگر
شماره چهار ،که در واقع در نزدیکی ناحيه آسيبدیده قرار دارد ،مقادیر بيشتری نسبت به سایر حسگرهای نصب
شده در سازه آزمایشگاهی دارد .عالوه بر این مقادیر شاخصها در این حسگر ،در وضعيت 11به وضعيت 14
بهصورت افزایشی هستند .از این نمودار نتيجه دیگری نيز میتوان گرفت و آن این است که مقادیر بهدست آمده
98
در حسگرهای شماره دو و سه برای تمامی وضعيتهای 11الی 14تقریبا ثابت میباشند .نتایج بهدست آمده به-
وضوح حساسيت پارامترها و ماندههای الگوی سری زمانی انتخابی را به آسيب موجود در سازه مورد نظر نشان
میدهند.
-6-2-3تشخیص مکان و شدت آسیب در قاب سه طبقه آزمایشگاهی
با هدف ارزیابی درستی و کارآمدی طبقهبندهای پيشنهادی آسيب ،نتایج RRI ،CSRI ،CRIو RSRIبا
بهره بردن از ویژگیهای بهدست آمده بررسی میشوند .پس از بهدست آوردن پارامترها و باقیماندههای الگوی
انتخابی مناسب سری زمانی ،طبقهبندهای پيشنهادی با بهره بردن از مفاهيم یادگيری ماشينی بهکار گرفته میشوند.
بهمنظور در نظر گرفتن شرایط محيطی و بهره برداری ،ميانگين پارامترها و باقیماندههای الگوی انتخابی در وضعيت
های یک الی هشت محاسبه میشوند .با انجام این فرایند دو مجموعه ویژگی ترکيبی از پارامترها و باقیماندهها در
خصوص وضعيتهای آسيب ندیده سازه بهدست میآید .الزم بهذکر است بهمنظور در نظر گرفتن اصول یادگيری
ماشينی در مسأله تشخيص آسيب سازهای ،حالت شماره نه سازه بهعنوان دادههای ارزیابی و بهمنظور درستی عملکرد
طبقهبندها در نظر گرفته میشود .انجام این عمليات به این معنی است که حالت شماره نه سازه ،حالت آسيب ندیده
میباشد و انتظار میرود در این حالت ،طبقه بندهای پيشنهادی آسيبی را در نظر نگيرند .بهعبارت دیگر نتایج
مکانیابی و تعيين شدت آسيب در این وضعيت بایستی از وضعيت های 11تا 17تفاوت داشته باشد .جدولهای
1
( )5-5تا ( )9-5مقادیر طبقهبندهای پيشنهادی را گزارش میدهند .در این جدولها مقادیر مشخص شده پررنگ
به مکان آسيب اشاره دارند .همانطور که مالحظه میشود ،این مقادیر در حالت شماره نه در محدوده مقادیر بهدست
آمده از وضعيتهای آسيبندیده قرار دارد و از طرفی دیگر این مقادیر تفاوت قابل توجهی با مقادیر بهدست آمده
از وضعيتهای آسيبدیده سازه که بهصورت پررنگ مشخص شدهاند ،دارند .همانطور که در جدولهای ()5-5
و ( )6-5گزارش شده است ،مقادیر ذکر شده که با مقدار واحد اختالف زیادی دارند نشاندهنده عدم وجود آسيب
در قاب آزمایشگاهی میباشد .از اینرو مقادیر حسگرهای دو تا پنج نشاندهنده وضعيت سالم سازه میباشد .از
سوی دیگر همانطور که در جدولهای ( )7-5و ( )8-5مشاهده میشود ،مقادیر RRIو RSRIدر وضعيت نه
سازه ،تقریباً با مقادیر متناظر در حسگر دو و سه در حالتهای 11الی 17برابر هستند .بنابراین طبقهبندهای پيشنهادی
با کمک ویژگیهای استخراج شده از روش پيشنهادی نتایج قابل قبولی را در حالت نه سازه بهدست دادند .برای
حالت های 11تا 17مشاهده میشود که در حسگر شماره چهار مقادیر بهدست آمده بيشتر از سایر حسگرها میباشند
که این نتایج به محل آسيب در سازه آزمایشگاهی مورد مطالعه داللت دارند.
1
Bold
99
جدول ( )5 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش CRI
شماره حسگر
وضعيت سازه
2 3 4 5
9 1.2273 1.2119 1.2734 1.2791
111
جدول ( )7 -5مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش RRI
شماره حسگر
وضعيت سازه
2 3 4 5
9 3.1112 3.4425 3.1667 3.3515
بهطور دقيقتر همانطور که در جدولهای ( )5-5و ( )6-5گزارش شده است ،مقادیر بهدست آمده از روشهای
CRIو CSRIدر حسگر شماره چهار ،نزدیک به مقدار یک میباشند .از سوی دیگر در جدولهای ( )7-5و
( ،)8-5مقادیر RRIو RSRIدر این حسگر بيشتر از سایر حسگرها میباشند .اشاره به این نکته ضروری است که
111
بعضی از مقادیر بهدست آمده از طبقهبندهای پيشنهادی در حسگر شماره پنج نيز قابل مالحظه هستند و این مسأله به
این دليل است که آسيب غيرخطی تحميل شده به سازه قاب آزمایشگاهی سه طبقه بين حسگرهای چهار و پنج
میباشد .در نتيجه با در نظر گرفتن منشأ در نظر گرفتن آسيب غيرخطی ،دستيابی به این مقادیر منطقی میباشد.
برای بررسی مسأله تعيين شدت آسيب سازهای ،نمودار شکل ( )25-5نتایج RRI ،CSRI ،CRIو RSRIرا
در وضعيتهای آسيبدیده سازه با استفاده از ویژگیهای بهدست آمده نشان میدهد .برای نمایش بهتر ،مقادیر
RRIو RSRIبهصورت لگاریتمی نشان داده شده است .پيش از ارزیابی و تفسير نتایج ،الزم به توضيح است که
وضعيتهای سازه ای 11و 14نشاندهنده کمترین و بيشترین ميزان شدت آسيب در قاب آزمایشگاهی مورد مطالعه
هستند .عالوه بر این موضوع ،آسيبهای اشاره شده در این سازه بهصورت افزایشی میباشند و از حالت 11تا 14
مقدار آنها افزایش می یابد .از سوی دیگر وضعيتهای 15 ،11و 16همراه با وضعيتهای 13و 17دارای شدت
یکسان هستند.
با در نظر گرفتن توضيحات داده شده میتوان مشاهده کرد که در شکل ( )25-5در بخش aو ،bوضعيتهای
11تا 14سازه بههمراه 17در حسگرهای چهار و پنج سازه ،مقادیر CRIو CSRIنزدیک به یک دارند .در ميان
تمامی وضعيتهای آسيب دیده سازه ،حالت 17نشاندهنده بيشترین حالت آسيب در سازه میباشد
( CRI=0.9890و )CSRI=0.9781و بعضی از وضعيتهای آسيبدیده در سازه (حالتهای 12تا )14دارای
مقادیری نسبتاً برابر با ميزان شدت آسيب هستند .این نتایج به این مسأله داللت دارند که اگرچه روشهای CRI
و CSRIدر مکانیابی آسيب موفق بودهاند ولی در تعيين شدت آسيب قادر به فراهم کردن نتایج قابل قبول و منطقی
نيستند .با این وجود در شکل ( ،)25-5در بخشهای cو ،dنتایج قابل اعتماد و قابل قبولی در تعيين شدت آسيب
با روشهای RRIو RSRIقابل مشاهده است .از این نمودارها میتوان دریافت که بيشترین مقدار آسيب در حالت
14رخ داده است که با توجه به سناریوی سازه آزمایشگاهی کامال درست و منطقی است.
112
شکل ( )25-5تعيين شدت آسيب در قاب آزمایشگاهی سه طبقه با طبقهبندهای پيشنهادی
( )aروش )b( ،CRIروش )c( ،CSRIروش )d( ، RRIروش RSRI
علیرغم نتایج بهدست آمده در مکانیابی و تعيين شدت خسارت با بهره بردن از روشهای پيشنهادی ،ضروری
است که عملکرد و درستی روشهای معرفی شده با روشهای شناخته شده موجود مورد بررسی قرار گيرد .نخستين
مقایسه در تأثير مرتبههای اوليه بهدست آمده از روشهای کالسيک معيار اطالعات میباشد .در این راستا جدول
( )9-5نتایج مکانیابی خسارت را با مرتبه 26برای الگوی سری زمانی خودکاهنده گزارش میدهد .با در نظر
گرفتن این مرتبه ،پارامترها و باقیماندههای مدل مورد نظر محاسبه میشوند .در این مقایسه خروجیهای CSRIو
RRIبرای برخی از وضعيتهای متفاوت سازه در نظر گرفته میشود .الزم بهذکر است که مقادیر CSRIو RRI
در خصوص حالت نه سازه قاب آزمایشگاهی بهصورت جداگانه در همان محدوده مورد نظر میباشند و طبقهبندها
بهدرستی مکان خسارت غيرخطی موجود در حسگر شماره چهار را تخمين زدهاند .عالوه بر اینها ،با وجود داشتن
مقادیر بزرگتر از CSRIو RRIدر حسگر شماره چهار مرتبط با حالتهای 11و 16در مقایسه با حسگرهای دیگر،
برخی از نتایج غير قابل اعتماد نيز وجود دارند که با عالمت "*" مشخص شده است .این بدان دليل است که مقادیر
CSRIو RRIدر حسگرهای دو و سه نزدیک به حسگرهای چهار و بزرگتر از مقادیر مربوطه در حسگر پنج است.
از اینرو میتوان نتيجه گرفت که بهبود مقادیر مرتبه اوليه الگوی سری زمانی انتخابی سبب استخراج ویژگیهای
حساس به آسيب بهتر و مناسبتر میشود.
