تشخیص آسیب در قاب فولادی با استفاده از شبکه عصبی غیر احتمالاتی و در نظرگرفتن عدم قطعیت ها

امروزه یکی از موضوعات مهم در تحقیقات سازهای، موضوع پایش سلامت سازه است که مسائلی هم چون تشخیص آسیب و ایمنی سازه را تحت الشعاع قرار می دهد. اخیرا مدل های شبکه ی عصبی مصنوعی به طور گسترده ای برای مدل سازی روابط پیچیده غیرخطی استفاده گردیده است. از آنجا که انواع شبکه عصبی در ایجاد رابطه ی غیرخطی بین پارامترهای ارتعاش (فرکانس و شکل مودی) با پارامترهای آسیب، عملکرد موفقی داشتند؛ در این مطالعه از یک شبکه عصبی پرسپترون به منظور شبیه سازی آسیب در یک قاب فولادی استفاده شده است. با این حال به دلایلی هم چون خطای کالیبراسیون و اندازه گیری داده ها، نتایج و پارامترهای مدل با نوعی عدم قطعیت همراه است. در این مطالعه به منظور در نظر گرفتن عدم قطعیت ها در مدل تشخیص آسیب از یک شبکه عصبی غیر احتمالاتی استفاده می شود. داده های ورودی، فرکانس طبیعی و شکل مودی و خروجی آن مدول یانگ است که در نقش پارامتر سختی المان (esp) عمل می کند. برای ساخت یک مدل غیر احتمالاتی باید در داده های ورودی، نویز در نظر گرفته شود. به منظور ایجاد داده های نویزی از روش تحلیل فاصله استفاده می شود. در این روش یک باند بالا و پایین برای esp به دست می آید و به این ترتیب شبکه عصبی برای پیش بینی باند بالا و پایینِ esp با در نظر گرفتن عدم قطعیت ها در داده های ورودی اجرا می شود. ارزیابی روش مذکور با معیارهای احتمال وجود آسیب (pode)، فاکتور کاهش سختی (srf) انجام می شود. نتایج نشان می دهد که روش پیشنهادی در تشخیص آسیب سازه با داده های نویزی عملکرد موفقی دارد. هم چنین استفاده از نویز در داده ها در مقایسه با شبکه عصبی احتمالاتی باعث بالا رفتن دقت مدل سازی می شود.