‫أ‬

‫بسم اهلل الرحمن الرحیم‬

‫ب‬
 ‫دانشگاه آزاد اسالمی‬
‫واحد خرمآباد‬
‫دانشکده فنی و مهندسی‬

‫رساله برای دریافت درجه دکتری تخصصی رشته مهندسی عمران‬

‫گرایش‪ :‬سازه‬

‫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

‫هب انم خدا‬

‫منشور اخالق ژپوهش‬

‫هم‬ ‫مح‬
‫با ياري از خدا وند سبحان و ااقتعد هب اين هك عالم ضر خدا ست و واره انظر رب اعمال انسان و هب منظور پاس داشت مقام بلند دانش و ژپوهش و نظر هب‬
‫علم‬ ‫نش‬ ‫بش‬ ‫هم‬
‫ا يت جاي گاه دااگشنه رد اعتالي فرهنگ و تمدن ري‪ ،‬ما دا جويان و اعضاء هيئت ي واحداهي دااگشنه آزاد اسالمي متعهد مي گرديم اصول زري‬
‫تخ نك‬ ‫هش‬
‫را رد انجام فعاليت اهي ژپو ي مد نظر قرار داده و از آن طي نيم‪:‬‬
‫حق‬ ‫حق‬ ‫ص حق‬
‫‪ -1‬ا ل يقت جويي‪ :‬تالش رد راستاي پي جويي يقت و وافداري هب آن و دوري از رهگوهن پنهان سازي يقت‪.‬‬
‫ه‬ ‫ص‬
‫‪ -2‬ا ل رعايت حقوق‪ :‬التزام هب رعايت كامل حقوق ژپو شگران و ژپوهيدگان (انسن‪،‬حيوان ونبات) و ساري صاحبان حق‪.‬‬
‫هم‬ ‫ص‬
‫‪ -3‬ا ل مالكيت مادي و معنوي‪ :‬تعهد هب رعايت كامل حقوق مادي و معنوي دااگشنه و كليه كاران ژپوهش‪.‬‬
‫ح‬ ‫ل‬ ‫ص‬
‫‪ -4‬ا ل منافع ملي‪ :‬تعهد هب رعايت مصا ح ملي و رد نظر داشتن ربشيپد و توسعه كشور رد كليه مرا ل ژپوهش‪.‬‬
‫تج‬ ‫علم‬ ‫ص‬
‫‪ -5‬ا ل رعايت انصاف و امانت‪ :‬تعهد هب اجتناب از رهگوهن جانب داري غير ي و حفاظت از اموال‪ ،‬هيزات و منابع رد اختيار‪.‬‬
‫تح‬ ‫ص‬
‫‪ -6‬ا ل رازداري‪ :‬تعهد هب صيانت از اسرار و اطالعات محرماهن افراد‪ ،‬سازمان اه و كشور و كليه افراد و نهاداهي مرتبط با قيق‪.‬‬
‫تح‬ ‫ص‬
‫‪ -7‬ا ل احترام‪ :‬تعهد هب رعايت حريم اه و حرمت اه رد انجام قيقات و رعايت جانب نقد و خودداري از رهگوهن حرمت شكني‪.‬‬
‫علم نش‬ ‫هم‬ ‫ي تح‬ ‫ص ي‬
‫‪ -8‬ا ل رتو ج‪ :‬تعهد هب رواج دانش و اشاهع نتا ج قيقات و ااقتنل آن هب كاران ي و دا جويان هب غير از مواردي هك منع اقنوني دارد‪.‬‬
‫ع‬ ‫ص‬
‫‪-9‬ا ل ربائت‪ :‬التزام هب ربائت جويي از رهگوهن رفتار غير حرهف اي و اعالم موضع نسبت هب كساني هك حوزه علم وژپوهش را هب شائبه اهي غير لمي ميآاليند‪.‬‬

‫د‬
 ‫تقديم هب‬

‫اسطوره اهي زندگيام‪،‬‬

‫خس‬
‫پناه تگيام‬

‫و اميد بودنم‬

‫« پدر و مارد زعزیم »‬

‫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.‬‬

‫شایسته است از زحمات بيشائبه اساتيد گراميام‬

‫ج‬‫مح‬
‫جناب آاقي دکتر محمدكاظم شربتدا ر‪ ،‬جناب آاقي دکتر رضا وب‬
‫علم‬
‫و جناب آاقي دکتر مهدي رفتاري هك با توصيهاهي ي سازنده‪ ،‬صبر و حمايتاهي‬
‫تح‬
‫بيردیغشان‪ ،‬انجام اين قيق را‬

‫م‬ ‫ع‬ ‫م‬

‫مکن ساختند‪ ،‬امکل قدرداني و سپاسگزاري را هب ل آورم‪.‬‬
‫سی‬
‫رد پايان از خانواده زعزیم بابت همه حمايتاهي مادي و معنوي هك رد اين ير‬

‫رپتالطم دادنتش قدرداني ميکنم‪.‬‬

‫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.‬‬

‫نام و نام خانوادگی‪ :‬مسعود حقانی چگنی‬

‫تاریخ و امضاء‬

‫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.‬‬

‫‪ -2-0‬ارزیابی سالمت سازهای‬

‫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

‫‪1‬‬ ‫‪Radzieński et al‬‬

‫‪2‬‬ ‫‪Farrar‬‬
‫‪3 Doebling‬‬
‫‪4 Allemang‬‬
‫‪5 Brown‬‬
‫‪6‬‬
‫‪Brownjohn et al‬‬
‫‪5‬‬
‫همراه اطالعات مودال بهره برده میشود‪ .‬از جمله روشهای سنتی تشخيص آسيب میتوان به روشهای تغييرات‬
‫در فرکانسهای طبيعی‪ ،‬تغيير در شکل مودهای ارتعاشی و انحنای مودها‪ ،‬تغييرات تابعهای پاسخ فرکانسی‪ ،‬انرژی‬
‫کرنشی مودال‪ ،‬تغييرات مستقيم در سختی سازهها‪ ،‬بروز رسانی الگوی سازه و تحليل حساسيت اشاره کرد (یان و‬
‫همکاران‪ .)2117 ،1‬در روش تغييرات فرکانس طبيعی‪ ،‬به دليل دقت باالی اندازهگيری فرکانس های طبيعی نسبت‬
‫به شکل مودهای ارتعاشی‪ ،‬شناسایی آسيبهای بزرگ به خوبی و با دقت مناسب انجام میپذیرد‪ .‬با این وجود‬
‫ضعف در شناسایی آسيبهای کوچک‪ ،‬یکی از معایب این گونه روشها میباشد (رهایی و همکاران‪.)2117 ،‬‬
‫بهطور کلی با ایجاد آسيب‪ ،‬فرکانس طبيعی در سازه تغيير میکند ولی این تغييرات همواره به معنای شناسایی دقيق‬
‫مکان آسيب سازهای نمیباشد (اسفندیاری و همکاران‪ .)2113 ،‬با نظر به ضعفهای موجود در استفاده از فرکانس‪-‬‬
‫های طبيعی در فرآیند تشخيص آسيب‪ ،‬روشهای تغيير در شکل مودهای ارتعاشی برای تعيين شدت و مکان آسيب‬
‫معرفی شدهاند‪ .‬عالوه بر تغييرات شکل مود‪ ،‬میتوان از روشهای وابسته به آن برای تشخيص آسيب بهره جست‪.‬‬
‫ازجمله روشهای پرکاربرد در این زمينه میتوان به انحنای شکل مود‪ ،‬شاخص های اطمينان مودال و مختصات‬
‫اطمينان مودال اشاره داشت‪ .‬با این حال عدم وجود دقت کافی در اندازهگيری مودهای ارتعاشی و از طرفی دیگر‬
‫ناکامل بودن دادههای مودال از محدودیتهای این روشها میباشند (رهایی و همکاران‪.)2117 ،‬‬
‫استفاده از تغييرات در پارامترهای فيزیکی و دیناميکی سازهها یکی دیگر از روشهای شناسایی آسيب سازهای‬
‫میباشد‪ .‬عالوه بر اینها‪ ،‬سختی یا نرمی یک سازه در اثر وارد ساختن ارتعاش دچار تغييرات میشوند‪ .‬بهطوریکه‬
‫تغيير در آنها موجب تغيير در پارامترهای مودال سازه میشوند‪ .‬در روش تشخيص آسيب از این مفاهيم استفاده‬
‫میشود و آسيب در سازه مورد بررسی قرار میگيرد‪ .‬الزم به ذکر است که هنگامی که شرط مقياس بودن مودهای‬
‫ارتعاشی برقرار باشد‪ ،‬تابع نرمی سازه را میتوان بر اساس مودهای ارتعاشی سازه و همچنين بسامد طبيعی سازه‬
‫تعریف کرد‪ .‬با تعيين کردن ماتریس نرمی و یا سختی سازه‪ ،‬میتوان اختالف هر یک از این ماتریسها را در شرایط‬
‫پيش از آسيب و پس از وقوع آسيب در سازه محاسبه نمود‪ .‬از این رو اختالف ماتریسهای نرمی یا سختی به عنوان‬
‫معياری مناسب به منظور بررسی آسيب در سازه کاربرد دارد‪ .‬با این حال‪ ،‬این روشها برای تشخيص آسيبهای‬
‫بزرگ سازهای کاربرد گسترده داشتهاند و نمیتوانند به درستی آسيبهای کوچک سازهای را مورد بررسی قرار‬
‫دهند (یان و گالينوال‪ .)2115 ،2‬روش نوین دیگری که امروزه برای شناسایی سامانه و نيز تشخيص آسيب در سازهها‬
‫مورد استفاده قرار میگيرد‪ ،‬روش بهروزرسانی مدل سازهای میباشد‪ .‬در این روش با تعریف تابع هدف به صورت‬
‫اختالف ميان الگوهای نظری و تجربی‪ ،‬تفاوت ميان پارامترهای موجود در سامانه مورد نظر تعيين میشوند‪ .‬در این‬
‫مرحله با استفاده از این تابع هدف و مفاهيم بهينهسازی‪ ،‬آسيب در سازه به صورت تغيير در تابع هدف اشاره شده‪،‬‬
‫تعریف میشود (جيشی‪ 3‬و رن‪ .)2116 ،4‬بهطور کلی روش بهروزرسانی مدل سازهای را میتوان در دو بخش مستقيم‬

‫‪1‬‬ ‫‪Yan et al‬‬

‫‪2‬‬ ‫‪Golinval‬‬
‫‪3 Jaishi‬‬
‫‪4 Ren‬‬

‫‪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 ،‬‬

‫‪ -0-0‬هدف تشخیص آسیب برای سازههای مدرن‬

‫یکی از اهداف اصلی کاربرد ارزیابی سالمت سازهای فراهم کردن دادههایی در رابطه با نيروها و تغيير شکلهای‬
‫ذاتی قابل توجه‪ ،‬که معموال به تنشهای ساخت‪ ،‬نصب و مونتاژ مربوط هستند میباشد‪ .‬در واقع بسياری از سازههای‬
‫اصلی از مرزهای تحليلهای سنتی فراتر رفته و طرحهای جدید و ابتکاری و نيازها و مشخصات غيرمعمول را برای‬
‫مصالح و فرآیندهای ساخت و اجرا به کار میگيرند‪ ،‬بهویژه در مورد سازههایی از نوع پل‪ ،‬بازخورد هنگام نصب و‬
‫ساخت ممکن است موردنياز باشد‪ .‬همانگونه که در هنگام ساخت‪ ،‬در وضعيت هندسههای سازهای و یا محيطهای‬
‫ساخت بسيار خاص نشان داده میشوند‪ .‬ارزیابی سالمت سازهای ممکن است به مدیریت ریسکهای ایمنی در‬
‫هنگام ساخت کمک کند‪ .‬به این دليل که ساخت سيستمهای سازهای ناکامل‪ ،‬معموال حساس و در معرض حوادث‬
‫و خطرات متفاوتی میباشند‪ .‬مواردی وجود دارد که در هنگام اجرای پلهای بزرگ‪ ،‬طوفان یا زلزلههایی رخ‬
‫میدهد و ارزیابی سالمت ‪ ،‬اطالعاتی را برای پاسخ دادن سریع به تغييرات شرایط و هندسه سيستمهای سازهای‬
‫ناکامل فراهم کرده است‪ .‬ارزیابی سالمت پلهای برجسته متفاوت در شرق دور در دهه ‪ 1991‬و اوایل دهه ‪2111‬‬
‫ميالدی عمدتاً برای مدیریت ریسک رویدادهای لرزهای‪ ،‬گردبادها و طوفانها که به طور معمول احتمال وقوع‬
‫آنها‪ ،‬حداقل یکبار در طول عمر بهرهبرداری سازه وجود دارد توجيه شده است‪ .‬طراحی ابزار دقيق و سيستم‬
‫جمعآوری دادههای سازهای به منظور پایش فرآیند نصب و ساخت‪ ،‬قبل از نهایی شدن نقشهها و مشخصات اجرایی‬
‫بهخوبی انجام میشود‪ .‬در واقع یکپارچهسازی مستقيم پایش و مشخصات طراحی بهشدت مطلوب و مورد نياز است‪.‬‬
‫در این حالت ‪ ،‬اعتبار فرضيات در نظر گرفته شده در هنگام محاسبات طراحی با در نظر گرفتن نيروها‪ ،‬واکنشها‪،‬‬
‫جابهجاییها و رانشهای مورد انتظار سازه که در هنگام ساخت ممکن است تجربه کند‪ ،‬کنترل و تأیيد میشود‪.‬‬
‫چنانچه اندازهگيریهای اشاره شده نياز به اصالح نصب یا ساخت اشاره نمایند‪ ،‬میبایستی گامهای مناسب و به‪-‬‬
‫صورت بههنگام برداشته شوند‪ .‬از اینرو ممکن است ارزیابی سالمت سازهای به کاهش عدم قطعيتها و وضعيت‪-‬‬
‫های پيشبينینشده موثر کمک کند‪ .‬در این راستا خطر ساخت یک سازه با نيروهای زیاد نامطلوب‪ ،‬تغيير شکلها‬

‫‪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 ،‬‬

‫‪ -3-0‬نگاه کاربردی به تشخیص آسیب سازهای‬

‫با باال رفتن عمر سيستمهای سازهای و نمایان شدن آثار آسيب و تخریب در آنها‪ ،‬ارزیابی سالمت سازه میتواند‬
‫برای فهم دالیل ریشهای مشکالت و تصميمگيری برای ادامه استفاده‪ ،‬نگهداری‪ ،‬تعمير‪ ،‬مقاومسازی یا خارج کردن‬
‫آنها از وضعيت بهرهبرداری‪ ،‬بهکار گرفته و مفيد واقع شود‪ .‬بهعنوان مثال‪ ،‬ارزیابی سالمت سازه ممکن است در‬
‫شرایط سازههای بزرگ موجود که فرسودگی زودهنگام‪ ،‬مشکالت رفتاری و آشفتگی در آنها مشاهده میشود‪،‬‬
‫بهکار گرفته شود‪ .‬همچنين این روشها برای سازههایی که بيشتر از دوره بهرهبرداری در نظر گرفته شده برای آنها‪،‬‬
‫در هنگام طراحی عمر کردهاند‪ ،‬نيز قابل کاربرد هستند‪ .‬در حالت ارزیابی سازههای عمرانی بزرگ نظير پلها‪ ،‬یکی‬
‫از مهمترین کاربردهای پایش سازه‪ ،‬حل مشکالت عملکردی مانند جابهجاییهای غيرقابلقبول‪ ،‬تغييرات هندسه‪،‬‬

