سلامت سنجی تیرهای طرهای شکل ترک خورده به کمک شبکه های عصبی مصنوعی، با درنظرگرفتن رفتار غیرخطی ترک

نویسندگان
چکیده
چکیده - در این تحقیق، با بهره گیری از شبکه های عصبی مصنوعی و ر وش المان محدود، تیرهای
طرهایشکل آسیب دیده که دارای ترک های طولی هستند، مورد بررسی و سلامت سنجی قرار گرفته اند .
رفتار غیرخط ی ترک ها (بازوبستهشدن آنها ) در این تحقیق مورد توجه قرار گرفته است که بر اساس
بررسیهای انجام شده توسط نویسندگان، در ردیا بی ترک در سازه ها به کمک شبکه های عصبی
مصنوعی، رفتار مزبور تاکنون مورد توجه محققان دیگر قرار نگرفته است . بر ای منظورنمودن اثرات
غیرخطی ترک، از روش المان محدود استفاده شده است . تغییرات ایجاد شده در فرکانس های طبیعی
مودهای مختلف ارتعاشی در اثر وجود ترک، به عنو ان داده های لازم در آموزش و آزمایش شبکه های
عصبی مورد استفاده قرار گرفته اند. با ایجاد سناریوهای مختلف برای حالات تیرهای سالم و آسیب دیده
(با موقعیت ها و شدت های ترک خوردگی مختلف ) دو کلاس مشخص از شبکه های عصبی برای تعیین
موقعیت و طول (شدت) ترکهای طولی در تیرها آموزش داده شده اند . نتایج حاصل از دو کلاس
مزبور نشان می دهند که شبکههای آموزش دیده به صورت مطلوبی طول ترک را پیش بینی می کنند .
همچنین ملاحظه می شود که پیشبینی شبکههای آموزش دیده برای تعیین محل ترک در حد قابل قبول
بوده، که علل تقریبات وارده در این پیشبینی مورد بحث قرار گرفته است.

کلیدواژه‌ها


عنوان مقاله English

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

نویسندگان English

ئ. Joharzadeh
N. Khaji
A Bahreininejad 3
چکیده English

Abstract
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.

کلیدواژه‌ها English

Structural health monitoring
Cantilever beam
ANNs
Nonlinear FEM
Crack breathing