شناسایی خسارت در سازه با استفاده از پردازش سیگنال و شبکه های عصبی مصنوعی

در طول دو دهه اخیر بحث شناسایی خرابی و پایش سلامت سازه ها با هدف کاهش هزینه نگهداری و بهبود ایمنی و قابلیت اطمینان سازه مورد توجه قرار گرفته است. پس از وقوع زلزله با توجه به وضعیت بحرانی موجود و تعداد زیاد سازه های بلند مرتبه امکان مراجعه حضوری به تک تک سازه ها وجود ندارد. این موضوع اهمیت توسعه روش هایی که بتوانند تنها با استفاده از سیگنال های پاسخ ثبت شده در مدت زمان زلزله، خسارت ایجاد شده در سازه را شناسایی کنند، برجسته تر می سازد. بسیاری از روش های موجود به خصوص روش های مبتنی بر پردازش سیگنال قادر به تعیین شدت خسارت نیستند، در حالی که تعیین شدت به عنوان یکی از اهداف اصلی شناسایی خسارت در تعیین اولویت ها و مدیریت بحران پس از وقوع زلزله نقش به سزایی دارد. در این مقاله تلاش شده است تا با بهره گیری از ابزار های پردازش سیگنال و هوش مصنوعی ویژگی های حساس به خسارت به گونه ای تعیین شوند که بتوان وجود آسیب، محل و شدت آن را تنها با استفاده از سیگنال های پاسخ ارتعاشی ثبت شده در مدت زمان زلزله، با دقت مناسب تعیین کرد. در ابتدا سه روش پردازش سیگنال زمان-فرکانس آنی مورد ارزیابی و مقایسه قرار می گیرند و روش EMD به عنوان روشی با بهترین عملکرد برای هدف شناسایی خسارت انتخاب می شود. سپس معیار خسارت مناسبی بر اساس سیگنال های خروجی از سنسور های جاسازی شده در سازه با بهره گیری از EMD استخراج می شود و در نهایت الگوریتمی برای شناسایی خسارت سازه ای ارائه و روی سازه بنچ مارک پایش سلامت سازه ASCE IASC- اعمال می شود. نتایج حاکی از آن است که تلفیق تکنیک پردازش سیگنال با هوش مصنوعی کمک شایانی به تحقق اهداف سه گانه شناسایی خسارت داشته است.