‫‪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.‬‬

‫‪ -1-0‬سؤالهای اصلی تحقیق‬

‫‪ -1‬چگونه میتوان پاسخهای یک سازه را بهصورت مدلسازی آماری و بهره بردن از مفاهيم شبکه عصبی‪،‬‬
‫شبيهسازی کرد؟‬
‫‪ -2‬اثر روشهای آماری مبتنی بر داده بر سازههای شبيهسازیشده عددی چيست؟‬
‫‪ -3‬آیا میتوان روابط تئوری را در مثالهای واقعی نيز پيادهسازی نمود و عوامل توجيهی این کار چيست؟‬
‫‪ -4‬آیا روش آماری به عنوان روشی جدید در تشخيص آسيب توانایی الزم را در سطوح متفاوت دارد؟‬
‫‪ -5‬آیا شرایط محيطی و عملياتی در رفتار سازه تأثير دارند؟‬

‫‪ -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.‬‬

‫‪ -00-0‬جنبة نوآوری پژوهش‬

‫شناسایی آسيب در سازهها با استفاده از دادههای ارتعاشی حوزه زمان و استخراج مفاهيم سازهای مرتبط به‬
‫تشخيص آسيب توسط روشهای آماری‪ ،‬بخش عمدهای از نوآوری تحقيق مورد نظر میباشد‪ .‬باوجود پژوهشهای‬
‫‪12‬‬
‫متعددی که در زمينه آسيبیابی سازهای انجامشده است‪ ،‬همچنان قابليت پژوهشهای نوینتر و کاربردیتری در‬
‫این زمينه وجود دارد‪ .‬این قابليتها به دالیلی همچون وجود کاستیها و ابهامها در روشهای موجود و نيز عدم‬
‫ارتباط روشهای پيشنهاد شده با صنعت میباشند‪ .‬همانطور که توضيح داده شد‪ ،‬در روشهای پيشين مربوط به‬
‫آسيبیابی‪ ،‬از دادههای مودال و دادههای فرکانسی بهره برده میشد‪ .‬استفاده از این دادهها محدویتها و مشکالتی‬
‫همچون ناکامل بودن‪ ،‬خطادار شدن به دليل نوفهها‪ ،‬داشتن پيچيدگی برای رابطهسازی و خطای محاسباتی به همراه‬
‫دارند‪ .‬در گرایش جدید آسيبیابی سازه‪ ،‬از دادههای خام حوزه زمان استفاده میشود‪ .‬برتری این راهکار به شرح‬
‫زیر است‪:‬‬
‫‪ ‬عدم نياز به انتقال دادهها به حوزه فرکانس برای تعيين پاسخهای ارتعاشی‪.‬‬
‫‪ ‬کاهش هزینه انجام آزمایش بهدليل آنکه دیگر نيازی به دستگاههای تحليلگر برای انتقال دادهها نيست‪.‬‬
‫‪ ‬داشتن ویژگیهای منحصربهفرد به آسيب (ضرایب و ماندههای الگوی سری زمانی)‪.‬‬
‫‪ ‬قابل استفاده در تمام سازهها بدون محدودیت ناکامل بودن‪.‬‬
‫‪ ‬کاربردی بودن برای تمام پروژههای آسيبیابی بهدليل راحتی و نداشتن پيچيدگیهای خاص‪.‬‬
‫برای استفاده از دادههای ارتعاشی حوزه زمان باید تحليلهایی انجام شود تا بهترین الگو به دادهها بهصورت یک‬
‫معادله ریاضی برازش گردد‪ .‬این الگوها ویژگیهایی دارند که بهطور مستقيم به آسيب ارتباط داشته و تأثيرات‬
‫محيطی و عملياتی روی دادهها تأثيری ندارند‪.‬‬
‫باید به این نکته مهم اشاره کرد که تنها با دادههای ارتعاشی در حوزه زمان یا حوزه فرکانس‪ ،‬نمیتوان تشخيص‬
‫آسيب را انجام داد‪ .‬زیرا عواملی مهم و تأثيرگذار مانند شرایط محيطی (آب و هوا و درجه حرارت) و عملياتی‬
‫(آکوستيک و ارتعاشات تصادفی پيش بينی نشده‪ ،‬نقص در تجهيزات آزمایش) روی دادههای خام ارتعاشی (زمان‬
‫و فرکانس) تأثير گذاشته و دادهها را خراب و غيرکاربردی میسازند‪ .‬در حقيقت دادههای ارتعاشی پارامترهایی‬
‫برای تشخيص آسيب به حساب میآیند و این راهکارها و روشهای ریاضی هستند که فرآیند تشخيص آسيب را‬
‫فراهم میسازند‪ .‬یکی از بخشهای مهم علم نوین آسيبیابی سازهای‪ ،‬استخراج مفاهيم سازهای مربوط به تشخيص‬
‫آسيب از روشهای نوین آماری و همچنين یادگيری ماشينی است‪ .‬بهعبارت دیگر باید ارتباطی بسيار مستقيم ميان‬
‫نتایج بهدست آمده و مفاهيم سازهای برقرار کرد‪ .‬بههمين دليل باید به خاطر داشت‪ ،‬استفاده مستقيم از روشهای‬
‫گوناگون نمیتواند برتری یک پژوهش باشد‪ ،‬بلکه استخراج مفهومی تشخيص آسيب از این روابط نوآوری بهشمار‬
‫میآید‪ .‬از ویژگیهای این روشها میتوان به کاربردی بودن آن برای اجرای عملی آسيبیابی اشاره کرد‪.‬‬
‫از ميان روشهای بسيار که در ابتدای طرح پيشنهادی به آنها اشاره شد‪ ،‬در این پژوهش در ابتدا سعی خواهد‬
‫شد با توجه به چالشهای بسيار مهم آسيبیابی سازهای‪ ،‬از قبيل وجود شرایط محيطی و عملياتی در سازه و همچنين‬
‫وجود نوفه در پاسخهای ارتعاشی سازه که سبب خطا در مرحله استخراج ویژگیها و گاهی اوقات در نتایج نهایی‬
‫فرآیند تشخيص آسيب میشوند‪ ،‬ابتدا با استفاده از تبدیل موجک روشهای نرمالسازی و استفاده از روشهای‬
‫تشخيص الگوی آماری‪ ،‬فرآیند استخراج ویژگی حساس به آسيب سازهای انجام شود‪ .‬الزم بهذکر است‪ ،‬استخراج‬

‫‪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.‬‬

‫‪ -02-0‬روش انجام پژوهش‬

‫یکی از روشهای جدید تشخيص آسيب‪ ،‬روشهای آماری و پردارش سيگنال است‪ .‬منظور از این روشها‬
‫استفاده از فيلترهای موجود مانند روشهای فيلتر کردن سيگنالهای ارتعاشی مانند فيلترهای باال گذر‪ 1‬و پایين گذر‪،2‬‬
‫روشهای طبقه بندی‪ 3‬و خوشهبندی‪ 4‬و همچنين روشهای کاهش ابعاد و تحليل مولفههای اصلی‪ 5‬میباشد که پس‬
‫از وارد ساختن روشهای مختلف و تبدیل کردن دادهها به دادههای معنادار و حساس به آسيب‪ ،‬امکان تشخيص‬
‫آسيب به صورت مکانیابی یا تعيين شدت آسيب فراهم شود‪ .‬یکی از مسائل چالش برانگيز در انجمن جهانی پایش‬
‫سالمت و تشخيص آسيب که در این پژوهش سعی شده است به آن توجه شود‪ ،‬بررسی شرایط محيطی است که‬
‫در فرآیند تشخيص آسيب بسيار حائز اهميت است‪ .‬شرایط محيطی و عملياتی در سازه‪ ،‬تغييراتی را در پاسخ سازه‬
‫بهوجود میآورد که این تغييرات نبایستی در الگوریتمها و روشهای مختلف‪ ،‬به صورت آسيب در نظر گرفته شود‪.‬‬
‫از دیگر مسائل مهم در زمينه تشخيص الگوی آماری‪ ،‬مرحله تصميم گيری آماری برای وجود یا عدم وجود آسيب‬
‫میباشد‪ .‬در این پژوهش سعی شده است‪ ،‬با تمام پيچيدگیها و دشواریهای مورد اشاره شده‪ ،‬این فرآیند با رویکرد‬
‫یادگيری غيرنظارت شده مورد ارزیابی قرار گيرد‪.‬‬

‫‪ -05-0‬نمای کلی رساله و ارتباط میان فصلها‬

‫این رساله در شش فصل جمعآوری میشود‪ .‬در فصل اول پيشگفتاری جامع از مفاهيم و هدفهای اوليه شناسایی‬
‫آسيب و اثرات حاصل از آن معرفی میشوند‪ .‬در این فصل سعی میشود که اطالعات مختصری از مراحل انجام‬
‫تحقيق و تفسير نتيجههای آنها ارائه شود‪ .‬سپس در فصل دوم‪ ،‬مروری بر پژوهشهای پيشين در رابطه با فرآیند‬
‫تشخيص آسيب در وضعيتهای مختلف سازه انجام میپذیرد‪ .‬در فصل سوم این رساله‪ ،‬بهدليل استفاده از دادههای‬
‫خام ارتعاشی حوزه زمان بهمنظور فرآیند تشخيص آسيب سازهای به چگونگی و مفاهيم روشهای نوین تشخيص‬
‫الگوی آماری پرداخته میشود‪ .‬در این فصل شرح روشهای تحليل و تفسير دادهها با توجه به روشهای مبتنی بر‬
‫مدل و داده مورد بررسی قرار خواهد گرفت‪ .‬در فصل چهارم روشهای شناسایی آسيب سازهای و ارزیابی شرایط‬
‫کلی سازه با هدف بررسی آسيب اوليه سازهای و مکانیابی خسارت انجام میشوند‪ .‬برای موارد اشاره شده‪ ،‬روش‪-‬‬
‫های مبتنی بر علم آمار و علوم کامپيوتر با استفاده از مفاهيم تحليل سری زمانی و یادگيری ماشينی پيشنهاد میشوند‪.‬‬

‫‪1‬‬ ‫‪High pass filter‬‬

‫‪2‬‬ ‫‪Low pass filter‬‬
‫‪3 Classification‬‬
‫‪4 Clustering‬‬
‫‪5 Principle component analysis‬‬

‫‪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.‬‬

‫‪ -00-0‬خالصه فصل اول‬

‫در این فصل تعدادی از روشهای کارآمد تشخيص آسيب سازه ارائه شدند‪ .‬در این راستا مفاهيم ابتدایی و‬
‫بنيادی ارزیابی سالمت سازهای و کاربرد تحليل دیناميکی مودال در ارزیابی رفتار سازه‪ ،‬مورد بررسی قرار گرفتند‪.‬‬
‫سپس روشهای سنتی موجود و همچنين روشهای نوین شناسایی آسيب به اختصار معرفی شدند‪ .‬در پایان ارتباط‬
‫ميان فصلهای رساله و چگونگی تفسير نتيجهها ارائه شدند‪ .‬در ادامه نيز روند نمای رساله آورده شده است‪.‬‬

‫‪15‬‬
 ‫مراحل پژوهش‬

‫تعریف موضوع‬

‫شناسایی و تشخيص مکان آسيب سازهای با بهره بردن از روشهای تبدیل موجک و تشخيص الگوی آماری‬

‫فصل اول کليات تحقيق‬

‫فصل دوم مبانی علمی و مروری بر پژوهشهای انجام شده‬

‫ارزیابی آسيب سازهای توسط روشهای نوین ارتعاشی‬ ‫ارزیابی آسيب سازهای بر اساس روشهای مبتنی بر مفاهيم ارتعاشی‬

‫فصل سوم ارزیابی سيگنالهای ارتعاشی با روشهای آماری و یادگيری ماشينی‬

‫شناخت شبکههای عصبی و الگوی سری زمانی‬ ‫شناخت الگوی آماری و انتخاب ویژگی‬ ‫راهکارهای تفسير و ارزیابی دادههای ارتعاشی‬

‫فصل چهارم روشهای پيشنهاد شده بهمنظور شناسایی آسيب در سازه‬

‫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

‫فصل پنجم ارزیابی آزمایشگاهی برای مکانیابی و تشخيص آسيب سازهای‬

‫صحت سنجی روشهای پيشنهادی با بهره بردن از دو عدد قاب آزمایشگاهی‬

‫فصل ششم نتيجهگيری و پيشنهاد طرحهای پژوهشی آینده‬

‫تدوین پایاننامه‬

‫پذیرش و چاپ مقاله‬

‫شکل (‪ ) -1‬روندنمای انجام رساله‬

‫‪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.‬‬

‫‪ -2-2‬ارزیابی آسیب سازهای بر اساس روشهای مبتنی بر مفاهیم ارتعاشی‬

‫با هدف مطرح کردن عملکرد‪ ،‬ابتدا بایستی هدف و معياری کمی برای یک وضعيت حدی یا شاخص آسيب‬
‫سازهای رابطهسازی گردد‪ .‬عملکرد مطلوب مورد انتظار با تجاوز نکردن از وضعيتهای حدی در طول سيکل عمر‬
‫یک سازه بهدست خواهد آمد‪ .‬رایجترین وضعيتهای حدی مورد انتظار را میتوان ایمنی‪ ،‬قابليت استفاده و‬
‫ماندگاری یک سازه یا جزء سازهای در نظر گرفت‪ .‬مهندسان و طراحان سازه میتوانند شاخص قابليت اطمينان‬
‫سيستم یا جزء را بهعنوان یک شاخص عملکرد در نظر گيرند و بهخصوص برای طراحی یک سازه جدید یا ارزیابی‬
‫سازههای موجود به کار ببرند‪ .‬دادههای تشخيص آسيب را میتوان به همراه شبيهسازیهای مختلف و روشهای‬
‫احتماالتی به منظور تعيين شاخصهای عملکرد مورد استفاده قرارداد (کاتباس و همکاران‪ .)2118 ،3‬بنابراین‪ ،‬به‬
‫منظور تشخيص آسيب در سازه و بهطور مشخص برای تعيين کردن سالمت و ارزیابی عملکرد‪ ،‬نشانههای رویدادهای‬
‫عملياتی و شرایط ناشی از تخریب و آسيب در هنگام یک بهرهبرداری عادی و یا بعد از رویداد شدید مورد استفاده‬
‫قرار میگيرد‪ .‬یک سيستم قابل اعتماد و موفق در زمينه تشخيص آسيب سازهای را میتوان با استفاده از اندازهگيری‬