113
جدول ( )9 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس مرتبههای اوليه مدل انتخابی
شماره حسگر
وضعيت سازه طبقهبند
2 3 4 5
CSRI 1.1828 1.1815 1.1829 1.1667
9
RRI 3.6915 3.1197 3.9384 3.7918
CSRI 1.1791 *1.3313 140651 1.1161
11
RRI *3.3561 *4.7391 341601 2.1199
جدول ( )11 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس معيار فيشر و پارامترهای مدل انتخابی
شماره حسگر
وضعيت سازه
2 3 4 5
114
تحليل دیگر در این زمينه مربوط به مقایسه طبقهبندهای پيشنهادی با معيار فيشر با بهره بردن از پارامترهای مدل
سری زمانی خودکاهنده و فاصله آماری کلموگروف-اسميرنوف ( )KSSDاز طریق باقیمانده مدل سری زمانی
خودکاهنده میباشد .الزم بهذکر است که این ویژگیها در واقع همان مواردی هستند که برای تعيين مکان و شدت
آسيب از طریق طبقهبندهای پيشنهادی در بخش قبل مورد بررسی قرار گرفتند .جدولهای ( )11-5و ( )11-5به-
ترتيب مقادیر معيار فيشر و KSSDرا برای مکانیابی آسيب گزارش میدهند .گفتنی است که محلهایی که به-
صورت مقادیر پررنگ مشخص شدهاند ،محل تشخيص آسيب را نشان میدهند و مقادیر با عالمت "*" نشاندهنده
مکانیابی آسيب میباشند که به اشتباه تشخيص داده شدهاند .از جدول ( )11-5میتوان دریافت که معيار فيشر در
تعيين مکان آسيب بهدليل عملکرد ضعيف آن برای مکانیابی حسگر شماره چهار بهعنوان منطقه آسيبدیده از قاب
آزمایشگاهی سه طبقه ،ناموفق میباشد.
جدول ( )11 -5مکانیابی آسيب در قاب آزمایشگاهی بر اساس معيار KSSDو باقیماندههای مدل انتخابی
شماره حسگر
وضعيت سازه
2 3 4 5
الزم بهذکر است که اگرچه حسگر شماره پنج در نزدیکی منبع آسيب قرار دارد ،حسگر چهار باید به عنوان
محل اصلی آسيب شناخته شود .با این وجود همانطور که در جدول ( )11-5مشاهده میشود ،مقادیر KSSDاز
معيار فيشر موفقتر عمل میکنند و این فاصله آماری میتواند محل حسگر شماره چهار را بهعنوان منطقه آسيبدیده
در وضعيتهای 11تا 15و همچنين 17شناسایی کند .با این وجود ،این روش هم نيز قادر به ارائه نتایج دقيق بهمنظور
مکانیابی آسيب در وضعيتهای 11و 16نمیباشد و لذا نتایج تحليل مقایسهای ،این نکته مهم را تأیيد میکنند
که طبقهبندهای پيشنهادی با بهرهگيری از مفاهيم یادگيری ماشينی از شاخصهای موجود عملکرد بهتر و مناسبتری
دارند.
115
-5-3ارزیابی روشهای پیشنهادی توسط سازه فوالدی چهار طبقه ASCE
سازه فوالدی ،ASCEیک الگوی آزمایشگاهی چهار طبقه است که در دانشگاه بریتيش کلمبيا 1به عنوان فاز
دوم عمليات پایش سالمت ،ساخته شد (دایک و همکاران .)2113 ،سازه مورد نظر از قابهای فوالدی دو دهانه
تشکيل شده است و در چهار طبقه ساخته شده است .طول هر دهانه به صورت 2/5متر و ارتفاع طبقات برابر با 3/6
متر میباشند .مقاطع استفاده شده در این سازه از نوع مقطع فوالدی نورد شده با تنش تسيلم 311مگاپاسکال بودند.
بهمنظور مهاربندی این سازه ،در هر طبقه و هر دهانه ،دو ميلهگرد به قطر 12/7ميلیمتر استفاده شده است .شکل (-5
)26نمایی از این سازه را نشان میدهد.
شکل ( )26 -5نمایی از سازه فوالدی چهار طبقه ( ASCEدایک و همکاران)2113 ،
الزم به ذکر است که برای اجرای فرایند پایش سالمت در سازه مورد نظر ،از 15حسگر استفاده شده است که
هر طبقه با سه حسگر تجهيز شده است و در هر طبقه ،دو حسگر در مسير شمال به جنوب و یک حسگر در مسير
شرق به غرب نصب شدند .نمایی کلی از حسگر های نصب شده ،در شکل ( )27-5قابل مشاهده میباشد .حسگرهای
نصب شده در مسير شمال به جنوب از نوع FBAمی باشند و حسگرهای شمارههای 11 ،7 ،4 ،1و 13روی ضلع
غربی و حسگرهای 12 ،9 ،6 ،3و 15در ضلع شرقی سازه قرار دارند .افزون بر این ها ،حسگرهای 11 ،8 ،5 ،2و
14که در نزدیکی مرکز سازه قرار گفتند از نوع EPIمی باشند.
برای وارد ساختن ارتعاش به سازه فوالدی مورد نظر از سه روش کلی شامل ارتعاش با چکش ،ارتعاش با لرزاننده
و بارهای محيطی بهره برده شده است .با وارد ساختن ارتعاشهای اشاره شده ،پاسخ های سازه به صورت تاریخچه
شتاب-زمان ،اندازهگيری و ثبت شدند .در شرایط وارد ساختن نيروی ارتعاشی به صورت بارهای محيطی ،سازه
فوالدی مورد نظر به وسيله عواملی همچون ترافيک ،باد و تردد افراد تحریک شد .در این قسمت ،از دادههای
ارتعاشی ناشی از ارتعاش با لرزاننده بهره برده شده است .خاطر نشان میشود که دادههای ارتعاشی حسگرهای یک
تا سه به دليل نداشتن محتوای دیناميکی مورد استفاده قرار نمیگيرند .آسيبهای سازه به صورت حذف بادبندهایی
از طبقات و آسيب نوع دوم شل شدگی اتصاالت تير به ستون در سازه بودند .از اینرو ،در پروژه فاز دو عمليات
پایش سالمت سازه از پنج وضعيت آسيب بهره جسته شد که وضعيتهای دوتا پنج ،در جدول ( )12-5نشاندهنده
این وضعيتها است.
117
-0-5-3استخراج ویژگی
همانطور که پيشتر اشاره شد ،اولين گام در استخراج ویژگی حساس به آسيب سازهای ،تأیيد درستی انتخاب
مدل سری زمانی به منظور مدلسازی پاسخ سازه است .به این منظور ،جدول شماره ( ،)13-5خروجیهای آزمون
فرضيه آماری را برای پاسخهای ارتعاشی سازه در حالت شماره یک و با در نظر گرفتن سطح اهميت ٪5ارائه
میدهد .همانطور که مشاهده میشود ،همه مقادیر p-valueبزرگتر از 1.15میباشند و تمامی آمارههای آزمون
آماری ليبرن-مککيب کوچکتر از مقدار cمیباشند ،که برابر با 1.1461است .موارد اشاره شده منجر به شاخص
منطقی H0میشود .بنابراین میتوان استنباط کرد که انتخاب مدل سری زمانی خودکاهنده برای استخراج ویژگی،
منطقی و درست است .از سوی دیگر ،جدول ( )14-5نتایج اوليه و بهبود یافته بهدست آمده از روش استخراج
ویژگی پيشنهادی و خروجیهای آزمون فرضيه آماری دیگری را فهرست میکند .در این جدول همانطور که
مالحظه میشود ،استفاده از روش بهبود یافته ،مدلهای سری زمانی خودکاهنده را قادر میسازد تا باقیماندههای
مستقل و یا غيرهمبسته توليد کنند .اشاره به این نکته ضروری است که تمامی مقادیر p-valueبزرگتر از 1.15و
مقادیر آماره آزمون SLBکوچکتر از مقدار cاست .مقدار ،cبرابر با 31.4114با در نظر گرفتن سطح اهميت ٪5
می باشد .با توجه به روش استخراج ویژگی پيشنهادی ،مدل سری زمانی خودکاهنده با مرتبه 128بر روی تمام
پاسخهای ارتعاشی در نظر گرفته میشود تا ضرایب مدل سری زمانی و باقیماندههای آن را بهعنوان ویژگیهای
حساس به آسيب سازهای استخراج کند.
جدول ( )13-5ارزیابی و تحليل عددی دقت انتخاب مدل سری زمانی خودکاهنده با آزمون آماری ليبرن-مککيب
Sensor ID p-value SLMC Logical index
4 1.1 1.1112 H0
5 1.1 1.1157 H0
6 1.1 1.1119 H0
7 1.1 1.1112 H0
8 1.1 1.1111 H0
9 1.1 1.1145 H0
11 1.1 1.1112 H0
11 1.1 1.1111 H0
12 1.1 1.1112 H0
13 1.1 1.1169 H0
14 1.1 1.1151 H0
15 1.1 1.1112 H0
118
جدول ( )14-5مرتبههای اوليه و بهبودیافته مدل سری زمانی خودکاهنده در حالت شماره یک سازه
Sensor Initial selection Improved selection
ID AR order p-value SLB AR order p-value SLB
4 97 1 91.9612 111 1.1694 31.1279
5 67 1 78.8426 112 1.1945 28.6656
6 116 1 111.6526 118 1.1667 29.9318
7 114 1 74.2231 122 1.1911 31.8272
8 91 1 111.4778 128 1.1656 29.2666
9 77 1.1248 39.1411 86 1.1767 23.7111
11 98 1 75.6129 118 1.1849 22.4881
11 95 1.1485 35.7277 98 1.1758 29.6428
12 76 1 164.6618 95 1.1883 28.2288
13 111 1 117.5781 117 1.1981 28.4972
14 72 1 44.2599 85 1.1369 26.9411
15 97 1 212.8579 115 1.1187 29.2576
بهمنظور اطمينان از عدم بروز مشکل بيشبرازش بهدليل استفاده از مرتبه انتخابی 128برای مدل سری زمانی
خودکاهنده ،جدول شماره ( )15-5مقادیر مربع ،1Rمربع Rتنظيمشده 2و خطای ميانگين مربعات ) 3(MSEرا در
همه حسگرها در حالت اول سازه ارائه میدهد .بر اساس مطالعات تجربی انجام شده ،میتوان در این جدول مشاهده
کرد که مقادیر مربع Rو مربع Rتنظيم شده ،بهترتيب تقریباً نزدیک به مقدار یک میباشند .الزم بهذکر است که
هيچ مقدار منفی برای مربع Rتنظيم شده گزارش نشده است .افزون بر اینها ،مقادیر MSEتقریباً برابر با صفر
میباشد .از اینرو میتوان نتيجه گرفت که استفاده از مرتبه انتخابی 128برای مدل سری زمانی خودکاهنده منجر
به مشکل بيشبرازش نمیشود و برای مدلسازی پاسخ ارتعاشی سازه مناسب است.
