مهندسی عمران مدرس، جلد ۲۱، شماره ۶، صفحات ۱۳۹-۱۴۱
عنوان فارسی ارزیابی آزمایشگاهی سلامت پل معلق براساس فتوگرامتری برد کوتاه هوشمند
چکیده فارسی مقاله در دهه‌های اخیر علم پایش‌سلامت‌سازه نقش اساسی در پیش­گیری از خرابی و افزایش طول ‌عمر سازه‌ها ایفا کرده است. استفاده ‌از ابزار‌هایی برای انجام رفتارسنجی مطلوبست که دقت کافی را همراه با هزینه‌ی کم تحقق بخشند. برای پردازش داده­های بدست آمده از رفتارسنجی به روش‌هایی نیاز است که قادر باشند سطوح مختلف آسیب را از اطلاعات موجود شناسایی و به‌درستی عیب‌یابی کنند. رفتارسنجی اپتیکی و عملیات فتوگرامتری بردکوتاه بدلیل هزینه کم و دقت مناسب، اخیراً مورد توجه قرار گرفته اند در این مقاله تلاش شده است تا کاربرد روش مذکور در ترکیب با روش تحلیل استقرایی (با ابزارهای مقایسه و یادگیری ماشین) برای رفتارسنجی و عیب­یابی ماکت آزمایشگاهی سازه­ی یک پل معلق که دارای رفتار نسبتاً پیچیده­ای است مورد ارزیابی قرار گیرد. به این منظور، سازه­ی پل مورد نظر تحت سه تراز بارگذاری استاتیکی در سه حالت سالم و آسیب‌ دیده در عرشه و کابل­ها مورد رفتارسنجی قرار گرفت. آسیب­ها کاملاً آگاهانه در مدل آزمایشگاهی ایجاد شدند و از اطلاعات حاصل، پایگاه‌داده‌ای از رفتار پل در حالات گوناگون ایجاد شد. به‌منظور امکان سنجی استفاده از روش­های مختلف در پردازش داده­ها و عیب­یابی، ابتدا داده‌های موجود در پایگاه، در روش­ خطی ساده (مقایسه مستقیم) و آموزش در الگوریتم­های روش­های یادگیری‌ماشین، مورد استفاده قرار گرفتند. پس از آن، مجدداً آسیب­های آگاهانه­ای در سازه­ی آزمایشگاهی  ایجاد شد تا امکان آزمون کارآیی و دقت روش­های مختلف فراهم شود. در انتها، دقت، صحت و پایداری روش­های پردازش داده ماشین ‌بردار‌پشتیبان و شبکه‌عصبی‌مصنوعی با یکدیگر مقایسه‌ شدند. نتایج نشان داد که با توجیه به باندل اجسمنت رفتارسنجی دو بعدی اپتیکی فتوگرامتری بردکوتاه، می­توان به دقت تضمین ‌شده‌ی  mm0021/0 ‌ دست یافت.‌‌‌‌‌‌‌‌‌ در سطح نخست پردازش داده­ها یعنی تشخیص وجود آسیب یا عدم‌ وجود آن موفقیت شبکه‌های عصبی بطور کامل و با دقت 100% همراه بود و در سطح دوم یعنی تشخیص منطقه‌ی آسیب دیده، شبکه‌عصبی با تابع انتقال تانژانت‌هایپربولیک 93% موفقیت داشت و ماشین‌ بردارپشتیبان با موفقیت 68% همراه ‌بود.
کلیدواژه‌های فارسی مقاله پایش‌سلامت‌سازه‌ای،پل معلق،فتوگرامتری برد کوتاه هوشمند،تشخیص خرابی،یادگیری ‌ماشین،ماشین‌ بردار پشتیبان،شبکه‌ی ‌عصبی ‌مصنوعی.
عنوان انگلیسی Laboratory evaluation of suspension bridge health based on intelligent close-range photogrammetry
چکیده انگلیسی مقاله In recent decades, the science of structural health monitoring has played a key role in preventing damage and extending the life of structures. To conduct behavioral assessment, it is desirable to use tools that achieve sufficient accuracy with low cost. The processing of behavioral data requires methods that are able to identify and correctly troubleshoot different levels of damage from existing information. Nowadays, sensors are used to measure the behavior of structures including deformations and displacements and even deflections, but these sensors have some weak points. For example, Risk of damage to the sensor, pointwise and one-dimensional measuring, their data is difficult to analyze and using multiple or high-tech sensors becomes expensive.   Optical behavior measurement and close-range photogrammetric operations have recently received attention due to their low cost and good accuracy. This method has some advantages like Indirect contact with objects, high-speed image capture, easy access to convenient digital cameras, low viewing costs, and the ability to process composite and instant data with easy operation. In addition, the high flexibility of this method in measuring accuracy and design capability to achieve predetermined accuracy is an important feature of this tool. Analytical methods are based on rules or equations that provide a clear definition of the problem. These methods work well in the cases which the rules are accurately clear and defined but there are many practical cases for which the rules are not known or it is very difficult to discover that calculations cannot be performed using analytical methods. Neural network is a generalizable model, which is based on the experience of a set of training data and therefore free of explicit law. Neural networks have the ability to collect, store, analyze, and process large amounts of data from numerical analyzes or experiments. Therefore, they have the ability to predict and build diagnostic models to solve various engineering problems and tasks In this paper, an attempt has been made to use this method to measure and troubleshoot laboratory model of a scaled suspension bridge that has a relatively complex behavior. For this purpose, the structure was subjected to uniform static loading in three step levels with three states: healthy and damaged in the deck and cables. Damages were created quite intentionally in the laboratory model, and from the information obtained, a database of bridge behavior in various situations was created. In order to assess the feasibility of using different methods in data processing and troubleshooting, first the data in the database were used in a simple linear method (direct comparison) and training in algorithms of machine learning methods. After that, deliberate damage was done again in the laboratory structure to allow testing the efficiency and accuracy of different methods. Finally, the accuracy, precision, and stability of the data processing methods of the support vector machine and artificial neural network were compared. The results showed that by object bundle justification of two-dimensional optical behaver measurement with close-range photogrammetry, a guaranteed accuracy of 0.0021 mm could be achieved. Using intensity image processing seems helpful to ease the calculation. Using high number of nodes in hidden layer makes it more difficult and time-consuming to train the neural network. In the first level of processing, the detection of the presence or absence of damage was associated with the complete superiority of neural networks with 100% accuracy and in the second level, the detection of the affected area, depending on the type of processing, the neural network with hyperbolic tangent transfer function archived 93% accuracy and the support vector machine archived 68% of the accuracy.
کلیدواژه‌های انگلیسی مقاله Structural Health Monitoring,Suspension Bridge,Intelligent Close Range Photogrammetry,Machine Learning,Support Vector Machine,Artificial Neural Network.
نویسندگان مقاله ارسلان گرانمایه | Arsalan Granmayeh
Kharazmi University
دانشگاه خوارزمی

پیمان همامی | PEYMAN HOMAMI
Kharazmi University
دانشگاه خوارزمی

سید حسین حسینی لواسانی | Seyed Hossein Hosseini Lavassani
Kharazmi University
دانشگاه خوارزمی

نشانی اینترنتی http://mcej.modares.ac.ir/browse.php?a_code=A-10-10978-1&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی اصیل (کامل)
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات