روشي نوين مبتني بر شبكه عصبي بدون بازرس عميق جهت شناسايي آسيب هاي كلي و موضعي سازه هاي عمراني

A novel unsupervised deep neural network based method for damage detection in civil structures

سازه هاي مهندسي عمران به دليل قرار گرفتن در معرض شرايط جوي و بارگذاري هاي مختلف در طول عمر خود ممكن است دچار آسيب هاي گوناگون شوند به همين دليل پايش سلامت سازه همواره جز مسائل مورد توجه مهندسين عمران بوده است. در اين مقاله يك روش نوين جهت شناسايي آسيب هاي موضعي و كلي سازه هاي عمراني با استفاده از شبكه عصبي بدون بازرس عميق ارائه مي شود. در اين روش ابتدا سازه بدون آسيب تحت اثر بارهاي محيطي قرار مي گيرد. پاسخ هاي سازه تحت اثر بارهاي محيطي به قطعات كوچكتري تقسيم بندي مي شوند و با استفاده از تبديل فوريه گسسته به حوزه فركانس منتقل مي شوند. يك شبكه عصبي بدون بازرس عميق كه از چند لايه ماشين بولتزمن مجزا تشكيل شده است با استفاده از پاسخ هاي سازه بدون آسيب آموزش داده مي شود. شبكه عصبي بدون بازرس عميق پس از آموزش قادر به شناسايي ويژگي هاي معنادار موجود در پاسخ هاي سازه است. در مرحله بعد سازه در وضعيت نامشخص از نظر سلامت مورد بررسي قرار مي گيرد. پاسخ هاي سازه در وضعيت مجهول در برابر بارهاي محيطي جمع آوري شده و با استفاده از شبكه عصبي كه قبلا آموزش ديده، ويژگي هاي موجود در داده هاي جديد استخراج مي شوند. اين عمل مي تواند به صورت جداگانه براي هر يك از بخش هاي مورد نظر در سازه انجام شود. با استفاده از ويژگي هاي استخراج شده از سازه ي سالم و سازه در وضعيت مجهول از نظر سلامت سازه، شاخص سلامت براي هر يك از بخش هاي مورد بررسي سازه محاسبه مي شود. با توجه به ويژگي هاي استخراج شده در حالت سالم و مجهول سازه، وجود و شدت آسيب هاي احتمالي شناسايي مي شوند. يكي از مزيت هاي روش ارائه شده عدم نياز به مدلسازي آسيب ها براي آموزش شبكه عصبي است و فقط پاسخ هاي سازه سالم براي آموزش شبكه عصبي استفاده مي شود. جهت بررسي روش پيشنهادي يك ساختمان بلند مرتبه مدلسازي شده و شاخص هاي سلامت براي هر يك از قسمت هاي سازه محاسبه شده است. شاخص هاي سلامت محاسبه شده براي ساختمان مورد بررسي داراي دقت قابل قبولي هستند و دقت روش پيشنهادي تقريبا 95 درصد مي باشد همچنين آسيب هاي موجود و شدت آنها با دقت مناسبي شناسايي شده اند.

Civil structures may experience unexpected loads and consequently damages during their life cycle. Damage identification has been a challenging inverse problem in structural health monitoring. The main difficulty is characterizing the unknown relation between the measurements and damage patterns. Such damage indicators would ideally be able to identify the existence, location, and severity of damages. In order to solve such problems, biologically inspired soft-computing techniques have gained traction. The most widely used soft-computing method, called neural networks is designed such that it can learn from data without a need of feature design process. Damage pattern can be detected using neural network. A deep unsupervised neural network can recognize patterns and extract features from data. In this paper a methodology is described for global and local health condition assessment of structural systems using vibration response of the structure. The model incorporates Fast Fourier Transform and unsupervised deep Boltzmann machine to extract features from the frequency domain of the recorded signals. Restricted boltzmann machine is a shallow neural network with two layer. First layer of restricted boltzmann machine called input layer and second layer of restricted boltzmann machine called hidden layer.Deep Boltzmann machine created by setting some restricted Boltzmann machine sequentional. Hidden layer of each restricted boltzmann machine is input layer of next restricted boltzmann machine. Each layer of restricted Boltzmann machine extract features form input data Recorded data divided to smaller vectors. Fast fourier transformation used to transform divided vectors into frequency domain. A benefit of the proposed model is that it does not require costly experimental results to be obtained from a scaled version of the structure to simulate different damage states of the structure and only vibration response of the healthy structure is needed to training deep neural network. The input consists of a set of records obtained from the healthy state of the structure and another set of records with unknown health states. The model extracts information from both healthy and unknown sets to determine the health states of the unknown set. The healthy records are low intensity vibrations of the structure at least in one planar direction in the healthy state in the form of time series signals and The unknown records are low intensity vibrations of the structure on unknown state of health. Ambient vibrations can be due to wind, traffic, or human/pedestrian activities. An appropiate health index is defined and calculated for each part of the structure. The value of this index is between 0 and 1. The closer the value is to 1 the healthier the structure. To evaluate the efficiency of the proposed method a building structures with 35 story has been simulated in OPENSEES. Data collection should be selected appropriately to prevent errors. Obtained result demonstrate that proposed method has about 95 percent efficiency to predict damages and their severity. Different damage state put on due to three earthquakes with different severity. Structural health index calculated after each earthquake. Calculated structural health index demonstrate efficieency of proposed method for detecting damages and severity of damages.