1 R-square
2 Adjusted R-square
3
Mean Squared Error
119
جدول ( )15-5ارزیابی کيفيت برازش در حالت شماره یک سازه با در نظر گرفتن مرتبه انتخابی 128برای مدل سری زمانی
خودکاهنده
Goodness-of-fit
Sensor ID
R-square adjusted R-square MSE
4 1.9583 1.9325 1.1187
5 1.9144 1.9165 1.1198
6 1.9225 1.9195 1.1192
7 1.9162 1.9188 1.1111
8 1.9216 1.9194 1.1119
9 1.9962 1.9686 1.1112
11 1.9611 1.9417 1.1119
11 1.9954 1.9752 1.1119
12 1.9732 1.9529 1.1126
13 1.9411 1.9229 1.1164
14 1.9811 1.9666 1.1133
15 1.9595 1.9518 1.1171
با استفاده از مرتبه بهينه انتخاب شده ،ضرایب مدل سری زمانی خودکاهنده در حالتهای بدون آسيب و آسيب-
دیده با روش یول-واکر برآورد میشوند .شکل ( )28-5تغييرات در ضرایب این مدل را در حسگر شماره شش در
همه حالتهای سازه بهمنظور نشان دادن تأثير آسيب بر این ویژگیها به نمایش میگذارد .الزم بهذکر است که
محل آسيب در مجاورت حسگر شش ،در همه حالتهای خسارت دیده در سازه مشترك است .از اینرو ،ضرایب
مدل سری زمانی خودکاهنده این حسگر در مقایسه انجام شده در نظر گرفته شده است .از شکل ( ،)28-5مشاهده
میشود که بيشتر تغييرات ،مربوط به حالتهای دو و سه میباشند .از آنجایی که ميزان شدت آسيب در حالتهای
شماره چهار کمتر از حالتهای دو و سه است ،میتوان مشاهده کرد که ميزان تغييرات در شکل (( )28-5ج) کمتر
از تغييرات مربوطه در شکل (( )28-5الف)(-ب) است .در نهایت ،کمترین ميزان تغييرات در ضرایب مدل سری
زمانی خودکاهنده مربوط به حالت شماره پنج است که کمترین ميزان شدت آسيب را شامل میشود .این نتيجهگيری
حساسيت ضرایب مدل سری زمانی خودکاهندهی بهدست آمده از روش استخراج ویژگی پيشنهادی را نسبت به
آسيب تأیيد میکند.
مقایسه دیگر مربوط به باقیماندههای مدل سری زمانی خودکاهنده در حسگر شماره شش میباشد .در این
زمينه ،شکل ( ،)29-5تغييرات نمونههای باقیمانده مدل سری زمانی خودکاهنده با مرتبه 128را بين حالتهای
111
آسيب ندیده و آسيبدیده مقایسه میکند .همانطور که در این شکل مشاهده میشود ،وقوع آسيب در حالتهای
دو و سه ،با در نظر گرفتن ميزان شدت آنها ،منجر به افزایش قابل مالحظهای در باقیماندههای مدل میشود،
بهطوری که افزایش در حالت دوم بيشتر از حالت دیگر است .الزم بهذکر است که مقادیر افزایشی در شکل
(( )29-5ج)(-د) نيز قابل مشاهده میباشد ،اما این مقدار افزایش به ميزان افزایش قابل مشاهده در شکل ()29-5
(الف)(-ب) واضح نيست .این نتایج همچنين حساسيت باقیماندههای مدل سری زمانی خودکاهنده استخراج شده
از روش پيشنهادی را در برابر آسيب بهروشنی نشان میدهند.
شایان توجه است که زمان پردازش برای استخراج ضرایب و باقیماندههای مدل سری زمانی خودکاهنده در
حالت شماره یک سازه برابر 136و 117ثانيه است .برای هر یک از حالتهای باقیمانده ،زمان پردازش تقریباً 118
و 111ثانيه برای استخراج ضرایب و باقیمانده مدل است .الزم بهذکر است که این روشها با استفاده از رایانهای با
مشخصات پردازنده مرکزی 3.40-3.90 ،IntelTM Core i7-3770 1گيگاهرتز 16 ، 2گيگابایت RAM4 3مورد
تحليل و بررسی قرار گرفتهاند.
شکل ( )28-5مقایسه ضرایب مدل سری زمانی خودکاهنده بين حالتهای بدون آسيب و آسيبدیده در حسگر شماره
شش( :الف) حالت یک و دو( ،ب) حالت یک و سه( ،ج) حالت یک و چهار( ،د) حالت یک و پنج
112
شکل ( )31-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :CRIالف) حالت شماره دو( ،ب) حالت شماره
سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
شکل ( )31-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :CSRIالف) حالت شماره دو( ،ب) حالت شماره
سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
113
شکل ( )32-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :RRIالف) حالت شماره دو( ،ب) حالت شماره
سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
شکل ( )33-5مکانیابی آسيب در سازه فوالدی ASCEتوسط روش ( :RSRIالف) حالت شماره دو( ،ب) حالت شماره
سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
114
با توجه به نمودار (( )31-5الف)(-ب) ،مشاهده میشود که طبقهبندیکننده پيشنهادی CRIبه شکل مناسبی
قادر است که مناطق آسيبدیده مربوط به حالتهای دوم و سوم را تعيين کند .اگرچه این طبقهبند همچنين قادر به
شناسایی محل آسيبهای حالتهای باقیمانده است ،اما برخی خطاها در نتایج قابل مشاهده است .به سخن دیگر،
در نمودار (( )31-5ج)(-د) میتوان مشاهده کرد که مکان حسگرهای 11و 11به اشتباه بهعنوان مناطق آسيب دیده
تشخيص داده شدهاند .در ادامه مشاهده میشود که سایر طبقهبندیکنندههای پيشنهادی قادر به تشخيص مناطق
آسيب دیده در همه حالتهای موجود در سازه فوالدی ASCEو بدون هيچ خطایی هستند .بنابراین میتوان نتيجه
گرفت که طبقهبندهای پيشنهادی RRI ،CSRIو RSRIبهجز CRIدر مکانیابی خسارت بهخصوص سناریوهای
آسيب جزئی ،موفق هستند.
شکل ( )34 -5تعيين شدت آسيب در سازه فوالدی ASCEبا استفاده از اندازه l2مقادیر طبقهبندیکنندههای پيشنهادی:
(الف) ( ، CRIب) ( ، CSRIج) ( ، RRIد) RSRI
ارزیابی دیگر انجام شده در این رساله ،مربوط به تعيين ميزان خسارت در این سازه میباشد .در این راستا ،نرم
یا اندازه l2مقادیر RRI ،CSRI ،CRIو RSRIدر همه حسگرها محاسبه میشوند .این عمليات به این منظور
است که مقادیر عددی اندازهگيری شدت آسيب بهجای اعمال مقادیر طبقهبندیکننده در مکانهای حسگر خاص
نشان داده شوند .نتایج کمی آسيب در سازه فوالدی ASCEدر نمودار شکل ( )34-5نشان داده شده است .در این
نمودار ηRRI ،ηCSRI ،ηCRI ،و ηRSRIبهترتيب اندازه های l2در طبقهبندیکنندههای CSRI ،CRI
RSRI ،RRI ،میباشند .همانطور که مشاهده میشود ،طبقهبندیکنندههای باقیمانده RRIو RSRIمیتوانند
سطوح شدت آسيب را بهصورت کمی تخمين بزنند .گفتنی است که اندازههای l2بهدست آمده از آنها از حالت
شماره دو به حالت شماره پنج بهتدریج کاهش یابند .با این وجود ،طبقهبندیکنندههای مبتنی بر ضریب CRIو
115
،CSRIنمیتوانند نتایج معقولی از ميزان خسارت ارائه دهند زیرا اندازههای CRI l2و CSRIدر حالت چهارم یا
بزرگتر از حالت سوم یا تقریباً برابر آن است.
-5-5-3مقایسههای انجام شده با بهره بردن از داده های سازه ASCE
در این بخش سعی شده است ارزیابیهای مقایسهای بهمنظور نشان دادن برتری روشهای پيشنهادی نسبت به
برخی از روشهای موجود ارائه شود .مقایسه اول مربوط به تأثير مرتبههای اوليه و بهينه (بهبود یافته) مدل سری
زمانی خودکاهنده بر روند مکانیابی آسيب است .در این راستا ،شکل ( )35-5نتایج مکانیابی آسيب را در حالت-
های دوم و چهارم توسط طبقهبندیکنندههای CSRIو RRIبا استفاده از ضرایب و باقیمانده مدل سری زمانی
خودکاهنده با مرتبه 114را نشان میدهد .الزم بهذکر است که در آن تعداد مرتبه ،114بيشينه مقدار تمامی مرتبههای
اوليه بهدست آمده از تکنيک BICاست .برخالف قابليت و اثربخشی طبقهبندیکنندههای پيشنهادی CSRIو
RRIدر مکانیابی آسيب ،میتوان بهروشنی دریافت که استفاده از تعداد مطلوب مرتبه اوليه نمیتواند ویژگیهای
حساس به آسيب قابل اعتمادی را ارائه دهد.
مقایسه دوم مربوط به ارزیابی عملکرد طبقهبندیکنندههای مبتنی بر ضریب مدل سری زمانی خودکاهنده است.
بر این اساس شکل ( ،)36-5نتایج مکانیابی آسيب در سازه فوالدی چهار طبقه ASCEرا با معيار فيشر و ضرایب
مدل سری زمانی خودکاهنده بهدست آمده از روش استخراج ویژگی پيشنهادی نشان میدهد .همانطور که انتظار
می رود ،این طبقهبندیکننده نمیتواند سناریوهای آسيبهای یگانه و چندگانه را بهدليل خطاهای جدی در فرآیند
مکانیابی آسيب شناسایی کند .در شکل (( )36-5الف)(-ب) ،محل حسگرهای 15 ، 12 ، 9 ، 6باید بهعنوان مناطق
آسيب دیده مشخص شوند .عالوه بر این ،باید حسگرهای 6و 15را در شکل (( )36-5ج) و حسگر 6را در شکل
(( )36-5د) بهعنوان مناطق آسيبدیده اصلی سازه فوالدی ASCEشناسایی کرد .بنابراین ،مقایسه بين طبقهبندی-
کنندههای CRIو CSRIارائه شده در این رساله با معيار فيشر نشان میدهد که طبقهبندیکنندههای پيشنهادی
نسبت به معيار فيشر برتری دارند و این معيار برای مکانیابی آسيب به اندازه کافی قابل اعتماد نيست.
116
شکل ( )35 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از مرتبه 114برای مدل سری زمانی خودکاهنده در
استخراج ویژگی( :الف) حالت شماره دو توسط ( ، CSRIب) حالت شماره چهار توسط ( ، CSRIج) حالت شماره دو
توسط ( RRIد) حالت شماره چهار توسط RRI
شکل ( )36 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از معيار فيشر و ضرایب مدل سری زمانی خودکاهنده:
(الف) حالت شماره دو( ،ب) حالت شماره سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
117
ارزیابی مقایسهای نهایی بر اساس مقایسه عملکرد طبقهبندیکنندههای باقیمانده میباشد .بر این اساس ،نتایج
مکانیابی آسيب در سازه فوالدی ASCEتوسط روش KSSDو باقیماندههای مدل سری زمانی خودکاهنده ارائه
شده است .شکل ( )37-5قصد دارد این فاصله آماری را با طبقهبندیکنندههای RRIو RSRIپيشنهادی مقایسه
کند .همانطور که مشاهده میشود ،روش KSSDدر شناسایی نواحی آسيبدیده سازه فوالدی ،ASCEدر محل
حسگرهای اشاره شده ،بهویژه در شکل (( )37-5الف) موفق است .با اینحال ،برخی خطاها در مکانیابی آسيب
مربوط به حالتهای سه تا پنج وجود دارد که در شکل (( )37-5ب)(-د) مشاهده میشود .از اینرو میتوان نتيجه
گرفت که طبقهبندیکنندههای پيشنهادی RRIو RSRIدر مکانیابی آسيب از KSSDبرتر هستند و بدون هيچ
خطایی نتایج بهتری از این فاصله آماری ارائه میدهند.
شکل ( )37 -5مکانیابی آسيب در سازه فوالدی ASCEبا استفاده از روش KSSDو باقیماندههای مدل سری زمانی
خودکاهنده( :الف) حالت شماره دو( ،ب) حالت شماره سه( ،ج) حالت شماره چهار( ،د) حالت شماره پنج
118
6فصل ششم
نتیجهگیری و پیشنهادات
-0-6مقدمه
هدف از انجام این رساله ،معرفی و پيشنهاد روشهای جدید و کارآمد برای تشخيص آسيب سازهای ،مکانیابی
و تعيين شدت آسيب سازهای با بهره بردن از روشهای تشخيص الگوی آماری و علوم کامپيوتر ،تبدیل موجک،
شبکههای عصبی مصنوعی و همچنين سریهای زمانی میباشد .بر این اساس در فصل اول این رساله ،پيشگفتاری
از مفاهيم بنيادی و ابتدایی در تشخيص آسيب سازهای فراهم شد .در فصل دوم مروری بر پژوهشهای پيشين در
این حوزه تحقيقاتی ،بهویژه در زمينه سازههای عمرانی و روشهای جدید تشخيص آسيب انجام شد .یکی از موارد
مهم در تشخيص آسيب سازهای با استفاده از دادههای ارتعاشی یا پاسخهای سازه ،بهره بردن از روشهای نوین
تشخيص الگوی آماری میباشد .از اینرو در فصل سوم بهطور کامل و مفهومی به چگونگی و مفاهيم این روشها
و ابعاد مختلف آنها پرداخته شد .در این فصل به روشهای شناخته شده بهمنظور تحليل و تفسير دادهها با توجه به
روشهای مبتنی بر مدل و داده پرداخته شد .در این راستا بهدليل اهميت روشهای آماری و علوم کامپيوتر در فرآیند
119
تشخيص آسيب سازهای ،توضيحاتی در خصوص استخراج ویژگیهای حساس به آسيب و یادگيری ماشينی پرداخته
شد .پس از آن روشهای تصميمگيری برای بررسی آسيب سازهای که با استفاده از روشهای آماری و علوم
کامپيوتر انجام میشود ،مورد بررسی قرار گرفت .از دیدگاه کلی روشهای تصميمگيری موجود در این زمينه
تحقيقاتی را میتوان به دو گروه یادگيری نظارتشده و نظارتنشده تقسيمبندی کرد .بنابراین برای هر یک از این
گروهها و انواع پرکاربرد آنها توضيحاتی فراهم شدند.
در فصل چهارم این رساله روشهای شناسایی آسيب سازهای و ارزیابی شرایط کلی سازه و همچنين مکانیابی
و تعيين شدت آسيب در سازه ،مورد بررسی قرار گرفتند .برای رسيدن به این هدف از مفاهيم قابليت یادگيری
ماشينی بهره برده شد .در این راستا ،چهار روش RRI ،CSRI ،CRIو RSRIپيشنهاد شدند .روش استخراج
ویژگی حساس به آسيب ،بر اساس مدلسازی سری زمانی خودکاهنده تعریف شدند که یکی از اهداف مهم در
این الگوسازی استخراج و تخمين باقیماندههای مستقل از مدل سری زمانی خودکاهنده با بهره بردن از معيار
اطالعات بيزی ) )BICبود .سرانجام بهمنظور وارسی روشهای پيشنهادی و بهبودهای انجام شده ،از مدلهای سازه
چهار طبقه فوالدی متعلق به ASCEو قاب آزمایشگاهی معيار بهره برده شد.
-2-6نتیجهگیری
در این رساله ،شناسایی و تعيين مکان آسيب در سازه ،با بهره بردن از چهار روش پيشنهادی ساده و کاربردی،
گامی اساسی میباشد .این موارد بر اساس مفاهيم دادههای ارتعاشی شتاب سازه برای دادههای توزیع شده نرمال
میباشد .از سوی دیگر ،یک روش تخمين و استخراج ویژگی جدید آماری با تمرکز بر درستی الگوسازی سری
زمانی به همراه الگوریتم تشخيص الگوی آماری با هدف استخراج باقیماندههای مستقل مدل سری زمانی
خودکاهنده و همچنين روشهای پيش پردازش اشاره شده ،بهعنوان ویژگی حساس به آسيب در سازه پيشنهاد
میشود .طبقهبندهای آسيب پيشنهادی با هدف شناسایی مکان و تعيين شدت آسيب و ارزیابی شرایط سازهای
پيشنهاد میشوند .یکی از طبقهبندهای آسيب سازهای بهصورت مربع تفاوت ویژگیهای استخراج شده از پاسخ
سازه نامگذاری شد .این طبقهبند ،براساس محاسبه کردن مستقيم این اختالف در حالتهای آسيبدیده وآسيب-
ندیده میباشد .عالوه بر این ،این طبقهبند اختالف سنتی شاخص معنادار قابليت اعتماد سازه را بهبود میدهد .شاخص
آسيب دیگری که در این رساله پيشنهاد میشود بر اساس محاسبه کردن خطای نسبی بين شاخصهای اشاره شده
سازه در دو حالت آسيبدیده و آسيبندیده میباشد .سپس پاسخ شتاب سازه معيار در حوزه زمان به عنوان دادههای
حوزه زمان برای استخراج ویژگی حساس به آسيب و همچنين ارزیابی عملکرد و درستی روشهای پيشنهادی بهکار
برده میشوند .نتایج بهدست آمده از این رساله به قرار زیر میباشند:
ارزیابی اوليه پاسخهای ارتعاشی سازه امری بسيار مهم و حياتی است که بایستی قبل از شروع فرایند
استخراج ویژگی حساس به آسيب سازهای با دقت انجام پذیرد.
ویژگیهای استخراج شده از روشهای پيشنهادی استخراج ویژگی حساس به آسيب سازهای بهگونهای
میباشند که ضرایب مدل سری زمانی خودکاهنده در هنگام وقوع آسيب کاهش مییابد.
121
باقیماندههای مدل سری زمانی خودکاهنده همراه با ویژگیهای آماری خود مانند ميانگين و واریانس با
ایجاد آسيب سازهای افزایش مییابند.
یکی از موارد بسيار مهم در شناسایی آسيب سازهای با بهره بردن از پاسخهای ارتعاشی سازه ،مکان حسگر
نصب شده در سازه تعيين شد.
با توجه به فرآیند مکانیابی خسارت در سازه توسط طبقهبندهای مبتنی بر ضرایب مدل سری زمانی
خودکاهنده برازش شده به پاسخ ارتعاشی سازه ،مکانهای حسگر شناسایی شده ،بهعنوان محل آسيبها
مشخص شد.
بر اساس طبقهبندهای مبتنی بر باقیمانده مدل سری زمانی خودکاهنده ،مکانهای حسگر مربوط به بيشينه
مقادیر طبقهبندیکنندههای باقیمانده ،مناطق آسيبدیده در سازه را نشان میدهد.
طبقهبندهای پيشنهادی در بيشتر موارد در مکانیابی آسيبهای سازهای موفق بودند .با این وجود ،طبقه-
بندیکننده CRIدر سناریوهای آسيب جزئی مربوط به سازه فوالدی چهار طبقه ASCEدارای خطاهایی
میباشد.
بهمنظور تعيين شدت آسيب سازهای ،مشاهده شد که طبقهبندهای مبتنی بر ضرایب مدل سری زمانی
خودکاهنده بهدليل برخی نتایج اشتباه خيلی قابل اعتماد نيستند .در مقابل ،طبقهبندیکنندههای مبتنی بر
باقیمانده نتایج واضحتر و بهتری را از ميزان آسيب سازهای در مقایسه با طبقهبندهای مبتنی بر ضرایب
ارائه دادند.
مطالعه و ارزیابی مقایسهای نشان داد که طبقهبندهای یادگيری نظارتشده ،حتی طبقهبند ،CRIاز
معيارهای رایج فيشر و KSSDبرتر هستند.
عالوه بر این مشاهده شد که مرتبه بهينه بهدست آمده از مرتبههای بهبود یافته مدل سری زمانی خودکاهنده،
مدل را قادر میسازد تا ویژگیهای بهتر و قابل اعتمادتری را استخراج کند که نتيجه آن تشخيص آسيب
دقيقتر و دارای خطای کمتر میباشد.
121
واژه نامه
122
Coordinate Modal Assurance Criterion شاخص مختصات اطمينان مودال
Mass Damage Localization Indicator شاخص مکانیابی آسيب جرم
Stiffness Damage Localization Indicator شاخص مکانیابی آسيب سختی
Neural Network شبکه عصبی
Orthogonality Mode Condition شرط تعامد مودی
Equality Constraints شرطهای برابری
Mode Shape شکل مود
System Identification شناسایی سامانه
Output-Only Modal Identification تنها-شناسایی مودال توسط دادههای خروجی
Damping Ratio ضریب ميرایی
Modal Strain Energy کارمایه کرنشی مودال
Tranced Taylor Series کاهش یافته تيلور
Frobenius Norm کمترین توانهای دوم فروبينيوس
Genetic Algorithm الگوریتم ژنتيک
Generalized Eigenvalue Problem مسأله مقدار ویژه تعميمیافته
Complex Eigenvalue Problem مسأله مقدار ویژه مختلط
Numerical Derivative مشتقگيری عددی
Eigenvalue مقدار ویژه
Damage Localization مکانیابی آسيب
Noise نوفه
123
منابع
امينی ف ،حسينی م ح .1391 .پایش سالمت سازهای و تشخيص آسيب پل فوالدی بر اساس اطالعات مودال
از طریق الگوریتم رقابت استعماری ،سازه و فوالد.29-39 :11 ،7 ،
بهشتی اول ب ،احمدیان و ،درویشان ا .1397 .شناسایی خسارت در سازه با استفاده از پردازش سيگنال و
شبکههای عصبی مصنوعی ،مدلسازی در مهندسی.52 ،16 ،
جاللیفر ف ،اصفهانی م ر ،شهابيان مقدم ف .1398 .کاربرد روشهای تشخيص آماری الگو در شناسایی
خرابی سازهها در شرایط پيرامونی متفاوت ،سازه و ساخت.85-97 :1 ،6 ،
خادم آدم ا و کورهلی س .1394 .تشخيص خسارت در سازهها با استفاده از اطالعات دیناميکی و روش
نرمی تعميمیافته ،سومين کنفرانس بينالمللی پژوهشهای کاربردی در مهندسی عمران ،معماری و مدیریت شهری،
تهران ،دانشگاه صنعتی خواجه نصيرالدین طوسی 21-21 ،اسفند.
حاجیمحمدرضایی ر ،نادرپور ح .1397 .ارزیابی روشهای پایش سالمت و شناسایی خرابی در سازههای
بتنی ،دهمين کنفرانس ملی بتن ،انجمن بتن ایران 15-16 ،مهر.
زارع حسينزاده ع ،قدرتیاميری غ ر ،شاکری ك ،گلآرا ش .1396 .ردیابی مستقيم و هندسی اعضاء قطری
ماتریس نرمی تعميم یافته با کمک روند بهينهیابی برای شناسایی آسيب در سازهها ،مجله مهندسی عمران شریف،
.86-73 :1 ،33
قائدیفر ر و جابرزاده ع .1398 .پایش سالمت در سازهها با استفاده از انرژی کرنشی مودال ،سومين کنگره
بينالمللی عمران ،معماری و شهرسازی معاصر ،تهران ،موسسه آموزش عالی صنعتی مراغه ،دانشگاه صنعتی مراغه،
5دی.
قرهباغی و ،حسينی لواسانی ح و منوری ب .1397 .مقدمهای بر پایش سالمت و شناسایی سيستم در سازههای
عمرانی ،اولين کنفرانس فرصتها و چالشهای مهندسی استان البرز،کرج ،دانشگاه خوارزمی تهران 8 ،اسفند.
قياسی ر ،قاسمی م ر .1399 .بهينهسازی انتخاب ویژگیها در کالن دادههای حاصل از پایش سالمت سازه
با استفاده از الگوریتم فراکاوشی ،دوفصلنامه روشهای عددی در مهندسی.1 ،39 ،
کاوه ع ،دادرس اسالملو الف ،برزین پور ف .1398 .پایش سالمت سازهها با استفاده از روش بهروزرسانی
مدل اجزاء محدود و روش شبکه عصبی ،یازدهمين کنگره ملی مهندسی عمران ،شيراز ،دانشگاه شيراز11-11 ،
اردیبهشت.
کورهلی س .1396 .تشخيص آسيب در سازهها با استفاده از اطالعات مودال بسطیافته و ماشين یادگيری
کرانهای ،مجله مهندسی عمران شریف.67-52 :4 ،33 ،
نادرپور ح ،شربتدار م ك ،خادميان ف .1395 .تشخيص الگوی آسيب دیوارهای برشی بتن آرمه با استفاده
از تبدیلهای ریاضياتی ،نشریه انجمن مهندسی سازه ایران.79-96 :4 ،
124
دوازدهمين کنگره، شناسایی آسيب سازهای با استفاده از روشهای آماری الگو.1399 . توکلی م،هروی م ع
. خرداد7-8 ، دانشگاه صنعتی سهند، تبریز،ملی مهندسی عمران
Aggarwal C C, and Reddy C K. 2013. Data clustering: algorithms and applications.
CRC Press.
Aktan A, Catbas F, Grimmelsman K, and Tsikos C. 2000. Issues in infrastructure
health monitoring for management. Journal of Engineering Mechanics, 126: 711-724.
Allemang R J, and Brown D L. 2002. Experimental Modal Analysis. In Shock and
Vibration Handbook, edited by C.M. Harris and A.G. Piersol: McGraw-Hill, 2002.
Amezquita-Sanchez J P, and Adeli H. 2016. Signal Processing Techniques for
Vibration-Based Health Monitoring of Smart Structures. journal article. Archives of
Computational Methods in Engineering, 23: 1-15.
Araujo dos Santos J V, Mota Soares C M, Mota Soares C A, and Maia N M M.
2005. Structural damage identification in laminated structures using FRF data. Composite
Structures, 67: 239-249.
Asmussen J, Ibrahim S, and Brincker R. 1996. Random decrement and regression
analysis of traffic responses of bridges. Paper presented at the Proceedings-Spie the
International Society for Optical Engineering.
Asmussen J C. 1997. "Modal analysis based on the random decrement technique:
application to civil engineering structures." Doctor of Philosophy, University of Aalborg,
Denmark.
Ay A M, and Wang Y. 2014. Structural damage identification based on self-fitting
ARMAX model and multi-sensor data fusion. Structural Health Monitoring, 13: 445-460.
Baghiee N, Reza Esfahani M, and Moslem K. 2009. Studies on damage and FRP
strengthening of reinforced concrete beams by vibration monitoring. Engineering
Structures, 31: 875-893.
Balsamo L, Betti R, Beigi H. 2014. A structural health monitoring strategy using
cepstral features. Journal of Sound and Vibration, 333: 4526-4542.
Bandara R P, Chan T H T, Thambiratnam D P. 2014. Frequency response function
based damage identification using principal component analysis and pattern recognition
technique. Engineering Structures, 66: 116-128.
Bernal D, Zonta D, and Pozzi M. 2012. ARX residuals in damage detection.
Structural Control and Health Monitoring, 19: 535-547.
Bhattachayya A. 1943. On a measure of divergence between two statistical
population defined by their population distributions. Bulletin Calcutta Mathematical
Society, 35: 99-109.
Box G E, Jenkins G M, and Reinsel G C. 2008. Time Series Analysis: Forecasting
and Control (Fourth Edition). New Jersey: John Wiley & Sons, Inc.
Box G E P, Jenkins G M, and Reinsel G C. 2008/06/12 2008. Time Series Analysis.
Wiley-Blackwell, 2008/06/12 2008. http://dx.doi.org/10.1002/9781118619193.
Brincker R, Zhang L, and Andersen P. 2000. Modal identification from ambient
responses using frequency domain decomposition. Paper presented at the Proc. of the
18*‘International Modal Analysis Conference (IMAC), San Antonio, Texas.
Brownjohn J M W, Magalhaes F, Caetano E, Cunha A, and Yu C. 2010. Ambient
vibration re-testing and operational modal analysis of the Humber Bridge. Engineering
Structures, 32: 2003-2018.
125
Carden E P, and Brownjohn J M. 2008. ARMA modelled time-series classification
for Structural Health Monitoring of civil infrastructure. Mechanical Systems and Signal
Processing, 22: 295-314.
Catbas F N, Gokce H B, and Gul M. 2012. Nonparametric analysis of structural
health monitoring data for identification and localization of changes: Concept, lab, and
real-life studies. Structural Health Monitoring: 1-14.
Catbas F N, Susoy M, and Frangopol D M. 2008. Structural health monitoring and
reliability estimation: Long span truss bridge application with environmental monitoring
data. Engineering Structures, 30: 2347-2359.
Cauberghe B. 2004. Applied frequency-domain system identification in the field of
experimental and operational modal analysis. Mechanical Engineering Department, Vrije
Universiteit Brussel, Brussels.
Chandola V, Banerjee A, and Kumar V. 2009. Anomaly detection: A survey. ACM
Computing Surveys, 41: 1-58.
Chen H, Kurt M, Lee Y S, McFarland D M, Bergman L A, and Vakakis A F. 2014.
Experimental system identification of the dynamics of a vibro-impact beam with a view
towards structural health monitoring and damage detection. Mechanical Systems and
Signal Processing, 46: 91-113.
Chen H, Qi G, Yang J, and Amini F. 1995. Neural network for structural dynamic
model identification. Journal of Engineering Mechanics, 121: 1377-1381.
Cunha A, Caetano E, Magalhães F, and Moutinho C. 2005a. From input-output to
output-only modal identification of civil engineering structures. Paper presented at the 1st
International Operational Modal Analysis Conference (IOMAC).
Cunha A, Caetano E, Magalhães F, and Moutinho C. 2005b. From Input-Output to
Output-Only Modal Identification of Civil Engineering Structures. 1st International
Operational Modal Analysis Conference (IOMAC), Copenhagen, Denmark.
Cury A, and Crémona C. 2012. Assignment of structural behaviours in long-term
monitoring: Application to a strengthened railway bridge. Structural Health Monitoring,
11: 422-441.
Cury A, Crémona C, and Diday E. 2010. Application of symbolic data analysis for
structural modification assessment. Engineering Structures, 32: 762-775.