‫‪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.‬‬

‫‪1‬‬ ‫‪Aktan et al‬‬

‫‪2‬‬ ‫‪Autoregressive Model‬‬
‫‪3 Sohn et al‬‬
‫‪4 Mahalanobis‬‬
‫‪5 Lei et al‬‬
‫‪6‬‬
‫‪Autoregressive Moving Average Model‬‬
‫‪19‬‬
‫روش پيشنهادی آنها قادر به شناسایی و تعيين مکان آسيبهای کلی و جزیی بود (نير و همکاران‪ .)2116 ،1‬کاردن‬
‫و برونجان در سال ‪ 2118‬با ارایهی یک روش دستهبندی آماری به ارزیابی آسيب سازهای به صورت آزمایشگاهی‬
‫پرداختند‪ .‬آنها با به کارگيری الگوهای سری زمانی ‪ ARMA‬برای پاسخهای اندازهگيری شده‪ ،‬به گسترش و بهبود‬
‫روشهای دستهبندی پرداختند‪ .‬پس از آن‪ ،‬از روش پيشنهادی برای ارزیابی آسيب سازهای قاب چهار طبقهی‬
‫‪ ،IASC-ASCE2‬پل ‪ Z24‬و دومين پل ارتباطی مالزی و سنگاپور استفاده کردند (پيترکاردن‪ 3‬و برونجان‪.)2118 ،‬‬
‫همچنين گل و کاتباس در سال ‪ 2119‬در پژوهشی از دادههای آزمایشگاهی سازههای مختلف و نمونه آسيبهای‬
‫گوناگون برای آزمایش روش تشخيص الگوی آماری معرفی شدن برای تشخيص آسيب پرداختند‪ .‬روش پيشنهاد‬
‫شدهی این پژوهشگران از مدلهای خود کاهنده در رابطه با الگوریتم تشخيص دادههای پرت براساس فاصلهی‬
‫مهاالنوبيس استفاده مینماید‪ .‬در این روش تابع کاهش تصادفی‪ )RDF( 4‬برای دسترسی به پاسخ ارتعاش آزاد سازه‬
‫از دادههای ارتعاش محيطی استفاده شده است (گل‪ 5‬و نکاتی کاتباس‪ .)2119 ،6‬گل و کاتباس در سال ‪ 2111‬در‬
‫پژوهشی دیگر یک روش جدید تحليل سری زمانی که در آن مدلهای خودکاهنده با ورودیهای برونی ‪(ARX)7‬‬
‫برای مدل کردن پاسخ آزاد سازه در دسته حسگرهای مختلف استفاده میشود‪ ،‬به منظور شناسایی آسيب سازهای‬
‫معرفی کردند‪ .‬آنها با استفاده از روش پيشنهادی به شناسایی‪ ،‬تعيين مکان و تعيين نسبی ميزان آسيب در یک سازهی‬
‫فوالدی پرداختند‪ .‬عالوه بر این از دادههای پل ‪ Z24‬برای ارزیابی بيشتر روش پيشنهادی‪ ،‬استفاده نمودند (گل و‬
‫نکاتی کاتباس‪ .)2111 ،‬در پژوهشی دیگر‪ ،‬علمداری و همکاران در سال ‪ 2114‬از تحليل سری زمانی برای تعيين‬
‫مکان آسيب سازهای بهره بردند‪ .‬روش پيشنهادی آنها شامل چهار مرحله اساسی از قبيل جمعآوری دادهها‪ ،‬ایجاد‬
‫فضای نمادین برای هر مکان حسگر‪ ،‬ایجاد دنبالههای نمادین‪ ،‬بردارهای احتمال و محاسبهی ناميزانی و در نتيجه‬
‫تعيين مکان آسيب براساس مقایسهی ناميزانیها میشود‪ .‬آنها با در نظر گرفتن مدل اجزای محدود تيرهای خمشی‬
‫و یک خرپای دوبعدی‪ ،‬به ارزیابی روش پيشنهادی و بهبود یافته خود پرداختند (مکی علمداری و همکاران‪.)2114 ،‬‬

‫‪ -2-2-2‬ارزیابی آسیب سازهای با روشهای تغییر بسامد طبیعی‬

‫در بسياری از پژوهشهای انجام شده در زمينه تشخيص آسيب سازهای‪ ،‬استفاده از تغيير فرکانس طبيعی سازه‬
‫به دليل داشتن دقت شناسایی باال‪ ،‬مورد توجه پژوهشگران متعددی قرار گرفته است‪ .‬در این زمينه ساالوو در سال‬
‫‪ 1997‬با بررسی تغيير فرکانس طبيعی به شناسایی آسيب در سامانههای دیناميکی پرداخت‪ .‬روش اشاره شده مروری‬
‫کلی بر تشخيص آسيب در سازهها بود (ساالوو‪ .)1997 ،‬همچنين لی و چانگ در سال‪ 2111‬با پيشنهاد یک روش‬
‫بر اساس معيار تغيير فرکانس به مکان یابی و تعيين شدت آسيب پرداختند‪ .‬پس از آن‪ ،‬از روش پيشنهادی برای‬

‫‪1‬‬ ‫‪Nair et al‬‬

‫‪2‬‬ ‫‪American Society of Civil Engineers‬‬
‫‪3 Peter Carden‬‬
‫‪4 Random Decrement Function‬‬
‫‪5 Gul‬‬
‫‪6 Necati Catbas‬‬
‫‪7 Autoregressive Model with Exogenous Input‬‬

‫‪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 ،‬‬

‫‪ -5-2-2‬ارزیابی آسیب سازهای بر اساس تغییرات شکل مود ارتعاشی سازه‬

‫بهدليل کاستیها و کمبودهای تغييرات فرکانس طبيعی در تعيين مکان آسيبهای کوچک و نيز تعيين شدت‬
‫آنها‪ ،‬استفاده مستقيم از تغيير شکل مود ارتعاشی سازه مورد توجه پژوهشگران زیادی بوده است‪ .‬در این راستا‪،‬‬
‫رهایی و همکاران در سال ‪ 2117‬با بهبود مسأله مقدار ویژه در یک سازه در شرایط پيش از آسيب و نيز پس از‬
‫وقوع آسيب در سازه‪ ،‬توانستند مکان و شدت آسيب را با بهره بردن از معيار تغييرات جرم و سختی در یک خرپای‬
‫مستوی تعيين کنند‪ .‬در این روش پيشنهادی بایستی از دادههای کامل مودال استفاده شود‪ .‬به همين دليل روشهایی‬
‫برای کامل کردن مودهای شناسایی نشده ارائه کردند (رهایی و همکاران‪ .)2117 ،‬همچنين شی و همکاران در سال‬
‫‪ 2111‬با پيشنهاد روشی به صورت مستقيم به تعيين مکان آسيب در خرپاهای مستوی با دادههای ناکامل مودال‬
‫پرداختند‪ .‬آنها با ارائه روش پيشنهادی مسينا‪ 5‬و روش شاخص اطمينان مکان آسيبهای چندگانه‪ ،‬به جای بهره‬
‫بردن از فرکانسهای طبيعی از دادههای ناکامل مودال برای تعيين مکان آسيب بهره بردند (شی و همکاران‪2111 ،6‬؛‬
‫مسينا و همکاران‪ .)1998 ،‬استفاده از انحنای شکل مودهای ارتعاشی نيز روشی دیگر برای بررسی آسيب سازهای‬
‫میباشد‪ .‬بر این اساس پاندی و همکاران در سال‪ 1991‬پژوهشی درباره تعيين مکان و تعيين شدت آسيب در یک‬
‫تير طره و یک تير یکسره چند دهانه انجام دادند‪ .‬با ارزیابی آسيبهای وارده به سازههای مورد بررسی‪ ،‬آنها نتيجه‬
‫گرفتند که افزایش ميزان آسيب در تيرها منجر به افزایش انحنای شکل مودهای ارتعاشی میشود (پندی و همکاران‪،7‬‬
‫‪ .)1991‬همچنين در این راستا‪ ،‬مایا و همکاران در سال ‪ 2112‬با در نظر گرفتن وضعيتهای مختلف انحنای شکل‬
‫مودهای ارتعاشی و نيز تغيير شکل این مودها‪ ،‬به شناسایی آسيب در تيرها با دادههای نظری و آزمایشگاهی مودال‬
‫پرداختند (مایا و همکاران‪ .)2112 ،8‬از دیگر روشهای بهره بردن از شکل مود‪ ،‬بهره بردن از شاخص اطمينان مودال‬

‫‪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

‫‪1‬‬ ‫‪Carbon Fiber Reinforced Polymers‬‬

‫‪2‬‬ ‫‪Chen et al‬‬
‫‪3 Yang et al‬‬

‫‪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 ‫‪Wang et al‬‬

‫‪2‬‬ ‫‪Shih et al‬‬
‫‪3 Pandey‬‬
‫‪4‬‬
‫‪Biswas‬‬
‫‪23‬‬
‫گلينوال‪ 1‬در سال ‪ 2115‬با استفاده از دادههای اندازهگيری شده مودال توانستند ماتریسهای نرمی و سختی سيستم‪-‬‬
‫های دیناميکی را مشخص کنند‪ .‬پس از آن‪ ،‬با تعریف تغييرات ماتریسهای بهدست آمده بهعنوان عامل آسيب در‬
‫سازه‪ ،‬به تعيين مکان و تعيين شدت آسيبهای سازهای پرداختند (یان و گالينوال‪ .)2115 ،‬لی و همکاران در‬
‫سال‪ 2111‬با تعریف ماتریس تعميمیافته نرمی بهوسيله ماتریس سختی سازه آسيبدیده‪ ،‬آسيب بهوجود آمده سازهای‬
‫را در یک تير ساده شناسایی کردند‪ .‬سپس با در نظر گرفتن تغييرات بهوجود آمده در ماتریس نرمی پيشنهادی و‬
‫ترکيب کردن آن با ماتریس سختی سازه آسيبدیده‪ ،‬مکان و شدت آسيب را مورد بررسی قرار دادند (لی و‬
‫همکاران‪ .)2111 ،‬در پژوهشی دیگر در خصوص استفاده از ماتریس نرمی میتوان به پژوهش یانگ در سال‪2111‬‬
‫اشاره کرد‪ .‬او با معرفی روشی جدید ماتریس سختی سازه مرتعش شده را برپا کرد و سپس با تجزیه ماتریس تعریف‬
‫شده و بهره بردن از روش وارونسازی توانست به ماتریس نرمی سازه دست یابد‪ .‬در ادامه از تغييرات ماتریس نرمی‬
‫سازه بهره برد و آسيب را در یک خرپای دوبعدی بررسی کرد (ونگ‪ .)2111 ،‬همچنين ژنگ و همکاران در سال‬
‫‪ 2113‬از مفهوم نرمی در سازه و انحنای بهدست آمده از آن استفاده کرده و آسيب سازه را بر روی یک قاب برشی‬
‫پنج طبقه مورد بررسی قرار دادند‪ .‬یکی از مزایای روش پيشنهادی آنها در عدم استفاده یا محاسبه ماتریس جرم‬
‫سازه خالصه می شود‪ .‬آن ها با استفاده از پردازش سيگنال و بدون داشتن ماتریس جرم قادر به شناسایی ماتریس‬
‫نرمی سازه بودند‪ .‬پس از آن با معرفی دو روش بر اساس شاخص نرمی به نامهای سطح باربری یکسان و انحنای‬
‫سطح باربری یکسان آسيب سازهای بهوجود آمده در قاب برشی را مورد بررسی قرار دادند (ژنگ و همکاران‪،‬‬
‫‪ .)2113‬در پژوهشی دیگر دو روش جدید برای تشخيص آسيب در سازهها با کمک اطالعات مودال توسط زارع‪-‬‬
‫حسينزاده و همکاران ارایه شد‪ .‬اساس روشها بر پایهی تعریف مسئله بهصورت یک مسئله بهينهیابی استوار است‪.‬‬
‫ماتریس نرمی تعميمیافته بهعنوان عامل اصلی ایجاد ارتباط بين اطالعات مودال و آسيب رخداده در سازهها معرفی‬
‫شده است‪ .‬سپس دو تابع هدف پيشنهاد شده است که به ترتيب بر پایهی تطابق نقطهای عناصر ماتریس نرمی تعميم‪-‬‬
‫یافته و سنجش ميزان انطباق هندسی بردار متشکل از این عناصر استوار هستند‪( .‬زارعحسينزاده و همکاران‪)1396 ،‬‬
‫‪ -6-2-2‬ارزیابی آسیب سازهای بر اساس تغییر تابع پاسخ بسامدی‬
‫تابعهای پاسخ فرکانسی اطالعاتی مستقيم و کاربردی از آزمایش مودال هستند که توسط اعمال تحریک سازه‬
‫و تعيين پاسخ سازه در حوزه فرکانس ایجاد میشوند‪ .‬همانطور که تغييرات پارامترهای فيزیکی و دیناميکی سازه‬
‫مانند جرم‪ ،‬سختی و ميرایی موجب تغيير رفتار دیناميکی سازه و یا دادههای مودال میشوند‪ ،‬تابعهای پاسخ فرکانسی‬
‫نيز به دليل وابستگی زیاد به ویژگیهای ذاتی سازه تغيير خواهند کرد‪ .‬در نتيجه میتوان با بهره بردن از تغييرات‬
‫تابعهای پاسخ فرکانسی به بررسی آسيب سازهای پرداخت‪ .‬در این زمينه هوین و همکاران‪ 2‬در سال ‪ 2115‬با استفاده‬
‫از تغييرات تابعهای پاسخ فرکانسی اندازهگيری شده توسط آزمایش مودال‪ ،‬به تشخيص آسيب در سامانههای‬
‫مختلف دیناميکی پرداختند‪ .‬آنها فرآیند تعيين مکان آسيب را توسط کاهش ماتریس سختی و با فرض ثابت بودن‬

‫‪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 ‫‪Araujo dos Santos et al‬‬

