عيب‌يابي سازه جكتي فراساحلي با استفاده از پاسخ‌‌هاي ديناميكي بر پايه مدل شبيه‌سازي‌شده، حالت سالم مدل واقعي و شبكه عصبي خود رمزنگار عميق

Damage detection of offshore jacket structure using dynamic responses based on simulated model, intact state of real model and deep auto-encoder neural network

از آنجايي‌كه هزينه نگهداري و تعمير سيستم‌هاي مكانيكي اعم از سازه‌ها و ماشين‌هاي دوار بسيار بالاست، يكي از راه‌هاي كاهش اين هزينه‌ها، درنظرگرفتن تدابيري جهت بررسي عيوب در اين سيستم‌ها قبل از هر نوع كار عملي است. در اين مطالعه روش جديدي براي عيب‌يابي سازه جكتي فراساحلي در حضور عدم‌ قطعيت‌هاي مختلف مانند خطاهاي مدل‌سازي، خطاهاي اندازه‌گيري و نويزهاي محيطي بر پايه مدل شبيه‌سازي‌شده و حالت سالم مدل واقعي ارائه‌شده است. در روش پيشنهادي، داده‌هاي سازه سالم واقعي براي به‌روزرساني پارامترهاي مدل شبيه‌سازي‌شده استفاده شده‌اند. برخي از بخش‌هاي سيگنال‌ كه مربوط به ذات سيستم نيستند، با استفاده از روش تجزيه مود تجربي دسته‌اي كامل حذف شده‌اند. داده‌هاي فركانسي با استفاده از روش تجزيه حوزه فركانس از سيگنال‌هاي ارتعاشي استخراج شده‌اند. يك شبكه عصبي خود رمزنگار عميق، به‌منظور يادگيري ويژگي‌هاي حساس به عيب از داده‌هاي فركانسي و عيب‌يابي سازه طراحي‌شده است. به‌منظور آموزش شبكه عميق پيشنهادي، از داده‌هاي فركانسي مدل شبيه‌سازي‌شده و حالت سالم مدل واقعي استفاده شده‌است. پس‌ازآن، داده‌هاي فركانسي سازه واقعي براي ارزيابي شبكه عميق پيشنهادي استفاده شده‌است. نتايج حاصله نشان مي‌دهد كه استفاده از روش پيشنهادي براي عيب‌يابي سازه جكتي فراساحلي صحت بالاتري نسبت به ساير روش‌هاي مقايسه‌اي دارد.

Since the maintenance and repairing costs of mechanical systems, such as structures and rotating machines are significantly high, one way to reduce these costs is to consider some approaches before any operational work to check for damages in such systems. In this study, a new method is presented for damage detection of offshore jacket structures in the presence of various uncertainties, such as modeling errors, measurement errors and environmental noises, based on the simulated model and intact state of the real model. In the proposed method, real intact structure data is used to update the simulated model parameters. Some parts of the signal that are not related to the nature of the system are removed using the complete ensemble empirical mode decomposition method. Frequency data is extracted from the vibrational signals using the frequency domain decomposition method. A deep auto-encoder neural network is designed to learn the damage-sensitive features from the frequency data and to damage detection of the structure. In order to train the proposed deep network, frequency data of the simulated model and real intact state are used; then the frequency data of the real structure is used to test the proposed deep network. The results show that the proposed method is capable for damage detection of the offshore jacket structure with more accurate results than the other comparative methods.