Danai K, Civjan S A, and Styckiewicz M M. 2012. Direct method of damage
localization for civil structures via shape comparison of dynamic response measurements.
Computers & Structures, 92–93: 297-307.
De Lautour O R, Omenzetter P. 2010. Damage classification and estimation in
experimental structures using time series analysis and pattern recognition. Mechanical
Systems and Signal Processing, 24: 1556-1569.
De Silva C W. 2005. Vibration and Shock Handbook Boca Raton, Florida, USA:
Taylor & Francis.
---. 2007. Vibration Monitoring, Testing, and Instrumentation. CRC Press.
https://books.google.com/books?id=S4H0fQFgo4QC.
Deraemaeker A, Reynders E, De Roeck G, and Kullaa J. 2008. Vibration-based
structural health monitoring using output-only measurements under changing
environment. Mechanical Systems and Signal Processing, 22: 34-56.
Deza M M, and Deza E. 2009. Encyclopedia of Distances. Oxford, UK: Elsevier
B.V.
126
Doebling S W, Farrar C R, and Prime M B. 1998a. A summary review of vibration-
based damage identification methods. Shock and vibration digest, 30: 91-105.
Doebling S W, Farrar C R, and Prime M B. 1998/03/01 1998b. A Summary Review
of Vibration-Based Damage Identification Methods. The Shock and Vibration Digest, 30:
91-105.
Dossing O. 1988a. Structural Testing, Part 1: Mechanical Mobility Measurements.
Brüel & Kjær (Denmark: Brüel & Kjær: Sound & Vibration Measurement).
---. 1988b. Structural Testing, Part 2: Modal Analysis and Simulation. Brüel and
Kjaer (Denmark).
Dyke S J, Bernal D, Beck J, and Ventura C. 2003. Experimental phase II of the
structural health monitoring benchmark problem. Paper presented at the Proceedings of
the 16th ASCE engineering mechanics conference.
Entezami A, and Shariatmadar H. 2014. Damage localization in shear buildings by
direct updating of physical properties. International Journal of Advanced Structural
Engineering (IJASE), 6: 1-12.
Entezami A, Shariatmadar H, and Ghalehnovi M. 2014. Damage detection by
updating structural models based on linear objective functions. Journal of Civil Structural
Health Monitoring, 4: 165-176.
Entezami A, Shariatmadar H. 2017. An unsupervised learning approach by novel
damage indices in structural health monitoring for damage localization and
quantification. Structural Health Monitoring,17, 2: 325-345.
Entezami A, and Shariatmadar H. 2019a. Damage localization under ambient
excitations and non-stationary vibration signals by a new hybrid algorithm for feature
extraction and multivariate distance correlation methods. Structural Health Monitoring,
18, 2: 347-375.
Esfandiari A, Bakhtiari-Nejad F, and Rahai A. 2013/05 2013. Theoretical and
experimental structural damage diagnosis method using natural frequencies through an
improved sensitivity equation. International Journal of Mechanical Sciences, 70: 79-89.
Esfandiari A, Bakhtiari-Nejad F, Rahai A, and Sanayei M. 2010. Structural finite
element model updating using transfer function data. Computers and Structures, 88: 54-
64.
Ewins D J. 2000. Modal Testing: Theory and Practice and Application. Second ed.:
John Wiley & Sons, Inc.
Fan W, and Qiao P. 2011. Vibration-based damage identification methods: a review
and comparative study. Structural Health Monitoring, 10: 83-111.
Fan W, and Qiao P. 2012. A strain energy-based damage severity correction factor
method for damage identification in plate-type structures. Mechanical Systems and Signal
Processing, 28: 660-678.
Farrar C R, and Doebling S W. 1997. An overview of modal-based damage
identification methods. Paper presented at the Proceedings of DAMAS conference.
Farrar C R, Doebling S W, and Nix D A. 2001. Vibration-based structural damage
identification. Philosophical Transactions of the Royal Society A: Mathematical, Physical
and Engineering Sciences, 259: 131–149.
Farrar C R, Duffey T A, Doebling S W, and Nix D A. 1999. Astatistical pattern
recognition paradigm for vibration-based structural health monitoring. Paper presented at
the 2nd Workshop on Structural Health Monitoring.
Farrar C R, and Worden K. 2013. Structural Health Monitoring : A Machine
Learning Perspective. John Wiley & Sons Ltd.
127
Fassois S D, and Sakellariou J S. 2007. Time-series methods for fault detection and
identification in vibrating structures. Philosophical Transactions of the Royal Society of
London A: Mathematical, Physical and Engineering Sciences, 365: 411-448.
Fassois S D, and Sakellariou J S. 2009. Statistical time series methods for SHM.
Encyclopedia of Structural Health Monitoring.
Figueiredo E, Figueiras J, Park G, Farrar C R, and Worden K. 2011. Influence of
the Autoregressive Model Order on Damage Detection. Computer-Aided Civil and
Infrastructure Engineering, 26: 225-238.
Figueiredo E, Park G, Farrar C R, Worden K, and Figueiras J. 2011. Machine
learning algorithms for damage detection under operational and environmental
variability. Structural Health Monitoring, 10: 559-572.
Figueiredo E, Park G, Figueiras J, Farrar C, and Worden K. 2009/03/01 2009.
Structural health monitoring algorithm comparisons using standard data sets. Office of
Scientific and Technical Information (OSTI). http://dx.doi.org/10.2172/961604.
Friswell M, and Mottershead J E. 1995. Finite element model updating in structural
dynamics. Vol. 38: Springer.
Friswell M I. 2007. Damage identification using inverse methods. Philosophical
Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences,
365: 393-410.
Fugate M L, Sohn H, and Farrar C R. 2001. Vibration-based damage detection using
statistical process control. Mechanical Systems and Signal Processing, 15: 707-721.
Gade S, Møller N, Herlufsen H, and Konstantin-Hansen H. 2005. Frequency
domain techniques for operational modal analysis. Paper presented at the 1st IOMAC
Conference.
Garcia D, and Trendafilova I. 2014. A multivariate data analysis approach towards
vibration analysis and vibration-based damage assessment:: Application for delamination
detection in a composite beam. Journal of Sound and Vibration, 333: 7036-7050.
Giraldo D, and Dyke S. 2004. Damage localization in benchmark structure
considering temperature effects. Paper presented at the Proceedings of the 7th
International Conference on Motion and Vibration Control.
Gomes H, and Silva N. 2008. Some comparisons for damage detection on structures
using genetic algorithms and modal sensitivity method. Applied Mathematical
Modelling, 32: 2216-2232.
Gul M, and Catbas F. 2007. Identification of structural changes by using statistical
pattern recognition. Paper presented at the The 6th International Workshop on Structural
Health Monitoring.
Gul M, and Catbas F N. 2010. Damage assessment with ambient vibration data
using a novel time series analysis methodology. Journal of Structural Engineering, 137:
1518-1526.
Gul M, and Catbas F N. 2011/12 2011a. Damage Assessment with Ambient
Vibration Data Using a Novel Time Series Analysis Methodology. Journal of Structural
Engineering, 137: 1518-1526.
Gul M, and Catbas F N. 2011b. Structural health monitoring and damage
assessment using a novel time series analysis methodology with sensor clustering. Journal
of Sound and vibration, 330: 1196-1210.
128
Gul M, and Necati Catbas F. 2009. Statistical pattern recognition for Structural
Health Monitoring using time series modeling: Theory and experimental verifications.
Mechanical Systems and Signal Processing, 23: 2192-2204.
Hakim S, Abdul Razak H. 2013. Adaptive neuro fuzzy inference system (ANFIS)
and artificial neural networks (ANNs) for structural damage identification. Struct Eng
Mech, 45: 779-802.
Han J, Zheng P, and Wang H. 2014/03 2014. Structural modal parameter
identification and damage diagnosis based on Hilbert-Huang transform. Earthquake
Engineering and Engineering Vibration, 13: 101-111.
He J, and Fu Z-F. 2001. Modal analysis. Oxford: Butterworth-Heinemann.
He J, and Fu Z F. 2001. Modal Analysis. 1st ed.: Butterworth-Heinemann.
Hoell S, and Omenzetter P. 2016. Optimal selection of autoregressive model
coefficients for early damage detectability with an application to wind turbine blades.
Mechanical Systems and Signal Processing, 70: 557-577.
Huang B, Koh B-H, and Kim H S. 2014. PCA-based damage classification of
delaminated smart composite structures using improved layerwise theory. Computers &
Structures, 141: 26-35.
Huang Q, Xu Y L, Li J C, Su Z Q, and Liu H J. 2012/07 2012. Structural damage
detection of controlled building structures using frequency response functions. Journal of
Sound and Vibration, 331: 3476-3492.
Huynh D, He J, and Tran D. 2005. Damage location vector: A non-destructive
structural damage detection technique. Computers and Structures 83: 2353-2367.
Hyndman R J, and Athanasopoulos G. 2014. Forecasting: principles and practice.
OTexts.
Izenman A J. 2008. Modern multivariate statistical techniques. Vol. 1: Springer.
Jafarkhani R, and Masri S F. 2011. Finite Element Model Updating Using
Evolutionary Strategy for Damage Detection. Computer-Aided Civil and Infrastructure
Engineering, 26: 207-224.
Jain A K, Duin R P W, and Mao J. 2000. Statistical pattern recognition: A review.
IEEE Transactions on pattern analysis and machine intelligence, 22: 4-37.
Jaishi B, and Ren W-X. 2/21/ 2006. Damage detection by finite element model
updating using modal flexibility residual. Journal of Sound and Vibration, 290: 369-387.
Kailath T. 1967/02 1967. The Divergence and Bhattacharyya Distance Measures in
Signal Selection. IEEE Transactions on Communications, 15: 52-60.
Kao C, and Hung S-L. 2003. Detection of structural damage via free vibration
responses generated by approximating artificial neural networks. Computers &
Structures, 81: 2631-2644.
Karbhari V M, and Ansari F. 2009. Structural health monitoring of civil
infrastructure systems. Elsevier.
Khademian F, Naderpour H, and Sharbatdar M K. 2019. Structural damage
detection of reinforced concrete shear walls subject to consequent earthquakes. SN
Applied Scinces, 2: 92.
Khoshnoudian F, and Esfandiari A. 2011. Structural damage diagnosis using modal
data. Sharif University of Technology, 18: 853-860.