‫‪2‬‬ ‫‪Liu et al‬‬
‫‪3‬‬
‫‪Huang et al‬‬
‫‪25‬‬
‫جامع و کامل فریسول و ماترشيد در سال ‪ 1995‬جستجو کرد (فریسول و ماترشيد‪ . )1995 ،‬همچنين آنها در مروری‬
‫کلی به شرحی از روشهای بهروزرسانی الگوی سازه در شناسایی سيستم و تشخيص آسيب پرداختند (ماترشيد و‬
‫فریسول‪ .)1993 ،‬در زمينه استفاده از مفهوم بهروزرسانی الگوی سازه در تشخيص آسيب میتوان به پژوهش لی و‬
‫ال‪ 1‬که در سال‪ 2111‬انجام شد نام برد‪ .‬این پژوهشگران با تعریف معادلهای غيرخطی بهروزرسانی الگوی سازه و‬
‫حل آن توسط روش تيخونوف توانستند آسيب را در یک خرپای مستوی در شرایط مختلف وجود نویز تشخيص‬
‫دهند (لی و ال‪ .)2111 ،‬همچنين جعفرخانی و مسری‪ 2‬از روش بهروزرسانی الگوی سازه برای تشخيص آسيب در‬
‫پلها بهره بردند‪ .‬آنها از تابعهای بهينهسازی تصادفی استفاده کرده و آسيب را روی یک پل بتنی دو دهانه مورد‬
‫بررسی قرار دادند (جعفرخانی و مسری‪ .)2111 ،‬در پژوهشی دیگر در این زمينه‪ ،‬توقلز‪ 3‬و راك‪ 4‬در سال ‪ 2115‬با‬
‫استفاده از روش بهروزرسانی الگوی سازه و کمينه کردن آن توانستند الگوی نهایی سيستم سازهای را شناسایی کنند‪.‬‬
‫سپس با در نظر گرفتن تغييرات ماتریس سختی به ارزیابی آسيب توسط روش مختلف بهروزرسانی الگوی سازه‬
‫پرداختند (توقلز و راك‪ .)2115 ،‬در پژوهشی دیگر ناصری علوی و مومنزاده روشی نوین با استفاده از به روزرسانی‬
‫مدل برای تشخيص آسيب سازهها معرفی نمودند‪ .‬در روش پيشنهادی آنها‪ ،‬با استفاده از معيار تضمين مدی‬
‫همبستگی ميان دادههای تجربی و عددی مربوط به فرکانسهای طبيعی و شکلهای مدی سازه سنجيده شده و تابع‬
‫هدفی بر این مبنا تعریف میشود‪ .‬سپس مسئلهی تشخيص آسيب به کمک روش بهينهیابی ازدحام ذرات حل شده‬
‫و مکان و شدت آسيب تشخيص داده میشود (ناصری علوی و مومنزاده‪ .)1394 ،‬پژوهش کاوه و همکاران نيز به‬
‫روش شناسایی آسيب بر اساس بهروزرسانی مدل اجزاء محدود پرداخته است‪ .‬در این پژوهش از سه الگوریتم‬
‫فراابتکاری تصادم اجسام‪ ،‬گرگ خاکستری و الگوریتم جدید شبکه عصبی برای بهروزرسانی مدل و تطبيق‬
‫فرکانسها و شکلهای مودی استفاده شده است‪ .‬دو مدل اجزاء محدود‪ ،‬شامل سازه خرپایی و تير برای بررسی‬
‫عملکرد این الگوریتمها مطالعه شدهاند (کاوه و همکاران‪.)1398 ،‬‬
‫راهکار تحليل حساسيت یکی دیگر از روشهای نوین در استفاده از مفاهيم ارتعاشی بهمنظور شناسایی آسيب‬
‫در سازه میباشد‪ .‬بهطور معمول از این تحليل بهعنوان زیرمجموعهای از روش بهروزرسانی الگوی سازه نام برده‬
‫میشود (ماترشيد و همکاران‪ .)2111 ،‬تحليل حساسيت با بررسی نرخ تغييرات پارامترهای مودال نسبت به‬
‫ویژگیهای دیناميکی سازه بهعنوان شاخص آسيب سازهای‪ ،‬فرآیند تشخيص آسيب را مورد بررسی قرار میدهد‪.‬‬
‫در این زمينه ماترشيد و همکاران به بيان روشهای کلی تعيين ماتریسهای حساسيت دادههای مودال و روشهای‬
‫نوین حل مسألههای مربوط به تحليل حساسيت پرداختند‪ .‬سپس روشهای ارائه شده روی پره یک بالگرد را که‬
‫دادههای مودال آن بهوسيله آزمایش تجربی مودال شناسایی شده بود‪ ،‬مورد بررسی قرار دادند (ماترشيد و همکاران‪،‬‬
‫‪ .)2111‬در زمينه تشخيص آسيب سازهای‪ ،‬خشنودیان و اسفندیاری با بهره بردن از مفهوم بهروزرسانی الگوی سازه‬

‫‪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 ،‬‬

‫‪ -5-2‬ارزیابی آسیب سازهای توسط روشهای نوین ارتعاشی‬

‫روشهای جدید تشخيص آسيب سازهای بر اساس مفهوم ارتعاشی شامل روشهایی مانند شبکه عصبی‪،‬‬
‫الگوریتم ژنتيک‪ ،‬منطق فازی و تحليل موجک میباشند‪ .‬این روشها پيشتر در دیگر رشتههای مهندسی مانند برق‪،‬‬
‫کامپيوتر و مکانيک کاربرد گستردهای داشته و امروزه از آنها برای تشخيص آسيب در سازه استفاده میشود‪.‬‬
‫بهعنوان مثال‪ ،‬استفاده از مفهوم تحليل موجک در تشخيص آسيب سازهای را میتوان در پژوهش ساليس و همکاران‬
‫در سال ‪ 2113‬مشاهده نمود‪ .‬این پژوهشگران با استفاده از تغيير شکل مودهای ارتعاشی و تحليل موجک‪ ،‬مکان‬
‫آسيب سازهای را در تيرها مورد بررسی قرار دادند (ساليس و همکاران‪ .)2113 ،‬از دیگر پژوهشهای کاربردی و‬
‫نتيجه بخش در زمينه روشهای نوین تشخيص آسيب سازهای میتوان به پژوهش وو و ونگ اشاره کرد‪ .‬این‬
‫پژوهشگران با انجام آزمایش دیناميکی مودال‪ ،‬آسيب سازهای را بهصورت ترك در تيرهای بتنی بر اساس تغيير‬
‫مکان استاتيکی شناسایی کردند (وو و ونگ‪ .)2111 ،‬همچنين نوبهاری و سيدپور با استفاده از الگوریتم ژنتيک و‬
‫بر اساس مفاهيم همبستگی قادر به پيشنهاد روشی برای تشخيص آسيب سازهای شدند (نوبهاری و سيدپور‪.)2111 ،‬‬
‫در زمينه بهره بردن از الگوریتم ژنتيک برای تشخيص آسيب سازهای میتوان به پژوهش گومز و سيلوا اشاره کرد‪.‬‬
‫آنها عالوه بر این الگوریتم‪ ،‬از حساسيت دادههای مودال بهره برده و مکانیابی و تعيين شدت آسيب را روی دو‬
‫نمونه الگوی نظری شامل یک تير و یک قاب مستوی بررسی نمودند (گومز و سيلوا‪ .)2118 ،‬در زمينه کاربرد‬
‫شبکههای عصبی در تشخيص آسيب سازهای‪ ،‬شو و همکاران‪ 2‬در سال ‪ 2113‬با استفاده از این روش‪ ،‬آسيب سازهای‬
‫را روی پلهای مسير قطار مورد بررسی قرار دادند (شو و همکاران‪ .)2113 ،‬استخراج ویژگیهای حساس به آسيب‬

‫‪1‬‬ ‫‪Zhu et al‬‬

‫‪2‬‬
‫‪Shu et al‬‬
‫‪27‬‬
‫سازهای نيز در واقع به پردازش و تحليل پاسخهای ارتعاشی سازهها مربوط میباشد (امزکوتا سانچز‪ 1‬و عادلی‪،‬‬
‫‪ .)2116‬همچنين در زمينه بهرهگيری از ابزارهای پردازش سيگنال و هوش مصنوعی‪ ،‬بهشتیاول و همکاران ویژگی‪-‬‬
‫های حساس به خسارت را به گونهای تعيين نمودند که بتوان وجود آسيب‪ ،‬محل و شدت آن را تنها با استفاده از‬
‫سيگنالهای پاسخ ارتعاشی ثبت شده در مدت زمان زلزله‪ ،‬با دقت مناسب تعيين کرد (بهشتیاول و همکاران‪.)1397 ،‬‬
‫یکی از پرکاربردترین و مهمترین روشهای استخراج ویژگیهای حساس به آسيب سازهای در حوزه زمان‪ ،‬بهره‬
‫بردن از تحليل سری زمانی است‪ .‬موارد جامعتر در این خصوص در فصل سوم ارائه میشود‪ .‬از این رو‪ ،‬در این‬
‫بخش‪ ،‬تحقيقها و مطالعات انجام شده در این زمينه بيان میشوند‪ .‬یکی از نخستين مطالعات انجام شده در تحليل‬
‫سری زمانی مربوط به فاگيت و همکاران‪ 2‬و همچنين سان و فرار میباشد‪ .‬در این پژوهشها از مدلهای سری زمانی‬
‫خودکاهنده برای الگوسازی پاسخهای شتاب‪-‬زمان سازه بهره برده شده است‪ .‬سرانجام ضرایب و ماندههای این‬
‫مدلها به عنوان ویژگیهای حساس به خسارت استخراج شدند (فاگيت و همکاران‪2111 ،‬؛ سان و فرار‪ .)2111 ،‬از‬
‫سایر تحقيقها و مطالعات انجام شده بر اساس مدلهای سری زمانی خودکاهنده‪ ،‬میتوان به پژوهشهای ژنگ و‬
‫ميتا‪ ،3‬فيگردو و همکاران‪ ،4‬یائو‪ 5‬و پاکزاد‪ ،‬معاونی و همکاران‪ ،‬هول‪ 6‬و امنزتر‪ 7‬اشاره کرد‪ .‬در صورت در دسترس‬
‫بودن دادههای ورودی سازه‪ ،‬میتوان از الگوی کاهنده خودکار با ورودی برونزاد‪ 8‬استفاده کرد‪( .‬ژنگ و ميتا‪،‬‬
‫‪2119‬؛ فيگردو و همکاران‪2111 ،‬؛ فيگوراس و همکاران‪2111 ،‬؛ یائو و پاکزاد ‪2112‬؛ معاونی و همکاران‪2112 ،‬؛‬
‫هول و امنزتر‪ )2116 ،‬از مطالعات جدید و کاربردی برای استخراج ویژگیهای حساس به خسارت‪ ،‬میتوان از گل‬
‫و کاتباس‪ ،‬برنال و همکاران‪ 9‬نام برد‪ .‬در این پژوهشها‪ ،‬ضرایب و باقیماندههای مدل سری زمانی خود کاهنده‬
‫بهعنوان ویژگی حساس به آسيب شناسایی شدند‪( .‬گل و کاتباس‪2111 ،‬؛ برنال و همکاران‪ )2112 ،‬درپژوهشی‬
‫دیگر‪ ،‬سایتو‪ 11‬و بک‪ 11‬با بهره بردن از راهکار بيزی‪ ،12‬الگوی سری زمانی کاهنده خودکار با ورودی برونزاد را‬
‫بهکار گرفتند و مرتبههای آن مدل را تعيين نمودند (سایتو و بک‪ .)2111 ،‬از دیگر مدلهای سری زمانی بهمنظور‬
‫استخراج ویژگیهای حساس به آسيب سازهای‪ ،‬میتوان به الگوی کاهنده خودکار ميانگين متحرك اشاره کرد‪ .‬در‬
‫زمينه تشخيص آسيب سازهای‪ ،‬از پژوهشهای بسيار کاربردی و ارزشمند‪ ،‬میتوان از مقاله نایر و همکاران و نيز‬
‫مقاله کاردن و برونجان نام برد (نایر و همکاران‪2116 ،‬؛ کاردن و برونجان‪ .)2118 ،‬افزون بر اینها‪ ،‬ژنگ و ميتا با‬
‫بهره بردن از مفاهيم فاصلههای آماری ميان الگوهای کاهنده خودکار ميانگين متحرك برازش شده به دادههای‬
‫ارتعاشی در حالتهای آسيب ندیده و آسيب دیده‪ ،‬توانستند به تشخيص آسيب در سازه بپردازند (ژنگ و ميتا‪،‬‬

‫‪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

‫‪1‬‬ ‫)‪Principal Component Analysis (PCA‬‬

‫‪2‬‬ ‫‪Balsamo et al‬‬
‫‪3 Cepstral‬‬
‫‪4 Kitagawa‬‬
‫)‪5Autoregressive Moving Average (ARMA‬‬
‫)‪6 Autoregressive (AR‬‬
‫)‪7 Artificial Neural Network (ANN‬‬
‫)‪8 Autoregressive with eXogenous input (ARX‬‬

‫‪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

‫‪1‬‬ ‫)‪Autoregressive Moving Average with eXogenous input (ARMAX‬‬

‫‪2‬‬ ‫‪Itacora similarity method‬‬
‫‪3‬‬
‫‪Mahalanobis‬‬
‫‪31‬‬
‫خرابی ميانگين بهدست بياید (لوپز و همکاران‪ .)2119 ،‬سان و همکاران با انجام آناليز تشابه چندگانه برای سيگنال‬
‫ارتعاش‪ ،‬شاخص خرابی جدیدی را پيشنهاد دادند‪ .‬آنها از تصاویر حفظ مکان متعامد‪ 1‬برای توليد شبهفضاهای‬
‫چندگانه استفاده کردند و تشابه گراسمن بين شبهفضاها به عنوان شاخص خرابی تعریف شد (سان و همکاران‪،‬‬
‫‪.)2116‬‬
‫یکی از کاربردیترین‪ ،‬دقيقترین و مهمترین روشهای استخراج ویژگیهای حساس به آسيب در حوزه زمان‬
‫استفاده از روشهای آماری با بهره بردن از نوفهزدایی تبدیل موجک است‪ .‬یکی از نخستين پژوهشها در روشهای‬
‫آماری و تحليل سری زمانی متعلق به فاگيت و همکاران و نيز سان و فرار میباشد (فاگيت و همکاران‪2111 ،‬؛ سان‬
‫و فرار‪ .)2111 ،‬در هر دو پژوهش از الگوهای کاهنده خودکار برای الگوسازی پاسخهای شتاب‪-‬زمان استفاده شده‬
‫و در نهایت ضرایب و ماندههای این الگوها بهعنوان ویژگیهای حساس به آسيب استخراج شدند‪ .‬درپژوهشی دیگر‪،‬‬
‫سایتو و بک با استفاده از راهکار بيزی‪ ،2‬الگوی خودکاهنده با ورودی برونزاد و مرتبههای آن را شناسایی کردند‬
‫(سایتو و بک‪ .)2111 ،‬از دیگر الگوهای سری زمانی برای استخراج ویژگیهای حساس به آسيب‪ ،‬الگوی کاهنده‬
‫خودکار ميانگين متحرك میباشد‪ .‬در زمينه پایش سالمت سازه‪ ،‬از پژوهشهای بسيار خوب‪ ،‬میتوان به مقاله نایر‬
‫و همکاران و نيز مقاله کاردن و براونجان اشاره کرد (نایر و همکاران‪2116 ،‬؛ کاردن و براونجان‪ .)2118 ،‬همچنين‬
‫ژنگ و ميتا‪ 3‬با استفاده از محاسبه فاصله آماری ميان الگوهای خودکاهنده ميانگين متحرك برازش شده به دادههای‬
‫ارتعاشی در حالتهای آسيبندیده و آسيبدیده‪ ،‬توانستند به تشخيص آسيب بپردازند (ژنگ و ميتا‪ .)2118 ،‬برای‬
‫دیگر الگوهای سری زمانی مناسب برای تشخيص آسيب میتوان به پژوهشهای آی و ونگ‪ ،‬ساکالریوس و‬
‫فاسویس‪ ،‬ساکاریس و همکاران مراجعه کرد (آی و ونگ‪2114 ،‬؛ ساکالریوس و فاسویس‪2117 ،‬؛ ساکاریس و‬
‫همکاران‪ .)2116 ،‬پس از استخراج ویژگیهای حساس به آسيب‪ ،‬نياز به استفاده از ابزارهای نوین و قابل اطمينان‬
‫آماری میباشد که با استفاده از آنها بتوان به شناسایی آسيب و بررسی سطوح مختلف آسيبهای سازهای پرداخت‪.‬‬
‫بهعبارت دیگر استخراج ویژگی‪ ،‬به تنهایی نمیتواند در تشخيص آسيب اثرگذار باشد‪ .‬در فرآیند تشخيص آسيب‬
‫که بهطور کلی شامل تشخيص اوليه آسيب سازهای‪ ،‬مکانیابی و تعيين شدت آسيب میباشد‪ ،‬باید تغييرات سازهای‬
‫ناشی از آسيب سازهای را در سازه در دو حالت سازه آسيبندیده و آسيبدیده مورد بررسی قرار داد‪ .‬این روند با‬
‫مقایسه ویژگیهای حساس به آسيب در سازه مورد نظر و از حالتهای اشاره شده انجام میپذیرد‪ .‬برای این منظور‬
‫نياز میباشد که از الگوریتم های آماری که توسط یادگيری ماشينی تعریف شوند‪ ،‬بهره برده شود (فرار و وردن‪،‬‬
‫‪ .)2113‬یادگيری ماشينی بهعنوان یکی از حوزههای وسيع و پرکاربرد هوش مصنوعی به بررسی و اکتشاف شيوهها‬
‫و الگوریتمهایی میپردازد که بر اساس آنها سامانهها‪ ،‬توانایی یادگيری پيدا میکنند‪ .‬در این راستا هدف‪ ،‬برقراری‬
‫یک رابطه در دادهها یا ویژگیهای استخراج شده میباشد بهطوری که رابطه مورد نظر‪ ،‬بر اساس این دادهها و‬
‫ویژگیها‪ ،‬آموزش داده شود‪ .‬این رابطه در یادگيری ماشينی میتواند توسط الگوریتمهای یادگيری نظارت شده و‬

