سلامت سنجي تيرهاي طره اي شكل ترك خورده به كمك شبكه هاي عصبي مصنوعي، با درنظرگرفتن رفتار غيرخطي ترك

Health Monitoring of Cracked Cantilever Beams Using Artificial Neural Networks Considering Nonlinear Crack Behavior

در اين تحقيق، با بهره گيري از شبكه هاي عصبي مصنوعي و روش المان محدود، تيرهاي طره اي-شكل آسيب ديده كه داراي ترك هاي طولي هستند، مورد بررسي و سلامت سنجي قرار گرفته اند. رفتار غيرخطي ترك ها (بازوبسته شدن آنها) در اين تحقيق مورد توجه قرار گرفته است كه بر اساس بررسي هاي انجام شده توسط نويسندگان، در رديابي ترك در سازه ها به كمك شبكه هاي عصبي مصنوعي، رفتار مزبور تاكنون مورد توجه محققان ديگر قرار نگرفته است. براي منظورنمودن اثرات غيرخطي ترك، از روش المان محدود استفاده شده است. تغييرات ايجاد شده در فركانس هاي طبيعي مودهاي مختلف ارتعاشي در اثر وجود ترك، به عنوان داده هاي لازم در آموزش و آزمايش شبكه هاي عصبي مورد استفاده قرار گرفته اند. با ايجاد سناريوهاي مختلف براي حالات تيرهاي سالم و آسيب-ديده (با موقعيت ها و شدت هاي ترك خوردگي مختلف) دو كلاس مشخص از شبكه هاي عصبي براي تعيين موقعيت و طول (شدت) ترك هاي طولي در تيرها آموزش داده شده اند. نتايج حاصل از دو كلاس مزبور نشان مي دهند كه شبكه هاي آموزش ديده به صورت مطلوبي طول ترك را پيش بيني مي كنند. همچنين ملاحظه مي شود كه پيش بيني شبكه هاي آموزش ديده براي تعيين محل ترك در حد قابل قبول بوده، كه علل تقريبات وارده در اين پيش بيني مورد بحث قرار گرفته است.

In this paper, using Artificial Neural Networks (ANNs) and Finite Element Method (FEM), health monitoring of damaged cantilever beams having longitudinal cracks is discussed. The main focus is devoted to the nonlinear behavior (breathing) of crack, which, to our knowledge, is taken into account in the crack detection of structures using ANNs, for the first time. Thus nonlinear behavior of crack is modeled using FEM.The changes in the natural frequencies (due to crack) of various vibration modes were implemented as input for training and testing of ANNs. By producing various scenarios for sound and damaged beams (with different damage location and severity), two specific classes of ANNs were trained to predict the location and length of longitudinal cracks. The Results showed a promising prediction for the length of cracks by the proposed methodology. Also a considerable approximation observed in the prediction of cracks location.