Kim K-S, Kang Y J, and Yoo J. 2008/11 2008. Structural parameters identification
using improved normal frequency response function method. Mechanical Systems and
Signal Processing, 22: 1858-1868.
129
Kitagawa G. 2010. Introduction to Time Series Modeling. Boca Raton: CRC Press,
Taylor & Francis Group.
Kopsaftopoulos F P, and Fassois S D. 2010/10 2010. Vibration based health
monitoring for a lightweight truss structure: Experimental assessment of several statistical
time series methods. Mechanical Systems and Signal Processing, 24: 1977-1997.
Kopsaftopoulos F P, and Fassois S D. 2011. Scalar and vector time series methods
for vibration based damage diagnosis in a scale aircraft skeleton structure. Journal of
Theoretical and Applied Mechanics, 49: 727-756.
Kopsaftopoulos F P, and Fassois S D. 2013a. A functional model based statistical
time series method for vibration based damage detection, localization, and magnitude
estimation. Mechanical Systems and Signal Processing, 39: 143-161.
---. 2013/08 2013b. A functional model based statistical time series method for
vibration based damage detection, localization, and magnitude estimation. Mechanical
Systems and Signal Processing, 39: 143-161.
Kopsaftopoulos F P, and Fassois S D. 2015. A vibration model residual-based
sequential probability ratio test framework for structural health monitoring. Structural
Health Monitoring, 14: 359-381.
Kullback S, and Leibler R A. 1951. On information and sufficiency. The annals of
mathematical statistics, 22: 79-86.
Kumar K M, and Reddy A R M. 2016. A fast DBSCAN clustering algorithm by
accelerating neighbor searching using Groups method. Pattern Recognition, 58: 39-48.
Lee Y S, and Chung M J. 2000. A study on crack detection using eigenfrequency
test data. Computation of Structures, 77: 327-342.
Lei Y, Kiremidjian A, Nair K, Lynch J, Law K, Kenny T, Carryer E, and Kottapalli
A. 2003. Statistical damage detection using time series analysis on a structural health
monitoring benchmark problem. Paper presented at the Proceedings of the 9th
international conference on applications of statistics and probability in civil engineering.
Li J, Wu B, Zeng Q C, and Limb C W. 2010. A generalized flexibility matrix based
approach for structural damage detection. Journal of Sound and Vibration, 329: 4583-
4587.
Li X Y, and Law S S. 8// 2010. Adaptive Tikhonov regularization for damage
detection based on nonlinear model updating. Mechanical Systems and Signal Processing,
24: 1646-1664.
Limongelli M P. 2010. Frequency response function interpolation for damage
detection under changing environment. Mechanical Systems and Signal Processing, 24:
2898–2913.
Liu X, Lieven N A J, and Escamilla-Ambrosio P J. 2009a. Frequency response
function shape-based methods for structural damage localisation. Mechanical Systems
and Signal Processing, 23: 1243-1259.
Liu X, Lieven N A J, and Escamilla-Ambrosio P J. 2009/05 2009b. Frequency
response function shape-based methods for structural damage localisation. Mechanical
Systems and Signal Processing, 23: 1243-1259.
Ljung L. 1997. System Identification Toolbox, For Use With MATLAB. The
MathWorks.
Magalhaes F, Cunha A, and Caetano E. 2012. Vibration based structural health
monitoring of an arch bridge From automated OMA to damage detection. Mechanical
Systems and Signal Processing, 28: 212-228.
131
Mahalanobis P C. 1936. On the generalized distance in statistics. Proceedings of
the National Institute of Sciences (Calcutta). 2: 49-55.
Maia N M M, and Silva J M M. 2001. Modal analysis identification techniques.
Philosophical Transactions of The Royal Society A: Mathematical, Physical &
Engineering, Sciences, 359: 29-40.
Maia N M M, Silva J M M, and Almas E A M. 2002. Damage Detection in
Structures from Mode Shape to Frequency Response Function Method. Mechanical
Systems and Signal Processing, 17: 489-498.
Majumdar A, Maiti D K, and Maity D. 2012/06 2012a. Damage assessment of truss
structures from changes in natural frequencies using ant colony optimization. Applied
Mathematics and Computation, 218: 9759-9772.
Majumdar A, Maiti D K, and Maity D. 2012b. Damage assessment of truss
structures from changes in natural frequencies using ant colony optimization. Applied
Mathematics and Computation, 218: 9759-9772.
Makki Alamdari M, Samali B, and Li J. 2014/07/28 2014. Damage localization
based on symbolic time series analysis. Structural Control and Health Monitoring, 22:
374-393.
Masri S, Nakamura M, Chassiakos A, and Caughey T. 1996. Neural network
approach to detection of changes in structural parameters. Journal of engineering
mechanics, 122: 350-360.
Messervey T B, and Frangopol D M. 2007. Bridge live load effects based on
statistics of extremes using on–site load monitoring. Reliability and optimisation of
structural systems: Assessment, design, and life-cycle performance. London: Taylor &
Francis Group: 173-180.
Messina A, Williams E J, and Contursi T. 1998. Structural damage detection by a
sensitivity and statistical-based method. Journal of Sound and Vibration, 216: 791-808.
Moaveni B, Conte J P, and Hemez F M. 2009. Uncertainty and sensitivity analysis
of damage identification results obtained using finite element model updating.
Computer‐ Aided Civil and Infrastructure Engineering, 24: 320-334.
Mosavi A A, Dickey D, Seracino R, and Rizkalla S. 2012. Identifying damage
locations under ambient vibrations utilizing vector autoregressive models and
Mahalanobis distances. Mechanical Systems and Signal Processing, 26: 254-267.
Mottershead J, and Friswell M. 1993. Model updating in structural dynamics: a
survey. Journal of sound and vibration, 167: 347-375.
Mottershead J E, Link M, and Friswell M I. 2011. The sensitivity method in finite
element model updating: A tutorial. Mechanical Systems and Signal Processing, 25:
2275-2296.
Nair K K, Kiremidjian A S, and Law K H. 2006/03 2006a. Time series-based
damage detection and localization algorithm with application to the ASCE benchmark
structure. Journal of Sound and Vibration, 291: 349-368.
Nair K K, Kiremidjian A S, and Law K H. 2006b. Time series-based damage
detection and localization algorithm with application to the ASCE benchmark structure.
Journal of Sound and Vibration, 291: 349-368.
Nguyen T,Chan H, Thambiratnam D P. 2014. Field validation of controlled Monte
Carlo data generation for statistical damage identification employing Mahalanobis
squared distance. Structural Health Monitoring. 13: 473-488.
131
Nobahari M, and Seyedpoor S M. 5// 2011. Structural damage detection using an
efficient correlation-based index and a modified genetic algorithm. Mathematical and
Computer Modelling, 53: 1798-1809.
Owolabi G M, Swamidas A S J, and Seshadri R. 2003. Crack detection in beams
using changes in frequencies and amplitudes of frequency response functions. Journal of
Sound and Vibration, 265: 1-22.
Pandey A K, and Biswas M. 1/6/ 1994. Damage Detection in Structures Using
Changes in Flexibility. Journal of Sound and Vibration, 169: 3-17.
Pandey A K, Biswas M, and Samman M M. 1991. Damage Detection from Changes
in Curvature Mode Shapes Journal of Sound and Vibration, 145: 321-332.
Patra B K, Launonen R, Ollikainen V, and Nandi S. 2015/07 2015. A new similarity
measure using Bhattacharyya coefficient for collaborative filtering in sparse data.
Knowledge-Based Systems, 82: 163-177.
Peter Carden E, and Brownjohn J M. 2008. ARMA modelled time-series
classification for structural health monitoring of civil infrastructure. Mechanical Systems
and Signal Processing, 22: 295-314.
Peter Carden E, and Brownjohn J M W. 2008/02 2008. ARMA modelled time-
series classification for structural health monitoring of civil infrastructure. Mechanical
Systems and Signal Processing, 22: 295-314.
Pimentel M A F, Clifton D A, Clifton L, and Tarassenko L. 2014. A review of
novelty detection. Signal Processing, 99: 215-249.
Radzieński M, Krawczuk M, and Palacz M. 2011/08 2011. Improvement of damage
detection methods based on experimental modal parameters. Mechanical Systems and
Signal Processing, 25: 2169-2190.
Rahai A, Bakhtiari-Nejad F, and Esfandiari A. 2007. Damage assessment of
structure using incomplete measured mode shapes. Structural Control and Health
Monitoring, 14: 808–829.
Rezaiee‐Pajand M, Entezami A, Sarmadi H. 2019. A sensitivity‐based finite
element model updating based on unconstrained optimization problem and regularized
solution methods. Structural Control and Health Monitoring. 27, 5: 1-29.
Saito T, and Beck J L. 2010. Bayesian model selection for ARX models and its
application to structural health monitoring. Earthquake Engineering & Structural
Dynamics, 39: 1737-1759.
Sakaris C S, Sakellariou J S, and Fassois S D. 6/1/ 2016. A time series generalized
functional model based method for vibration-based damage precise localization in
structures consisting of 1D, 2D, and 3D elements. Mechanical Systems and Signal
Processing, 74: 199-213.
Sakellariou J S, and Fassois S D. 1/1/ 2017. Global identification of stochastic
dynamical systems under different pseudo-static operating conditions: The functionally
pooled ARMAX case. Mechanical Systems and Signal Processing, 82: 32-55.
Salawu O S. 1997. Detection of structural damage through changes in frequency: a
review. Engineering Strucutres 19: 718-723.
Sampaio R P C, Maia N M M, and Silva J M M. 1999/10 1999. Damge detection
using the frequency-response-function curvature method. Journal of Sound and
Vibration, 226: 1029-1042.
132
Sarmadi H, Karamodin A, Entezami A. 2016. A new iterative model updating
technique based on least squares minimal residual method using measured modal data.
Applied Mathematical Modelling. 40, 23-24: 10323-10341.
Schalkoff R J. 1992. Pattern recognition. Wiley Online Library.
Seyedpoor S M. 2012. A two stage method for structural damage detection using a
modal strain energy based index and particle swarm optimization. International Journal
of Non-Linear Mechanics, 47: 1-8.
Sharma S S. 1996. Applied multivariate techiques. John Wiley & Sons.