‫‪1‬‬ ‫‪orthogonal locality preserving projections‬‬

‫‪2‬‬ ‫‪Bayesian Model‬‬
‫‪3 Mita‬‬

‫‪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 ،‬‬

‫‪ -0-2‬خالصه فصل دوم‬

‫در این فصل مروری کلی بر پژوهشهای انجام شده در ارتباط با تشخيص آسيب سازهای بر اساس پارامترهای‬
‫مودال و روشهای نوین انجام گرفت‪ .‬در این فصل تالش شده است تا در هر دو حوزه تشخيص آسيب سازهای با‬

‫‪1‬‬ ‫‪Santos et al‬‬

‫‪2‬‬ ‫‪Stephen‬‬
‫‪3 Tibaduiza et al‬‬
‫‪4‬‬
‫‪Pimentel et al‬‬
‫‪33‬‬
‫در نظر گرفتن روشهای سنتی و نوین‪ ،‬مرور و معرفی مختصری انجام شود‪ .‬پژوهشهای مورد بررسی ارتباط زیادی‬
‫با موضوع رساله داشته تا مطالعه آنها بتواند نوآوریهای موجود در این رساله را به روشنی نشان دهد‪.‬‬
‫برای نتيجهگيری میتوان اشاره کرد که در روشهای پيشين مربوط به آسيبیابی سازهای‪ ،‬از دادههای مودال و‬
‫دادههای فرکانسی بهره برده میشد‪ .‬استفاده از این دادهها‪ ،‬محدویتها و مشکالتی همچون ناکامل بودن‪ ،‬خطادار‬
‫شدن بهدليل نوفهها‪ ،‬داشتن پيچيدگی برای رابطهسازی و خطای محاسباتی به همراه دارند‪ .‬در گرایش جدید آسيب‪-‬‬
‫یابی سازهای‪ ،‬از دادههای خام حوزه زمان استفاده میشود‪ .‬برتری این راهکار به شرح زیر است‪:‬‬
‫‪ -‬عدم نياز به انتقال دادهها به حوزه فرکانس برای تعيين پاسخهای ارتعاشی‪.‬‬
‫‪ -‬کاهش هزینه انجام آزمایش بهدليل آنکه دیگر نيازی به دستگاههای تحليلگر برای انتقال دادهها نيست‪.‬‬
‫‪ -‬داشتن ویژگیهای منحصربهفرد به آسيب (ضرایب و ماندههای الگوی سری زمانی)‪.‬‬
‫‪ -‬قابليت استفاده در تمام سازهها بدون محدودیت ناکامل بودن‪.‬‬
‫‪ -‬کاربردی بودن برای تمام پروژههای پایش سالمت بهدليل راحتی و نداشتن پيچيدگیهای خاص‪.‬‬
‫الزم بهذکر است‪ ،‬استخراج ویژگیهای حساس به آسيب سازهای‪ ،‬مهمترین گام در 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.‬‬

‫‪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

‫ممکن است به توجيه اجتناب از جابهجایی کمک‬

‫کند‬

‫‪37‬‬
 ‫جدول (‪ ) -3‬تشخيص آسيب سازه در سطحهای مختلف طبقه بندی شده (برخی استانداردها و معيارهای پيشنهادی)‬
‫(کربهاری و انصاری‪)2119 ،‬‬

‫سطح چهار‬ ‫سطح سه‬ ‫سطح دو‬ ‫سطح یک‬

‫فرکانس طبيعی‪ ،‬شاخص اطمينان‬

‫بهروز رسانی تئوری بيزی و سایر‬
‫روشهای سطح چهار‬
‫نرمی‪ ،‬انحناء و شاخص قابليت‬ ‫جابهجایی‪ ،‬شتاب‪ ،‬کرنش‪،‬‬
‫مدال‪ ،‬الگوهای آماری نظير روش‬
‫اطمينان و سایر روشهای سطح‬ ‫چرخش‪ ،‬خوردگی و سایر‬
‫های فاصله آماری (مانند ‪)MSD‬‬
‫سه‬ ‫اندازهگيریهای سطح یک‬
‫پارامترها مدل سری زمانی خود‬
‫کاهنده و سایر روشهای سطح دو‬

‫سطح جابهجایی در وسط دهانه‬

‫شتاب در وسط دهانه‬

‫کرنش بال پایينی در سر محور‬

‫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

‫‪1‬‬ ‫‪Joint Photographic Experts Group‬‬

‫‪2‬‬ ‫‪Block maxima‬‬
‫‪3 Susoy et al‬‬
‫‪4 Extreme value theory‬‬
‫‪5 Messervey‬‬
‫‪6 Frangopol‬‬
‫‪7 Gumbel‬‬
‫‪8‬‬
‫‪Frechet‬‬
‫‪39‬‬
‫اندازهگيریهای کرنش مورد استفاده بهعنوان نقاط داده‪ ،‬بهصورت مستقل و یکسان توزیع شدهاند‪ .‬از آنجاییکه‬
‫یک وسيله نقليه در حال حرکت در سرعت ‪ 41‬مایل بر ساعت در کمتر از زمان دو ثانيه از یک پل متوسط با دهانه‬
‫‪ 111‬فوت میگذرد‪ ،‬این فرض میتواند قابل قبول باشد‪ .‬در پلهای دارای دهانه بزرگ که عبور از آنها ممکن‬
‫است بيشتر از زمان یک دقيقه باشد‪ ،‬بایستی بلوكهای زمانی طوالنیتر گرفته شوند تا این فرض برقرار شود‪.‬‬

‫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
‫‪   ‬‬ ‫‪  ‬‬
‫‪‬‬ ‫‪‬‬

‫‪1‬‬ ‫‪Pareto distribution‬‬

‫‪41‬‬
‫که در آن ‪ ξ‬پارامتر شکل‪ σ ،‬پارامتر مقياس و ‪ u‬پارامتر آستانه است‪ .‬در توزیع اشاره شده‪ ،‬مقادیر کرنش از شبيه‬
‫سازی با استفاده از مقدار آستانه فيلتر میشود و کرنشهای بيشينه یا یک الگوریتم تشخيص مقدار اوج‪ ،‬قابل بازیابی‬
‫هستند‪ .‬نمودار ستونی مقادیر کرنش بيشينه رسم میشود و به یک توزیع پارتو تعميمیافته‪ ،‬بهصورت شکل (‪)3-3‬‬
‫برازش داده میشود‪.‬‬

‫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 ،‬‬

‫آماری‪0‬‬ ‫‪ -5-5‬شناخت الگوی‬

‫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.‬‬

‫‪1‬‬ ‫‪Statistical pattern recognition‬‬

‫‪42‬‬
 ‫شکل (‪ )-3‬فرآیند شناخت الگوی آماری (وب‪)1999 ،1‬‬

‫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.‬‬

‫‪ -0-5‬استخراج و انتخاب ویژگی‬

‫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.‬‬

‫‪ ‬چنانچه دادههای مربوط به هر دو‬

‫‪ ‬چنانچه فقط دادههای مربوط به وضعيت‬
‫وضعيت آسيبدیده و آسيبندیده‬
‫آسيبندیده موجود باشند‬
‫موجود باشند‬

‫یادگیری با نظارت‬ ‫یادگیری بدون نظارت‬

‫‪ ‬تحليل رگرسيون‬ ‫‪ ‬خوشه بندی‬

‫شکل (‪ )-3‬یادگيری نظارتشده و نظارتنشده در فرآیند تشخيص آسيب سازهای‬

‫‪ -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

‫‪1‬‬ ‫‪Regression analysis‬‬

‫‪2‬‬ ‫‪Classificaion‬‬
‫‪3 Outlier detection‬‬

‫‪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

‫‪ d(x,c)   (xi  ci )2‬‬

‫‪i 1‬‬
‫(‪)5-3‬‬

‫‪ -‬مجموع فاصله دادهها و مرکز خوشه مورد نظر برای تمامی خوشهها محاسبه میشود‪.‬‬
‫‪k‬‬

‫‪ d(x,c), r  1, 2,..., k‬‬

‫‪r 1‬‬
‫(‪)6-3‬‬

‫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 (‪ )-3‬شکل کلی عملکرد روش خوشهبندی مبتنی بر چگالی‬

‫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

‫‪1‬‬ ‫‪Border point‬‬

‫‪2‬‬
‫‪Noise‬‬
‫‪47‬‬
‫تشخيص معيارهایی که به تفکيک حالتهای مختلف سازه آسيبدیده از سازه سالم کمک میکند و همچنين‬
‫فشردهسازی دادهها ‪ )4‬توسعه مدل آماری از قبيل مدلهایی که با تحليل کردن ویژگیهای شناسایی شده اطالعاتی‬
‫را درباره وضعيت آسيب سازه بهدست میدهند‪ .‬شناخت الگوی آماری را میتوان با بهکارگيری معيارهای زیادی‬
‫از قبيل آنچه در شکل (‪ )8-3‬نشان داده شده است برای تشخيص آسيب سازه در سطح دو‪ ،‬بهکار گرفت‪ .‬الزم‬
‫بهذکر است که ممکن است تعدادی شاخص برای تشخيص آسيب سازه در سطح اشاره شده در دسترس باشد‪.‬‬
‫برخی نمونهها از قبيل فرکانس طبيعی‪ ،‬شاخص اطمينان مودال و فاصله مهاالنوبيس مربوط به پارامترهای الگوی‬
‫سری زمانی خود کاهنده در شکل ‪ 8-3‬نشان داده میشوند (سان و همکاران‪.)2111 ،‬‬

‫فرکانس طبیعی‬

‫شاخص اطمینان مودال‬

‫فاصله ‪ MSD‬برای پارامترها‬

‫مدل سری زمانی خود کاهنده‬

‫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

‫‪1‬‬ ‫‪Neural networks‬‬

‫‪2‬‬ ‫‪Kao‬‬
‫‪3 Hung‬‬
‫‪4 Principle component analysis‬‬
‫‪5 Giraldo‬‬
‫‪6 Dyke‬‬
‫‪7 Principle component analysis‬‬
‫‪8 Sharma‬‬
‫‪9 Principle component scores‬‬

‫‪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.‬‬

‫‪ -5-5‬شبکههای عصبی چند الیه‬

‫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.‬‬

‫‪ -1-5‬تاریخچه و ساختار شبکههای عصبی مصنوعی‬

‫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

‫‪1‬‬ ‫)‪Autoregressive with eXogenous input (ARX‬‬

‫‪2‬‬ ‫)‪Autoregressive Moving Average with eXogenous input (ARMAX‬‬
‫)‪3 Autoregressive (AR‬‬
‫)‪4 Autoregressive Moving Average (ARMA‬‬
‫)‪5 Autoregressive Integrated Moving Average (ARIMA‬‬
‫‪6 Hypothesis Tests‬‬
‫‪7 Null Hypothesis‬‬
‫‪8 Alternative Hypothesis‬‬
‫‪9 p-value‬‬

‫‪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

‫‪1‬‬ ‫‪Moving Average‬‬

‫‪2‬‬ ‫‪AutoCorrelation Function‬‬
‫‪3 Partial AutoCorrelation Function‬‬
‫‪4‬‬
‫‪Overfitting‬‬
‫‪55‬‬
‫میباشند‪ .‬بهطور کلی با برازش مطلوب یک مدل سری زمانی میتوان اطالعات دیناميکی و فيزیکی مناسبی از‬
‫دادههای ارتعاشی حوزه زمان استخراج کرد (فيگردو و فيگوراس‪ .)2111 ،‬یکی از شاخصهای بسيار با اهميت در‬
‫انتخاب مرتبههای الگوهای سری زمانی‪ ،‬استخراج ماندههای مستقل‪ 1‬میباشد (باکس و همکاران‪2118 ،‬؛ فاسوس و‬
‫ساکالریو‪2117 ،‬؛ هيندمن‪ 2‬و اتاناسوپولس‪2114 ،3‬؛ کيتاگاوا ‪.)2111‬‬
‫از دیدگاه آماری‪ ،‬مرتبهای برای الگوی سری زمانی قابل قبول میباشد که مدل مورد نظر با بهره بردن از آن‬
‫مرتبه‪ ،‬توانایی استخراج ماندههای مستقل را دارا باشد‪ .‬در غير اینصورت‪ ،‬مرتبه مدل انتخابی باید بهبود داده شود‬
‫(باکس و همکاران‪2118 ،‬؛ هيندمن و اتاناسوپولس‪ .)2114 ،‬بهاین منظور با بررسی وابستگی ماندهها توسط تابعهای‬
‫خودهمبستگی‪ ،‬میتوان به وضعيت استقالل یا وابستگی ماندهها پی برد‪ .‬در تحليل سری زمانی راهکارهای متنوعی‬
‫برای تعيين مرتبههای الگوهای سری زمانی وجود دارد‪ .‬یکی از سادهترین راهکارها‪ ،‬پيدا کردن تأخير زمانی نزدیک‬
‫به صفر در تابعهای خودهمبستگی و خودهمبستگی جزئی میباشد‪ .‬همانطور که اشاره شد‪ ،‬ساختار تابع‬
‫خودهمبستگی جزئی‪ ،‬میتواند الگوی خودکاهنده را شناسایی کند‪ .‬از اینرو تأخيری در این تابع که برابر یا نزدیک‬
‫با صفر باشد‪ ،‬تعيينکننده مرتبه الگوی خودکاهنده میباشد‪ .‬در مقابل ساختار تابع خودهمبستگی معيار شناسایی‬
‫الگوی ميانگين متحرك میباشد‪ .‬در نتيجه تأخيری در این تابع که برابر یا نزدیک به صفر باشد‪ ،‬تعيينکننده مرتبه‬
‫الگوی ميانگين متحرك میباشد‪ .‬دیگر راهکار متداول برای انتخاب و محاسبه مرتبههای مناسب مدلهای سری‬
‫زمانی‪ ،‬استفاده از شاخص و معيار اطالعات‪ 4‬میباشد‪ .‬در این راستا شاخص اطالعات آکائيکه‪ 5‬و شاخص اطالعات‬
‫بيزی‪ 6‬از روشهای بسيار پرکاربرد در آمار میباشند‪ .‬برای انتخاب مرتبههای مناسب برای مدلهای سری زمانی‪،‬‬
‫تعداد مشخصی مرتبه‪ ،‬برای مثال از یک تا عددی مشخص مانند ‪ ،111‬به الگوی شناسایی شده نسبت داده میشود‬
‫و مقادیر ‪ AIC‬و ‪ BIC‬محاسبه میگردد‪ .‬الزم به ذکر است که مرتبهای که دارای کمترین شاخصهای اطالعات‬
‫باشد به عنوان مرتبه مناسب برای الگوی سری زمانی انتخاب میشود (باکس و همکاران‪2118 ،‬؛ هيندمن و‬
‫اتاناسوپولس‪.)2114 ،‬‬

