ارزیابی آسیب مبتنی بر ارتعاش در تغییرات محیطی توسط یادگیری محلی بدون نظارت
پذیرفته شده برای ارائه شفاهی ، صفحه 1-8 (8) XML اصل مقاله (2.43 MB)
نویسندگان
1دانشجو دکتری، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
2استادیار پژوهشی پژوهشگاه استاندارد، پژوهشکده فناوری و مهندسی، گروه پژوهشی ساختمانی و معدنی، کرج، ایران
چکیده
پایش سلامت سازه‌های عمرانی با اندازه‌گیری مداوم داده‌های ارتعاش یکی از تکنیک‌های موثر و قابل اعتماد برای اطمینان از ایمنی سازه و قابلیت سرویس است. تغییرات محیطی و روش شناسی ارزیابی خسارت دو چالش مهم هستند که به دلیل بروز خطاهای جدی نقش مهمی در دستیابی به نتایج برجسته ایفا می کنند. این تحقیق قصد دارد یک روش جدید مبتنی بر ارتعاش را تحت ایده یادگیری محلی بدون نظارت برای پرداختن به چالش‌ها پیشنهاد کند. روش پیشنهادی شامل دو مرحله خوشه بندی داده ها و ارزیابی خسارت است. در مرحله اول، یک الگوریتم خوشه‌بندی جدید به نام خوشه‌بندی پیک چگالی گراف مبتنی بر غیرمستقیم محلی (LUG-DPC) برای تقسیم ویژگی‌های دینامیک به خوشه‌های از پیش تعیین‌شده و ارائه اطلاعات محلی ارائه می‌شود. مرحله دوم از چنین اطلاعات محلی برای تخمین بردارهای میانگین محلی و ماتریس های کوواریانس محلی استفاده می کند که عناصر اصلی آشکارساز ناهنجاری را بر اساس فاصله Mahalanobis می سازد. مشارکت‌های اصلی این مقاله شامل توسعه یک روش نوآورانه به کمک یادگیری ماشین و معرفی LUG-DPC برای ارزیابی آسیب است. نتایج نشان می‌دهد که روش پیشنهادی می‌تواند اثرات محیطی را کاهش داده و نتایج منطقیی را با خطاهای غیر قابل ملاحظه در مقایسه با برخی از تکنیک‌های شناخته شده به دست آورد.
کلیدواژه ها
 
Title
Vibration-based Damage Assessment in Environ-ment Changes by Locally Unsupervised Learning
Authors
Mohammadreza Mahmoudkelayeh, Behzad Saeedi Razavi
Abstract
Health monitoring of civil structures by continuous measurements of vibration data is one of the effective and reliable techniques for ensuring structural safety and serviceability. Envi-ronment changes and the methodology for damage assessment are two important challenges that play critical roles in achieving outstanding results due to the emergence of serious errors. This research intends to propose a new vibration-based method under the idea of locally un-supervised learning for addressing the challenges. The proposed method consists of two steps of data clustering and damage assessment. In the first step, a new clustering algorithm called locally undirected-based graph density peak clustering (LUG-DPC) is presented to split dy-namic features into pre-determined clusters and supply local information. The second step utilizes such local information to estimate local mean vectors and local covariance matrices that make the main elements of the anomaly detector based on the Mahalanobis distance. The major contributions of this paper contain developing an innovative machine learning-aided method and introducing the LUG-DPC for damage assessment Long-term continuous natural frequencies of a full-scale concrete bridge are used to verify the proposed method with some comparisons. Result indicates the proposed method can alleviate the environment effects and obtain reasonable results with inconsiderable errors compared to some well-known tech-niques
Keywords
Structural health monitoring, environment variability, unsupervised learning, Clustering