Shenoi B A. 2005/08/05 2005. Introduction to Digital Signal Processing and Filter
Design. Wiley-Blackwell, 2005/08/05 2005. http://dx.doi.org/10.1002/0471656372.
Shi Z, Law S, and Zhang L. 2000. Damage Localization by Directly Using
Incomplete Mode Shapes. Journal of Engineering Mechanics, 126: 656-660.
Shih H W, Thambiratnam D P, and Chan T H T. 2013. Damage detection in slab-
on-girder bridges using vibration characteristics. Structural Control and Health
Monitoring, 20: 1271-1290.
Shu J, Zhang Z, Gonzalez I, and Karoumi R. 7// 2013. The application of a damage
detection method using Artificial Neural Network and train-induced vibrations on a
simplified railway bridge model. Engineering Structures, 52: 408-421.
Sohn H, Czarnecki J A, and Farrar C R. 2000. Structural health monitoring using
statistical process control. Journal of Structural Engineering, 126: 1356-1363.
Sohn H, and Farrar C R. 2001a. Damage diagnosis using time series analysis of
vibration signals. Smart materials and structures, 10: 446-451.
Sohn H, and Farrar C R. 2001b. Damage diagnosis using time series analysis of
vibration signals. Smart materials and structures, 10: 446.
Sohn H, Farrar C R, Hunter N F, and Worden K. 2001a. Structural health
monitoring using statistical pattern recognition techniques. Journal of dynamic systems,
measurement, and control, 123: 706-711.
Sohn H, Farrar C R, Hunter N F, and Worden K. 2001b. Structural Health
Monitoring Using Statistical Pattern Recognition Techniques. Journal of Dynamic
Systems, Measurement, and Control, 123: 706.
Solís M, Algaba M, and Galvín P. 11// 2013. Continuous wavelet analysis of mode
shapes differences for damage detection. Mechanical Systems and Signal Processing, 40:
645-666.
Su W C, Huang C S, Hung S L, Chen L J, and Lin W J. 2012. Locating damaged
storeys in a shear building based on its sub-structural natural frequencies. Engineering
Structures, 39: 126-138.
Susoy M, Catbas F N, and Frangopol D M. 2008. Evaluation of Time-Variant
Bridge Reliability Using Structural Health Monitoring. Paper presented at the
Proceedings of the 26th International Modal Analysis Conference, Orlando, FL.
Talebinejad I, Fischer C, and Ansari F. 2011. Numerical Evaluation of Vibration-
Based Methods for Damage Assessment of Cable-Stayed Bridges. Computer-Aided Civil
and Infrastructure Engineering, 26: 239-251.
Teughels A, and Roeck G. 2005. Damage detection and parameter identification by
finite element model updating. [In English]. Archives of Computational Methods in
Engineering, 12: 123-164.
Tondreau G, and Deraemaeker A. 2013. Local modal filters for automated data-
based damage localization using ambient vibrations. Mechanical Systems and Signal
Processing, 39: 162–180.
133
Viswanath P, and Babu V S. 2009. Rough-DBSCAN: A fast hybrid density based
clustering method for large data sets. Pattern Recognition Letters, 30: 1477-1488.
Wang L, Chan T H T, Thambiratnam D, and Tan A. 2010. Damage detection for
truss bridge structures using correlation-based structural modal strain energy.
Proceedings of the 8th International Conference on Short and Medium Span Bridges,
Niagara Falls, Ontario, Canada.
Wang L, Yang Z, and Waters T. 2010. Structural damage detection using cross
correlation functions of vibration response. Journal of Sound and Vibration, 329: 5070-
5086.
Webb A. Statistical pattern recognition. 1999. Arnold, London.
Weng S, Zhu H-P, Xia Y, and Mao L. 1// 2013. Damage detection using the
eigenparameter decomposition of substructural flexibility matrix. Mechanical Systems
and Signal Processing, 34: 19-38.
Wenzel H. 2009. Health Monitoring of Bridges. John Wiley & Sons Ltd.
Worden K. 1997. Structural fault detection using a novelty measure. Journal of
Sound and vibration, 201: 85-101.
Worden K, Allen D W, Sohn H, and Farrar C R. 2002. Damage detection in
mechanical structures using extreme value statistics. Paper presented at the SPIE's 9th
Annual International Symposium on Smart Structures and Materials.
Worden K, Manson G, and Fieller N R J. 2000/01 2000. Damage detection using
outlier analysis. Journal of Sound and Vibration, 229: 647-667.
Wu N, and Wang Q. 3// 2011. Experimental studies on damage detection of beam
structures with wavelet transform. International Journal of Engineering Science, 49: 253-
261.
Yan A-M, Kerschen G, De Boe P, and Golinval J-C. 2005. Structural damage
diagnosis under varying environmental conditions—part I: a linear analysis. Mechanical
Systems and Signal Processing, 19: 847-864.
Yan A, and Golinval J-C. 2005. Structural damage localization by combining
flexibility and stiffness methods. Engineering Structures, 27: 1752-1761.
Yan W J, Ren W X, and Huang T L. 2012. Statistic structural damage detection
based on the closed-form of element modal strain energy sensitivity. Mechanical Systems
and Signal Processing, 28: 183-194.
Yan Y J, Cheng L, Wu Z Y, and Yam L H. 2007. Development in vibration-based
structural damage detection technique. Mechanical Systems and Signal Processing, 21:
2198-2211.
Yang H Z, Li H J, and Wang S Q. 2003. Damage localization of offshore platforms
under ambient excitation. Journal of China Ocean Engineering, 17: 495-504.
Yang Q W. 2010. A new damage identification method based on structural
flexibility disassembly. Journal of Vibration and Control, 17: 1000-1008.
Yang Y B, and Chen Y J. 2009. A new direct method for updating structural models
based on measured modal data. Engineering Structures, 31: 32-42.
Yao R, and Pakzad S N. 2012. Autoregressive statistical pattern recognition
algorithms for damage detection in civil structures. Mechanical Systems and Signal
Processing, 31: 355-368.
Zhang J, Xu J C, Guo S L, and Wu Z S. 2013. Flexibility-based structural damage
detection with unknown mass for IASC-ASCE benchmark studies. Engineering
Structures, 48: 486-496.
134
Zhang Q. 2007. Statistical damage identification for bridges using ambient
vibration data. Computers & structures, 85: 476-485.
Zheng H, and Mita A. 2008. Damage indicator defined as the distance between
ARMA models for structural health monitoring. Structural Control and Health
Monitoring, 15: 992-1005.
---. 2009. Localized damage detection of structures subject to multiple ambient
excitations using two distance measures for autoregressive models. Structural Health
Monitoring, 8: 207-222.
Zhu F, Wu Y. 2014. A rapid structural damage detection method using integrated
ANFIS and interval modeling technique. Applied Soft Computing, 25: 473-484.
Zhu H, Li L, and He X-Q. 2011a. Damage detection method for shear buildings
using the changes in the first mode shape slopes. Computers and Structures, 89: 733-743.
Zhu H, Li L, and He X-Q. 2011/05 2011b. Damage detection method for shear
buildings using the changes in the first mode shape slopes. Computers & Structures, 89:
733-743.
135
Structural Damage Detection and Localization by Wavelet
Transform and Statistical Methods
Abstract
Structural damage is inevitable and can occur during the life of any structure. In the
past decades, using non-destructive testing and equipping the structure with vibration
testing equipment at the potential site of damage, the health of the structure is assessed.
In many cases, non-destructive testing is very costly, complex, time consuming,
impractical and ineffective, especially if the structure is in the early stages of damage. As
a result, the use of indirect methods to diagnose damage in such a way that the structure
does not enter a critical state is very valuable. Many of these methods use modal data and
frequency data. In the new trend of structural health monitoring, raw data time-based are
used. The purpose of this thesis is to introduce and propose methods based on vibration
data and statistical pattern with the aim of assessing the location and quantity of structural
damage using the basics of statistical pattern recognition methods.
By using the signal preprocessing of structural response and wavelet transform as well
as machine learning concepts, an attempt has been made to improve the existing methods.
Then, by introducing new methods based on machine learning, new and practical
solutions have been proposed to evaluate the location and severity of structural damage.
It should be noted that after using these methods, estimating the damage-sensitive features
and on the other hand achieving powerful statistical methods to evaluate the behavior of
damaged and undamaged structures are the basic steps. This approach sets out to improve
current feature extraction techniques in the context of time series modeling used in the
statistical pattern recognition paradigm. These features are, the residuals and coefficients
of time-domain vibration data patterns. A new feature extraction approach using time
series analysis is introduced to extract damage-sensitive features from AR models.
Numerical and graphical statistical criteria were used to check the accuracy of the
statistical model. In order to achieve this goal, the relative error index, which indicate the
difference between the damage-sensitive features extracted from the damaged and
undamaged structure were investigated. For evaluating the performance of the proposed
methods, the ASCE four-story steel structure and the benchmark LANL frame under the
operating and environmental conditions have been used. Accordingly, using the structural
responses damage-sensitive features were extracted and localization was performed.
The results showed that the methods introduced in this thesis can generally offer
reliable and practical solutions for diagnosing structural damage in the presence of
environmental vibrations and operating conditions. The proposed classifiers were in most
cases successful in locating structural damage. However, the CRI classifier had errors in
the minor damage scenarios associated with the ASCE four-story steel structure.
Eventually, in order to determine the quantity of structural damage, it is observed that the
classifiers based on the residuals of the fitted model provided clearer and better results of
the damage rate compared to the classifiers based on the coefficients of the autoregressive
time series model. A comparative study and evaluation showed that the proposed
classifiers, even the CRI classifier were superior to some classical techniques like Fisher
and KSSD criteria.
Keywords: Structural damage diagnosis; statistical pattern recognition; feature
extraction; time series analysis; supervised learning; classification
136
Islamic Azad University
Faculty of Engineering
A thesis
submitted in partial fulfillment of the requirements
for the degree of Ph.D. in Structural Engineering
By
4- (Examiner)
5- (Examiner)
137
Islamic Azad university
Khorramabad Branch
Faculty of Engineering
Title:
Structural Damage Detection and Localization by
Wavelet Transform and Statistical Methods
Supervisor:
Prof. Mohammad Kazem Sharbatdar
Advisors:
Dr. Reza Mahjoub
Dr. Mehdi Raftari
By:
Masoud Haghani Chegeni
September 2021
138
139