‫‪ -00-5‬خالصه و نتیجهگیری فصل سوم‬

‫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

‫‪1‬‬ ‫‪Uncorrelated Residuals‬‬

‫‪2‬‬ ‫‪Hyndman‬‬
‫‪3 Athanasopoulos‬‬
‫‪4 Information Criterion‬‬
‫)‪5 Akaike Information Criterion (AIC‬‬
‫)‪6 Bayesian Information Criterion (BIC‬‬

‫‪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.‬‬

‫‪ -2-0‬تحلیل سریهای زمانی دادههای ارتعاشی در حوزه زمان‬

‫در الگوسازی سریهای زمانی‪ ،‬دادههای ارتعاشی یا همان پاسخهای سازه در حوزه زمان برازش میشوند‪ .‬این‬
‫برازش با انتخاب یک الگوی سری زمانی مانند یک معادله ریاضی بر روی دادهها انجام میشود‪ .‬برای اینگونه‬

‫‪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  a1q1  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  d1q1  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

‫‪1 Moving Average‬‬

‫‪59‬‬
‫در صورت مقایسه دو الگوی خودکاهنده و الگوی ‪ ،ARMA‬میتوان دریافت که الگوی ‪ ARMA‬بهدليل‬
‫انجام فرآیند ميانگينگيری متحرك و تعریف چندجملهای برای باقیماندهها از دقت بهتری نسبت به الگوی‬
‫خودکاهنده برخوردار است‪ .‬الزم بهذکر است که انتخاب الگوی مناسب‪ ،‬به ساختار و ماهيت دادههای ارتعاشی یا‬
‫پاسخهای سازه در حوزه زمان بستگی دارد‪ .‬اگر نوع بررسی دادههای ارتعاشی بر اساس دادههای ورودی و خروجی‬
‫باشد‪ ،‬میتوان از الگوی ‪ ARX‬بهره برد‪ .‬رابطه سازی این مدل بهصورت زیر است‪.‬‬
‫‪A q  y  t   B( q )u( t )  e t ‬‬ ‫(‪)8-4‬‬
‫در رابطه (‪ B(q) ،)8-4‬چندجملهای مربوط به دادههای ورودی می باشد‪ .‬الزم بهذکر است که این چند جملهای‬
‫دارای مرتبه ‪ nb‬بوده و به صورت زیر نوشته میشود‪.‬‬
‫‪B  q   1  b1q1  b2 q2 ‬‬ ‫‪ bnb q nb‬‬ ‫(‪)9-4‬‬
‫با بهره بردن از رابطه (‪ )9-4‬و جایگذاری آن در رابطه (‪ )8-4‬میتوان با رابطه (‪ )11-4‬دست یافت‪.‬‬
‫‪na‬‬ ‫‪nb‬‬
‫‪y  t    ai y  t  i    b j y  t  j   e  t ‬‬ ‫(‪)11-4‬‬
‫‪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

‫‪1‬‬ ‫)‪Random Decrement (RD‬‬

‫‪2‬‬
‫‪Asmussen et al‬‬
‫‪61‬‬
 ‫‪ -5-0‬روش مبتنی بر دادههای ارتعاشی برای استخراج ویژگی حساس به آسیب سازهای‬
‫روشهای مبتنی بر دادههای ارتعاشی برای استخراج ویژگی بر اساس الگوسازی سریهای زمانی‪ ،‬بر انتخاب‬
‫مرتبهها و یا مشخصات آماری مدل سری زمانی استوار میباشد (دابلينگ و همکاران‪ .)1998 ،‬همانطور که پيشتر‬
‫هم اشاره شد‪ ،‬ویژگیهای استخراج شده‪ ،‬بایستی نسبت به آسيب سازهای حساسيت داشته باشند و در مقابل نسبت‬
‫به تغييرات شرایط محيطی و عملياتی‪ ،‬حساسيت نداشته باشند‪ .‬توجه به این نکته ضروری است که اگر ویژگیهای‬
‫استخراج شده نسبت به آسيب سازهای وابسته نباشند‪ ،‬قابل توجه است که حتی توانمندترین روشهای آماری هم‬
‫نمیتوانند نتيجههای تشخيص آسيب قابل اعتمادی را بهدست آورند‪ .‬بنابراین یک الگوی سری زمانی نادرست و‬
‫نادقيق‪ ،‬ممکن است به ویژگیهای غيرحساس به آسيب و سپس نتيجههای نادرست منجر شود‪ .‬از اینرو انتخاب‬
‫الگوهای سری زمانی دقيق و درست بهمنظور استخراج ویژگیهای حساس به آسيب سازهای‪ ،‬از اهميت ویژهای‬
‫برخوردار است‪ .‬بر اساس پژوهشهای انجام شده در زمينه استخراج ویژگی حساس به آسيب سازهای‪ ،‬پارامترهای‬
‫الگویهای سری زمانی میتوانند بهعنوان ویژگیهای حساس به آسيب سازهای استخراج و مورد استفاده قرار گيرند‪.‬‬
‫گفتنی است که مبنای استفاده از این مشخصههای آماری‪ ،‬بهعنوان ویژگیهای حساس به آسيب‪ ،‬بر الگوریتم‬
‫فراگيری نظارت نشده استوار است‪ .‬به منظور نيل به این هدف ابتدا بر اساس دادههای ارتعاشی حوزه زمان در‬
‫وضعيت آسيب ندیده و یا وضعيت معلوم سازه‪ ،‬فرآیند ارزیابی مناسبترین الگوی سری زمانی‪ ،‬انتخاب مرتبههای‬
‫الگوی شناسایی شده و تخمين پارامترهای الگو انجام میشوند‪ .‬الزم بهذکر است شرط استخراج ماندههای مستقل‬
‫بایستی بهمنظور مدلسازی صحيح الگوی سری زمانی وارسی گردد‪ .‬در این وضعيت مشخصههای استخراج شده‬
‫در وضعيت آسيب ندیده سازه را میتوان بهعنوان دادههای آموزشی انتخاب شوند‪ .‬در ادامه با توجه به اندازهگيری‬
‫دادههای ارتعاشی سازه پس از مرحله آموزش‪ ،‬از الگوی شناسایی شده و مرتبههای آن در مرحله آموزش (وضعيت‬
‫معلوم) برای تخمين پارامترها استفاده میشوند‪ .‬گفتنی است که وضعيت نامعلوم سازه میتواند وضعيت آسيبندیده‬
‫یا وضعيت آسيبدیده باشد (فرار و همکاران‪2111 ،‬؛ فيگردو و فيگوراس‪2111 ،‬؛ فيگردو و همکاران‪2119 ،‬؛ گل‬
‫و نکاتی کاتباس‪2119 ،‬؛ سان و همکاران‪2111 ،‬؛ ژنگ و ميتا‪2119 ،‬؛ معاونی و همکاران‪.)2112 ،‬‬
‫در چنين شرایطی مشخصههای استخراج شده در این وضعيت‪ ،‬دادههای آزمایش میباشند‪ .‬اگر در وضعيت‬
‫نامعلوم یا مرحله آزمایش‪ ،‬سازه آسيب ندیده باشد و یا بهعبارتی دیگر وضعيت سازه در این وضعيت مشابه وضعيت‬
‫معلوم یا مرحله آموزش باشد‪ ،‬پارامترهای بهدست آمده از الگوی سری زمانی در دو مرحله برابر میباشند‪ .‬در غير‬
‫اینصورت‪ ،‬تفاوتی در پارامترهای بهدست آمده از دو وضعيت مشاهده میشود‪ .‬یکی از خصوصيات ویژه در‬
‫استخراج پارامترهای الگوی سری زمانی بهعنوان ویژگیهای حساس این است که از الگوی در نظر گرفته شده و‬
‫مرتبههای آن در وضعيت آموزش یا وضعيت معلوم سازه‪ ،‬برای تخمين پارامترهای الگوی سری زمانی در وضعيت‬
‫آزمایش یا نامعلوم سازه‪ ،‬بهره برده میشود‪ .‬شکل (‪ )2-4‬الگوریتم کلی استخراج پارامترها الگوی سری زمانی به‬
‫صورت نظارت نشده را نمایش میدهد‪.‬‬

‫‪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.‬‬

‫‪ -0-0‬تشخیص محل آسیب سازهای با استفاده از روشهای پیشنهادی‬

‫برای ارزیابی آسيب سازهای با بهره بردن از پاسخ سازه‪ ،‬میتوان از فرایند یادگيری نظارت شده و یا نظارت‬
‫نشده بهره برد‪ .‬روشهای یادگيری نظارت نشده‪ ،‬توانایی آموزش یک الگوی آماری را بدون داشتن دادههای‬
‫وضعيت آسيب دیده دارا میباشد‪ .‬به بيان دیگر این فرایند آموزش‪ ،‬توسط دادههایی صورت میپذیرد که در حقيقت‬
‫از ویژگیهای استخراج شده از وضعيت آسيب ندیده تشکيل شدهاند‪ .‬از اینرو اینگونه روشها‪ ،‬از دادههای آزمون‬
‫استفاده کرده با این هدف که انحراف و یا عدم مشابهت و یا عدم انحراف یا مشابهت را در دادهها مورد بررسی‬
‫قرار دهند (پيمنتل و همکاران‪2114 ،‬؛ چندوال و همکاران‪.)2119 ،4‬‬
‫یادگيری نظارتشده در دو مرحله آموزش و آزمایش صورت میپذیرد‪ .‬در فاز نخست‪ ،‬هدف استفاده از‬
‫دادههای آزمایش و آموزش برای مدلسازی صحيح یک الگوی آماری است‪ .‬در فاز دوم‪ ،‬از دادههای آزمایش‬
‫بهمنظور بررسی تشخيص آسيب سازهای‪ ،‬استفاده میشود و چنانچه سازه دچار آسيب شده باشد‪ ،‬آنگاه میتوان با‬

‫‪1‬‬ ‫‪Forward Backward‬‬

‫‪2‬‬ ‫‪Least Squares‬‬
‫‪3 Yule-Walker‬‬
‫‪4‬‬
‫‪Chandola et al‬‬
‫‪67‬‬
‫استفاده از الگوی آموزش داده شده در فاز آموزش‪ ،‬انحراف بهوجود آمده از دادههای آزمایش را بهعنوان آسيب‬
‫تفسير کرد‪ .‬با این وجود‪ ،‬بهدليل شباهت اثرات آسيب با شرایط محيطی و بهرهبرداری موجود در سازههای واقعی‪،‬‬
‫هرگونه انحراف از وضع موجود‪ ،‬بهمعنای وجود آسيب در سازه نخواهد بود‪ .‬در واقع این موضوع بسيار مهم همان‬
‫تأثير فریبنده شرایط محيطی و بهرهبرداری میباشد که نتایج الگوریتمهای ارزیابی آسيب سازهای مبتنی بر دادههای‬
‫ارتعاشی را با خطا مواجه میکنند‪.‬‬
‫بهطور کلی روشهای فاصله آماری شباهت و تفاوت بين دو توزیع احتماالتی پيوسته یا گسسته را بررسی و‬
‫اندازهگيری میکنند (بهاتاچایا‪ .)1943 ،1‬روش فاصله آماری بهصورت گستردهای در پردازش سيگنال‪ ،‬پردازش‬
‫تصویر و تشخيص الگوی آماری کاربرد دارند (کایالس‪1967 ،2‬؛ پاترا و همکاران‪ .)2115 ،3‬بهصورت دقيقتر‪ ،‬در‬
‫آمار و احتماالت یک روش فاصله‪ ،‬شباهت یا عدم تشابه ميان دو متغير را تعيين و محاسبه میکند‪ .‬این دو متغير‬
‫میتوانند بهصورت دو بردار‪ ،‬دو ماتریس و یا توزیعهای احتماالتی باشند‪ .‬محاسبه فاصلهی آماری همچنين میتواند‬
‫بر اساس مقادیر عددی ميان متغيرها یا وابستگی ميان آنها در نظر گرفته شود‪ .‬بر این اساس تعداد بيشماری روش‬
‫‪4‬‬
‫فاصله آماری وجود دارند که در تصميمگيری آماری و فرایند یادگيری نظارت شده میتوان از آنها بهره برد (دزا‬
‫و دزا‪ .)2119 ،‬فاصلههای آماری بهصورت کلی به دو گروه فاصله یگانه و چندگانه تقسيمبندی میشوند‪ .‬الزم‬
‫بهذکر است که فاصلههای آماری یگانه‪ ،‬اختالف ميان دو بردار را اندازهگيری میکنند و در مقابل‪ ،‬روشهای فاصله‬
‫آماری چندگانه‪ ،‬تفاوت ميان دو ماتریس را محاسبه میکنند‪.‬‬
‫‪3‬‬
‫روش فاصله یک متغیره کولبک‪-‬لیبلر‬
‫همانطور که اشاره شد‪ ،‬یکی از روشهای کاربردی در گام مهم تصميمگيری آماری بهمنظور ارزیابی آسيب‬
‫سازهای‪ ،‬استفاده از روشهای فاصله آماری میباشد‪ .‬این روشها بر اساس محاسبه تفاوت و یا عدم شباهت دو بردار‬
‫و کميت‪ ،‬استوار میباشند‪ .‬یکی از روشهای شناخته شده در این حوزه تحقيقاتی‪ ،‬روش فاصله کولبک‪-‬ليبلر یا به‬
‫طور مختصر ‪ KLD‬است که این روش برای نخستين بار توسط کولبک و ليبلر در سال ‪ 1951‬پيشنهاد شد (کولبک‬
‫و ليبلر‪ .)1951 ،‬در این روش هدف اصلی‪ ،‬محاسبه فاصله ميان در توزیع احتماالتی است‪ .‬فرض کنيد ‪ X‬و ‪ ،Y‬دو‬
‫توزیع احتماالتی گسسته بهصورت برداری با تعداد ‪ n‬متغير باشند‪ .‬دراین راستا رابطه سنتی معرفی شده ‪ KLD‬به‪-‬‬
‫صورت زیر برپا میشود‪.‬‬
‫‪n‬‬
‫‪X i ‬‬
‫‪D KL  X || Y    X  i  ln‬‬ ‫(‪)13-4‬‬
‫‪i 1‬‬ ‫‪Y i ‬‬
‫الزم بهذکر است که برای توزیع احتمالی پيوسته‪ ،‬میتوان رابطه (‪ )13-4‬را بهصورت زیر بازنویسی نمود‪.‬‬

‫‪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  Σ1  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.‬‬

‫‪ -3-0‬طبقهبندهای پیشنهادی برای آسیب سازهای‬

‫با وجود قابليتهای شاخصهای موجود در زمينه قابليت اعتماد سازهها با بهره بردن از مفاهيم یادگيری ماشينی‬
‫با هدف ارزیابی و تخمين ميزان گسيختگی در سازهها‪ ،‬این روشها در فرایند تشخيص آسيب سازهای و بهصورت‬
‫روش دقيقتر در ارزیابی و تشخيص آسيب اوليه سازهای‪ ،‬مکانیابی و تعيين شدت آسيب در سازه و همچنين‬
‫پيشبينی عمر باقیمانده اعضای سازهای‪ ،‬در بسياری از موارد قابل اجرا نيستند‪ .‬بنابراین بهمنظور کاربردی کردن این‬
‫مفاهيم در حوزهی تشخيص آسيب سازهای در این رساله‪ ،‬دو نوع طبقهبند آسيب با مفاهيم یادگيری نظارت شده‬
‫در سازهها و همچنين با بهره بردن از باقیماندههای مستقل پاسخهای شتاب سازه پيشنهاد میشوند‪ .‬برای توضيح‬
‫بيشتر در این خصوص الزم بهذکر است که طبقهبندهای یادگيری نظارتشده به ضرایب و باقیماندههای مدل سری‬
‫زمانی خودکاهنده انتخابی بر اساس روش استخراج ویژگی پيشنهادی استوار هستند‪ .‬این طبقهبندها بهدليل نياز به‬
‫این ویژگیها از وضعيتهای آسيبندیده و آسيبدیده سازه برای ایجاد یک مدل تصميمگيری برای مکانیابی و‬

‫‪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.‬‬

‫‪1‬‬ ‫‪Coefficient Relative error Index‬‬

‫‪2‬‬ ‫‪Coefficient Square Relative error Index‬‬
‫‪71‬‬
‫شاخص خطای نسبی باقیمانده‪ )RRI( 1‬یکی از طبقهبندهای مبتنی بر مانده الگوی سری زمانی انتخابی میباشد‬
‫که بر اساس محاسبه خطای نسبی ميان باقیماندههای الگوی خودکاهنده استخراج شده از روش استخراج ویژگی‬
‫پيشنهادی در شرایط آسيبندیده و آسيبدیده سازه استوار هستند‪ .‬رابطهسازی این طبقهبند با رابطه ‪ CRI‬مشابه‬
‫است با این تفاوت که در این رابطه از باقیماندههای الگوهای خودکاهنده به جای ضرایب مدل بهره برده شده‬
‫است‪ .‬رابطهسازی ‪ RRI‬بهصورت زیر نوشته میشود‪:‬‬
‫‪rˆ j  r j‬‬ ‫(‪)18-4‬‬
‫‪RRI j ‬‬ ‫‪2‬‬
‫‪,‬‬
‫‪rj‬‬
‫‪2‬‬

‫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.‬‬

‫‪ -6-0‬خالصه و نتیجهگیری فصل چهارم‬

‫در فصل چهارم رساله‪ ،‬روشهای تشخيص آسيب در سازه و ارزیابی شرایط کلی سازه و همچنين مکانیابی و‬
‫تعيين شدت آسيب‪ ،‬مورد بررسی قرار گرفتند‪ .‬بهمنظور ارزیابی آسيب سازهای‪ ،‬چهار روش ‪RRI ،CSRI ،CRI‬‬
‫و ‪ RSRI‬پيشنهاد شدند‪ .‬روش بهبودیافته استخراج ویژگی حساس به آسيب‪ ،‬بر اساس الگوسازی سری زمانی‬
‫خودکاهنده تعریف شد و هدف آن استخراج باقیماندههای مستقل از الگوی سری زمانی خودکاهنده بود‪ .‬برای‬
‫فرآیند مکانیابی و تعيين شدت آسيب در سازه‪ ،‬از روشهای پيشنهادی اشاره شده بهمنظور ارزیابی شرایط کلی‬

‫‪1‬‬ ‫‪Residual Relative error Index‬‬

‫‪2‬‬
‫‪Residual Square Relative error Index‬‬
‫‪71‬‬
‫سازه و با استفاده از ضرایب مدل سری زمانی بهينه خودکاهنده استفاده شد‪ .‬سپس برای وارسی و بررسی درستی‬
‫روشهای پيشنهادی و بهبودهای انجام شده‪ ،‬از مدل آزمایشگاهی شناخته شده معيار بهره برده خواهد شد‪.‬‬

‫‪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.‬‬

‫‪ -2-3‬صحت سنجی روشهای پیشنهادی با بهره بردن از یک قاب آزمایشگاهی‬

‫سازه قاب آزمایشگاهی مورد مطالعه بهصورت یک قاب برشی سه طبقه در مقياس آزمایشگاهی ساخته شده‬
‫است (فيگردو و همکاران‪ .)2119 ،‬شکل (‪ )1-5‬نمایی کامل از این سازه را به نمایش میگذارد‪ .‬ستونها و کف هر‬
‫طبقه از جنس آلومينيوم میباشند‪ .‬هر طبقه این سازه از چهار ستون به ابعاد ‪ 6*25*1771‬ميلیمتر تشکيل شده است‬

‫‪1‬‬ ‫)‪Los Alamos National Laboratory (LANL‬‬

‫‪2‬‬
‫)‪American Society of Civil Engineers (ASCE‬‬
‫‪73‬‬
‫که بهوسيله بولتهایی به کف آلومينيومی به ابعاد ‪ 25*315*315‬ميلیمتر اتصال دارند‪ .‬در طبقه سوم این سازه یک‬
‫ستون معلق به ابعاد ‪ 25*25*151‬ميلیمتر از کف طبقه سوم آویزان شده است که میتواند با تغيير شکاف موجود‬
‫در آن‪ ،‬آسيبهای غيرخطی و یا ترك را به شکل قابل قبولی شبيهسازی کند‪ .‬پایه قاب آزمایشگاهی در مسيری‬
‫ریلی شکل و در جهت ‪ x‬قرار دارد که سبب جابهجاییها تنها در این راستا میشود‪.‬‬

‫شکل (‪ ) -5‬قاب سه طبقه آزمایشگاهی(فيگردو و همکاران‪)2119 ،‬‬

‫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.‬‬

‫جدول (‪ ) -5‬وضعيتهای مختلف طبقهبندی آسيب در قاب آزمایشگاهی‬

‫نوع آسیب‬ ‫وضعیت سازه‬ ‫نام آسیب‬
‫سازه در شرایط بدون آسيب‬ ‫‪HS‬‬
‫افزایش جرم در طبقه ‪i‬ام‬ ‫سازه در شرایط آسيب نوع ‪1‬‬ ‫‪DS1‬‬
‫آسيب در یک ستون واقع در طبقه ‪i‬ام‬ ‫سازه در شرایط آسيب نوع ‪2‬‬ ‫‪DS2‬‬
‫آسيب در دو ستون واقع در طبقه ‪i‬ام‬ ‫سازه در شرایط آسيب نوع ‪3‬‬ ‫‪DS3‬‬
‫شکاف در ستون معلق‬ ‫سازه در شرایط آسيب نوع ‪4‬‬ ‫‪DS4‬‬
‫شکاف در ستون معلق و افزایش جرم در طبقه ‪i‬ام‬ ‫سازه در شرایط آسيب نوع ‪5‬‬ ‫‪DS5‬‬

‫‪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

‫شکل (‪ )3-5‬سيگنالهای ورودی و خروجی در وضعيت هفت سازه سه طبقه آزمایشگاهی‬

‫‪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

‫‪1‬‬ ‫‪Gade et al‬‬

‫‪2‬‬ ‫‪Kim et al‬‬
‫‪3 Cunha et al‬‬
‫‪4 De Silva‬‬
‫‪5 Brincker et al‬‬
‫‪6 Cauberghe‬‬
‫‪7 Statistical Pattern Recognition‬‬

‫‪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.‬‬

‫‪1‬‬ ‫‪Autoregressive Exogenous Moving Average‬‬

‫‪2‬‬ ‫‪Damage-Sensitive Feature‬‬
‫‪3 Garcia‬‬
‫‪4 Trendafilova‬‬
‫‪5 Cury et al‬‬
‫‪6 Crémona‬‬
‫‪7‬‬
‫‪Huang et al‬‬
‫‪81‬‬
‫شکل (‪ )4 -5‬تابع پاسخ فرکانسی در وضعيت آسيبندیده سازه سه طبقه آزمایشگاهی‬

‫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

‫شکل (‪ )7 -5‬تابع پاسخ فرکانسی وضعيت شماره ‪ 17‬سازه 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 (‪ )8-5‬مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و سه در سازه سه طبقه آزمایشگاهی‬

‫شکل (‪ )9-5‬مقایسه تابعهای پاسخ فرکانسی در وضعيتهای یک و هفت در سازه سه طبقه آزمایشگاهی‬

‫‪1‬‬ ‫)‪Single Input-Multiple Output (SIMO‬‬

‫‪2‬‬ ‫)‪Single Input-Single Output (SISO‬‬
‫‪3 Allemang‬‬

‫‪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.‬‬

‫‪1‬‬ ‫‪Frequency Domain Data‬‬

‫‪2‬‬
‫‪Amplitude‬‬
‫‪85‬‬
‫شکل (‪ )11-5‬پاسخ حوزه فرکانس در وضعيت یک برای سازه سه طبقه آزمایشگاهی‬

‫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

‫شکل (‪ )14-5‬پاسخ حوزه فرکانس در وضعيت ‪ 17‬برای 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

‫‪1‬‬ ‫‪Sampaio et al‬‬

‫‪2‬‬ ‫‪Limongelli‬‬
‫‪3 Owolabi et al‬‬
‫‪4 Frequency Response Function‬‬
‫‪5‬‬
‫‪Radzieński et al‬‬
‫‪89‬‬
‫روشهای ارتعاشی به روشهای مبتنی بر مودال‪ 1‬معروف هستند‪ .‬الزم بهذکر است که با اینکه هر یک از این دو‬
‫راهکار‪ ،‬توانایی انجام فرایندهای شناسایی آسيب را دارند‪ ،‬اما روشهای مبتنی بر دادههای مودال از نظر ساختاری‬
‫راحتتر و قابل اجراتر هستند‪ .‬همانطور که پيشتر به آن اشاره شد‪ ،‬هر یک از دو وضعيت دارای رابطههای پيچيده‬
‫و فرآیندهای طوالنی و زمانبر هستند‪ .‬در بيشتر موارد ابهامها و کاستیهایی همچون ناکامل بودن دادههای مودال‪،‬‬
‫نویزها‪ ،‬تأثير شرایط محيطی و کاربردی نبودن در سازههای بزرگ عمرانی‪ ،‬عواملی مهم و تأثيرگذار در استفاده از‬
‫این روشها برای شناسایی آسيب بهشمار میآیند‪ .‬از اینرو در چند سال اخير استفاده از روشهای آماری و استفاده‬
‫مستقيم از دادههای خام ارتعاشی حوزه زمان‪ ،‬مورد توجه بسياری از پژوهشگران در زمينه ارتعاشات و تشخيص‬
‫آسيب سازهای قرار گرفته است‪.‬‬
‫‪ -5-2-3‬شناسایی بهترین الگوی سری زمانی‬

‫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

‫همانطور که در شکل (‪ )18-5‬میتوان مشاهده کرد‪ ،‬نمودارهای تابعهای خودهمبستگی در هر دو وضعيت‬

‫مختلف سازه شکلی نمایی دارند‪ ،‬در حالی که نمودارهای تابعهای خودهمبستگی جزئی‪ ،‬بهطور تقریبی در تأخير‬
‫‪ ،31‬برابر با صفر میشوند‪ .‬این مشاهدهها تأیيدکننده این مسأله هستند که مناسبترین الگوها برای پاسخهای سری‬
‫زمانی‪ ،‬الگوی خودکاهنده میباشد‪ .‬الزم بهذکر است که چنين نتایجی برای دیگر حسگرها در وضعيتهای دیگر‬
‫نيز برقرار میباشد‪ .‬برای تأیيد بيشتر درستی شناسایی الگوی خودکاهنده بهعنوان مناسبترین الگوی سری زمانی‪،‬‬
‫از آزمون فرضيه ليبرن مککيب‪ 1‬استفاده میشود‪ .‬بر اساس این آزمون که نتایج آن در جدول (‪ )3-5‬گزارش شده‬
‫است‪ ،‬در صورتی که مقدار ‪ p-value‬بزرگتر از ‪ 1/15‬بوده و فرضيه ‪ H0‬برقرار باشد‪ ،‬دادههای سری زمانی بر اساس‬
‫الگوی خودکاهنده هستند‪.‬‬

‫جدول (‪ ) -5‬نتایج آزمون آماری ليبرن مککيب در حسگر شماره پنج برای شناسایی الگوی خودکاهنده‬
‫وضعيتها‬
‫شاخصهای فرضيه‬ ‫آزمون‬
‫‪14‬‬ ‫‪1‬‬

‫‪H0‬‬ ‫‪H0‬‬ ‫‪H‬‬

‫ليبرن مککيب‬
‫‪1/1‬‬ ‫‪1/1‬‬ ‫‪p-value‬‬

‫‪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.‬‬

‫جدول (‪ - )4-5‬بيشترین و بهينهترین مرتبه الگوی خودکاهنده در وضعيت سالم سازه‬

‫شماره حسگرها‬
‫شاخص‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬

‫‪58‬‬ ‫‪46‬‬ ‫‪54‬‬ ‫‪61‬‬ ‫مرتبههای بيشينه‬

‫‪1/1913‬‬ ‫‪1/1722‬‬ ‫‪1/3163‬‬ ‫‪1/5337‬‬ ‫‪p-value‬‬

‫‪24‬‬ ‫‪17‬‬ ‫‪22‬‬ ‫‪26‬‬ ‫مرتبههای بهينه‬

‫‪3/8119‬‬ ‫‪2/1188‬‬ ‫‪3/1129‬‬ ‫‪2/6871‬‬ ‫ضریب ‪DW‬‬

‫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

‫‪ -3-2-3‬تعیین ویژگی بر اساس پارامترها و باقیماندههای الگوی سری زمانی‬

‫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

‫‪11‬‬ ‫‪1.1519‬‬ ‫‪1.2456‬‬ ‫‪141002‬‬ ‫‪1.3737‬‬

‫‪11‬‬ ‫‪1.1945‬‬ ‫‪1.1295‬‬ ‫‪141132‬‬ ‫‪1.6622‬‬

‫‪12‬‬ ‫‪1.1283‬‬ ‫‪1.1615‬‬ ‫‪141151‬‬ ‫‪1.8364‬‬

‫‪13‬‬ ‫‪1.1111‬‬ ‫‪1.1526‬‬ ‫‪141520‬‬ ‫‪1.9739‬‬

‫‪14‬‬ ‫‪1.1624‬‬ ‫‪1.3941‬‬ ‫‪141501‬‬ ‫‪1.9143‬‬

‫‪15‬‬ ‫‪1.1862‬‬ ‫‪1.1672‬‬ ‫‪146510‬‬ ‫‪1.2933‬‬

‫‪16‬‬ ‫‪1.1537‬‬ ‫‪1.2162‬‬ ‫‪141135‬‬ ‫‪1.3676‬‬

‫‪17‬‬ ‫‪1.1387‬‬ ‫‪1.2112‬‬ ‫‪141511‬‬ ‫‪1.8883‬‬

‫جدول (‪ )6 -5‬مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش ‪CSRI‬‬

‫شماره حسگر‬
‫وضعيت سازه‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪9‬‬ ‫‪1.1652‬‬ ‫‪1.1761‬‬ ‫‪1.1714‬‬ ‫‪1.1717‬‬

‫‪11‬‬ ‫‪1.1227‬‬ ‫‪1.1613‬‬ ‫‪143351‬‬ ‫‪1.1396‬‬

‫‪11‬‬ ‫‪1.1189‬‬ ‫‪1.1167‬‬ ‫‪145013‬‬ ‫‪1.4386‬‬

‫‪12‬‬ ‫‪1.1118‬‬ ‫‪1.1261‬‬ ‫‪141050‬‬ ‫‪1.6997‬‬

‫‪13‬‬ ‫‪1.1111‬‬ ‫‪1.1233‬‬ ‫‪141665‬‬ ‫‪1.9485‬‬

‫‪14‬‬ ‫‪1.1138‬‬ ‫‪1.1531‬‬ ‫‪141651‬‬ ‫‪1.8359‬‬

‫‪15‬‬ ‫‪1.1174‬‬ ‫‪1.1279‬‬ ‫‪140123‬‬ ‫‪1.1861‬‬

‫‪16‬‬ ‫‪1.1236‬‬ ‫‪1.1425‬‬ ‫‪146550‬‬ ‫‪1.1352‬‬

‫‪17‬‬ ‫‪1.1115‬‬ ‫‪1.1411‬‬ ‫‪141150‬‬ ‫‪1.7891‬‬

‫‪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

‫‪11‬‬ ‫‪3.1112‬‬ ‫‪3.5166‬‬ ‫‪341510‬‬ ‫‪3.5311‬‬

‫‪11‬‬ ‫‪3.1839‬‬ ‫‪3.6135‬‬ ‫‪2243212‬‬ ‫‪6.7348‬‬

‫‪12‬‬ ‫‪3.1754‬‬ ‫‪3.4167‬‬ ‫‪5045351‬‬ ‫‪9.1122‬‬

‫‪13‬‬ ‫‪3.1568‬‬ ‫‪3.6118‬‬ ‫‪3341511‬‬ ‫‪15.4195‬‬

‫‪14‬‬ ‫‪3.3161‬‬ ‫‪3.7114‬‬ ‫‪5540003‬‬ ‫‪22.9435‬‬

‫‪15‬‬ ‫‪2.6182‬‬ ‫‪3.1737‬‬ ‫‪040153‬‬ ‫‪3.2527‬‬

‫‪16‬‬ ‫‪2.9885‬‬ ‫‪2.9421‬‬ ‫‪641561‬‬ ‫‪3.3858‬‬

‫‪17‬‬ ‫‪3.1579‬‬ ‫‪3.2915‬‬ ‫‪0143203‬‬ ‫‪11.6834‬‬

‫جدول (‪ )8 -5‬مکانیابی آسيب در قاب آزمایشگاهی با بهره بردن از روش ‪RSRI‬‬

‫شماره حسگر‬
‫وضعيت سازه‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬

‫‪9‬‬ ‫‪11.1415‬‬ ‫‪11.7651‬‬ ‫‪11.1151‬‬ ‫‪12.3262‬‬

‫‪11‬‬ ‫‪11.1618‬‬ ‫‪12.3669‬‬ ‫‪5341626‬‬ ‫‪12.4617‬‬

‫‪11‬‬ ‫‪9.5117‬‬ ‫‪12.2141‬‬ ‫‪31140105‬‬ ‫‪45.3579‬‬

‫‪12‬‬ ‫‪9.4585‬‬ ‫‪11.8144‬‬ ‫‪010041511‬‬ ‫‪83.1337‬‬

‫‪13‬‬ ‫‪9.9432‬‬ ‫‪12.8611‬‬ ‫‪501641055‬‬ ‫‪237.4556‬‬

‫‪14‬‬ ‫‪11.9967‬‬ ‫‪27.6831‬‬ ‫‪610243010‬‬ ‫‪526.4128‬‬

‫‪15‬‬ ‫‪6.8551‬‬ ‫‪9.4476‬‬ ‫‪2141023‬‬ ‫‪11.5813‬‬

‫‪16‬‬ ‫‪8.9314‬‬ ‫‪8.6554‬‬ ‫‪5141055‬‬ ‫‪11.4637‬‬

‫‪17‬‬ ‫‪9.3511‬‬ ‫‪11.8342‬‬ ‫‪060041162‬‬ ‫‪136.5127‬‬

‫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

‫‪CSRI‬‬ ‫‪1.1198‬‬ ‫‪1.1114‬‬ ‫‪145510‬‬ ‫‪1.7143‬‬

‫‪14‬‬
‫‪RRI‬‬ ‫‪3.9717‬‬ ‫‪3.6667‬‬ ‫‪5641511‬‬ ‫‪21.1147‬‬
‫‪CSRI‬‬ ‫*‪1.2236‬‬ ‫*‪1.4425‬‬ ‫‪143112‬‬ ‫‪1.1914‬‬
‫‪16‬‬
‫‪RRI‬‬ ‫*‪2.4961‬‬ ‫*‪3.6777‬‬ ‫‪341131‬‬ ‫‪2.1616‬‬

‫‪CSRI‬‬ ‫‪1.1815‬‬ ‫‪1.2411‬‬ ‫‪145325‬‬ ‫‪1.7139‬‬

‫‪17‬‬
‫‪RRI‬‬ ‫‪2.6917‬‬ ‫‪3.1117‬‬ ‫‪5140113‬‬ ‫‪11.9338‬‬
‫‪The symbol “*” stands for an error in damage localization‬‬

‫جدول (‪ )11 -5‬مکانیابی آسيب در قاب آزمایشگاهی بر اساس معيار فيشر و پارامترهای مدل انتخابی‬
‫شماره حسگر‬
‫وضعيت سازه‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬

‫‪9‬‬ ‫‪1.3116‬‬ ‫‪4.7425‬‬ ‫*‪1.9248‬‬ ‫*‪5141150‬‬

‫‪11‬‬ ‫‪8.1256‬‬ ‫‪5.1436‬‬ ‫*‪1.1371‬‬ ‫*‪6143053‬‬
‫‪11‬‬ ‫‪1.6475‬‬ ‫‪8.7735‬‬ ‫*‪251.1172‬‬ ‫‪51540501‬‬
‫‪12‬‬ ‫‪1.1889‬‬ ‫‪3.7112‬‬ ‫*‪173.1719‬‬ ‫‪35543351‬‬
‫‪13‬‬ ‫‪1.1819‬‬ ‫‪3.1111‬‬ ‫*‪411.4916‬‬ ‫‪012040112‬‬
‫‪14‬‬ ‫‪1.8241‬‬ ‫*‪354.2711‬‬ ‫*‪1157.1471‬‬ ‫‪103046013‬‬
‫‪15‬‬ ‫*‪041660‬‬ ‫‪1.5712‬‬ ‫*‪1.2634‬‬ ‫‪1.5517‬‬

‫‪16‬‬ ‫‪1.9138‬‬ ‫*‪242215‬‬ ‫*‪1.6752‬‬ ‫‪1.2481‬‬

‫‪17‬‬ ‫‪1.1864‬‬ ‫‪5.5864‬‬ ‫*‪259.9258‬‬ ‫‪15143016‬‬

‫‪The symbol “*” stands for an error in damage localization‬‬

‫‪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

‫‪9‬‬ ‫‪145263‬‬ ‫‪1.2796‬‬ ‫‪145561‬‬ ‫‪1.1954‬‬

‫‪11‬‬ ‫‪1.2369‬‬ ‫*‪142566‬‬ ‫*‪1.2854‬‬ ‫‪1.2568‬‬

‫‪11‬‬ ‫‪1.2362‬‬ ‫‪1.2674‬‬ ‫‪145055‬‬ ‫‪1.2811‬‬

‫‪12‬‬ ‫‪1.2373‬‬ ‫‪1.2723‬‬ ‫‪145300‬‬ ‫‪1.2968‬‬

‫‪13‬‬ ‫‪1.2436‬‬ ‫‪1.2785‬‬ ‫‪140511‬‬ ‫‪1.3765‬‬

‫‪14‬‬ ‫‪1.2583‬‬ ‫‪1.3192‬‬ ‫‪140106‬‬ ‫‪1.4288‬‬

‫‪15‬‬ ‫‪1.2171‬‬ ‫‪1.2371‬‬ ‫‪142312‬‬ ‫‪1.2429‬‬

‫‪16‬‬ ‫‪1.2334‬‬ ‫*‪142615‬‬ ‫*‪1.2529‬‬ ‫‪1.2478‬‬

‫‪17‬‬ ‫‪1.2376‬‬ ‫‪1.2462‬‬ ‫‪145100‬‬ ‫‪1.3243‬‬

‫‪The symbol “*” stands for an error in damage localization‬‬

‫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.‬‬

‫‪1‬‬ ‫‪British Columbia‬‬

‫‪116‬‬
 ‫شکل (‪ )27-5‬حسگرگذاری در سازه فوالدی ‪ASCE‬‬

‫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.‬‬

‫جدول (‪ )12-5‬وضعيتهای آسيب در سازه چهار طبقه ‪ASCE‬‬

‫ویژگی‬ ‫وضعيت سازه‬ ‫نوع آسيب‬
‫وجود بادبند در تمام طبقات و دهانهها‬ ‫‪1‬‬
‫حذف تمام بادبندها در دهانه شرقی در تمام طبقات‬ ‫‪2‬‬
‫حذف تمام بادبندهای در دهانه جنوب شرقی در تمام طبقات‬ ‫‪3‬‬ ‫‪1‬‬
‫حذف بادبندهای دهانه جنوب شرقی در طبقات اول و چهارم‬ ‫‪4‬‬
‫حذف بادبندهای دهانه جنوب شرقی در طبقه اول‬ ‫‪5‬‬

‫‪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

‫‪1‬‬ ‫)‪Central Processing Unit (CPU‬‬

‫‪2‬‬ ‫)‪GigaHertz (GHz‬‬
‫)‪3 GigaByte (GB‬‬
‫‪4‬‬
‫)‪Random Access Memory (RAM‬‬
‫‪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

‫‪ -2-5-3‬مکانیابی و تعیین شدت خسارت‬

‫با بهره بردن از ضرایب و باقیماندههای مدل سری زمانی خودکاهنده در وضعيتهای بدون آسيب (حالت یک)‬
‫و آسيبدیده (حالتهای دو تا پنج)‪ ،‬به مکانیابی آسيب پرداخته میشود‪ .‬نمودارهای (‪ )31-5‬تا (‪ ،)33-5‬نتایج‬
‫مکانیابی آسيب را توسط طبقهبندهای پيشنهادی به ترتيب ‪ RRI ،CSRI ،CRI‬و ‪ RSRI‬نشان میدهند‪ .‬این‬
‫طبقهبندها از روشهای یادگيری نظارتشده میباشند‪ .‬از آنجایی که ضلع شرقی سازه فوالدی ‪ ASCE‬بهعنوان‬
‫منطقه آسيبدیده شبيهسازی شده است‪ ،‬انتظار میرود طبقهبندیکنندههای اشاره شده بتوانند مکانهای حسگرهای‬
‫‪ 15 ، 12 ، 9 ، 6‬را در حالتهای شماره دو و سه‪ ،‬حسگرهای ‪ 6‬و ‪ 15‬در حالت شماره چهار و حسگر شش در حالت‬
‫شماره پنج بهعنوان مناطق آسيبدیده سازه فوالدی ‪ ASCE‬شناسایی شوند‪.‬‬

‫‪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.‬‬

‫‪ -5-6‬پیشنهادات برای طرحهای پژوهشی آینده‬

‫برای تحقيقات آینده در ادامه این رساله‪ ،‬پيشنهادهایی به شرح ذیل ارائه میگردد‪:‬‬
‫‪ ‬بهبود روشهای پيشنهادی استخراج ویژگی با استفاده از روشهای نوین پردازش سيگنال‬
‫‪ ‬مکانیابی و تعيين شدت آسيب با روشهای شبکههای عصبی عميق‬
‫‪ ‬بهره بردن از تحليل حساسيت در فرآیند ارزیابی آسيب غيرخطی سازه‬
‫‪ ‬بهبود رابطهسازیهای پيشنهادی با استفاده از روشهای آماری و علوم کامپيوتر‬

‫‪121‬‬
 ‫واژه نامه‬

Structure Assessment ‫ارزیابی سازه‬

Generalised Cross Validation (GCV) ‫اعتبارسنجی متقابل تعميم یافته‬
Experimental Modal Testing ‫آزمایش تجربی مودال‬
Ill-Conditioned ‫بد وضع‬
Vibration-Based ‫بر اساس مفاهيم ارتعاشی‬
Correlation-Based ‫بر اساس مفاهيم همبستگی‬
Eigenvector ‫بردار ویژه‬
Richardson’s extrapolation ‫برونیابی ریچاردسون‬
Natural Frequency ‫بسامد طبيعی‬
Structural Health Monitoring ‫پایش سالمت سازه‬
Signal Processing ‫پردازش سيگنال‬
Frequency Response Function ‫تابع پاسخ بسامدی‬
Impulse Response Function ‫تابع پاسخ ضربه‬
Single Value Decomposition (SVD) ‫تجزیه مقدار منفرد‬
Stastical Analysis ‫تجزیه و تحليل آماری‬
Sensitivity Analysis ‫تحليل حساسيت‬
Wavelet Analysis ‫تحليل موجک‬
Structural Damage Detection ‫تشخيص آسيب سازهای‬
Damage Quantification ‫تعيين شدت آسيب‬
Induced Damage ‫آسيب تحميل شده‬
Actual Damage ‫آسيب واقعی‬
Modal Parameters ‫دادههای مودال‬
Iterative Model Updating Method ‫روش بهروزرسانی تکراری الگوی سازه‬
Direct Model Updating Method ‫روش بهروزرسانی مستقيم الگوی سازه‬
Finite Difference Method ‫روش تفاضل محدود‬
Indirect Modal Identification Method ‫روش غير مستقيم شناسایی مودال‬
Least Square Method ‫روش کمترین مربعات‬
Taylor Series ‫سری تيلور‬
Multiple Modal Assurance Criterion ‫شاخص اطمينان مکان آسيب چندگانه‬
Modal Assurance Criterion ‫شاخص اطمينان مودال‬

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

Structural Damage Detection and Localization by Wavelet

Transform and Statistical Methods

A thesis
submitted in partial fulfillment of the requirements
for the degree of Ph.D. in Structural Engineering

By

Masoud Haghani Chegeni

Evaluated and approved by the thesis committee, on September 2021

1- Mohammad Kazem Sharbatdar Prof (Supervisor 1)

2- Reza Mahjoub Assist. Prof (Advisor 1)

3- Mehdi Raftari Assist. Prof (Advisor 2)

4- (Examiner)

5- (Examiner)

137
 Islamic Azad university
Khorramabad Branch
Faculty of Engineering

A thesis submitted in partial fulfillment of the requirements

for the degree of Ph.D. in Structural 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