Phát hiện thiệt hại cầu tự động, dựa trên biến dạng, chỉ sử dụng đầu ra

Journal of Civil Structural Health Monitoring - Tập 8 - Trang 833-846 - 2018
Ahmed Rageh1, Daniel G. Linzell1, Saeed Eftekhar Azam1
1University of Nebraska-Lincoln, Lincoln, USA

Tóm tắt

Bài báo này trình bày một khuôn khổ để phát hiện thiệt hại tự động bằng cách sử dụng một chuỗi liên tục dữ liệu giám sát sức khỏe kết cấu. Nghiên cứu đã sử dụng các biến dạng đo được từ một bộ cảm biến tối ưu được triển khai trên một cầu truss bằng thép, có hai đường ray. Sự suy giảm tại các mối nối giữa thép đỡ và xà sàn, một khuyết tật phổ biến, là trọng tâm của nghiên cứu này; tuy nhiên, phương pháp đề xuất có thể được áp dụng để đánh giá tình trạng của nhiều thành phần và chi tiết kết cấu khác nhau. Khuôn khổ đã sử dụng Các Chế Độ Chính Quy (POMs) như là các đặc trưng thiệt hại và Mạng Nơron Nhân Tạo (ANNs) như một phương pháp tự động hóa để suy luận vị trí và cường độ thiệt hại từ các POMs. Sự biến đổi của POMs, thường phụ thuộc vào tải (input), cuối cùng đã được sử dụng như là các chỉ số thiệt hại. Sự biến đổi ở đầu vào đòi hỏi việc sử dụng ANNs để giúp tách rời các thay đổi của POM do biến đổi tải so với những thay đổi gây ra bởi các khuyết tật, những thay đổi có thể khiến cho khuôn khổ đề xuất độc lập với đầu vào, một tiến bộ quan trọng. Để phát triển một khuôn khổ phát hiện thiệt hại hiệu quả và tự động chỉ sử dụng đầu ra, quá trình làm sạch và chuẩn bị dữ liệu đã được thực hiện trước khi đào tạo ANNs. Các “kịch bản” thiệt hại đã được giới thiệu một cách nhân tạo vào các tập dữ liệu đầu ra (biến dạng) được ghi lại trong khi giám sát lượt tàu qua cầu được chọn. Thông tin này, theo đó, đã được sử dụng để đào tạo ANNs bằng cách sử dụng Toolbox Mạng Nơron của MATLAB. Các ANNs đã được đào tạo được kiểm tra đối với các sự kiện tải được giám sát và các kịch bản thiệt hại nhân tạo. Tính khả thi của khuôn khổ chỉ sử dụng đầu ra đã được nghiên cứu thông qua các nghiên cứu về cầu dưới các điều kiện hoạt động. Để tính toán các tác động của các khuyết tật tiềm năng tại các mối nối giữa thép đỡ và xà sàn, biên độ tín hiệu đo được đã được giảm nhân tạo tại các vị trí chọn lọc. Kết luận rằng khuôn khổ đề xuất có thể phát hiện thành công các khuyết tật giả mạo áp đặt lên các tín hiệu đo được trong điều kiện hoạt động.

Từ khóa

#hệ thống giám sát sức khỏe kết cấu #phát hiện thiệt hại #Mạng Nơron Nhân Tạo #Chế Độ Chính Quy #cầu truss #biến dạng

Tài liệu tham khảo

Phares BM, Rolander DD, Graybeal BA, Washer GA (2001) Reliability of visual bridge inspection. Publ Roads 64(5):22–29

Farrar CR, Worden K (2012) Structural health monitoring: a machine learning perspective. Wiley, Chichester

Achenbach JD (2009) Structural health monitoring—what is the prescription? Mech Res Commun 36(2):137–142

Shokrani Y, Dertimanis VK, Chatzi EN, Savoia MN (2018) On the use of mode shape curvatures for damage localization under varying environmental conditions. Struct Control Health Monit 25(4):e2132

Moaveni B, Conte JP, Hemez FM (2009) Uncertainty and sensitivity analysis of damage identification results obtained using finite element model updating. Comput Aided Civ Infrastruct Eng 24(5):320–334

Moaveni B, He X, Conte JP, Restrepo JI (2010) Damage identification study of a seven-story full-scale building slice tested on the UCSD-NEES shake table. Struct Saf 32(5):347–356

Taciroglu E, Ghahari SF, Abazarsa F (2017) Efficient model updating of a multi-story frame and its foundation stiffness from earthquake records using a timoshenko beam model. Soil Dyn Earthq Eng 92:25–35

Tan ZX, Thambiratnam DP, Chan T, Razak HA (2017) Detecting damage in steel beams using modal strain energy based damage index and artificial neural network. Eng Fail Anal 79:253–262

Ashory M, Ghasemi-Ghalebahman A, Kokabi M (2017) An efficient modal strain energy-based damage detection for laminated composite plates. Adv Compos Mater 27(2):147–162

He X, Kawatani M, Hayashikawa T, Furuta H, Matsumoto T (2011) A bridge damage detection approach using train-bridge interaction analysis and GA optimization. Procedia Eng 14:769–776

Kim C, Morita T, Oshima Y, Sugiura K (2015) A Bayesian approach for vibration-based long-term bridge monitoring to consider environmental and operational changes. Smart Struct Syst 15(2):395–408

Bellino A, Fasana A, Garibaldi L, Marchesiello S (2010) PCA-based detection of damage in time-varying systems. Mech Syst Signal Process 24(7):2250–2260

Moaveni B, Behmanesh I (2012) Effects of changing ambient temperature on finite element model updating of the Dowling Hall Footbridge. Eng Struct 43:58–68

Hu W, Cunha Á, Caetano E, Rohrmann R, Said S, Teng J (2017) Comparison of different statistical approaches for removing environmental/operational effects for massive data continuously collected from footbridges. Struct Control Health Monit 24(8):e1955. https://doi.org/10.1002/stc.1955

Abazarsa F, Nateghi F, Ghahari SF, Taciroglu E (2015) Extended blind modal identification technique for nonstationary excitations and its verification and validation. J Eng Mech 142(2):04015078

Ghahari SF, Abazarsa F, Taciroglu E (2017) Blind modal identification of non-classically damped structures under non-stationary excitations. Struct Control Health Monit 24(6):e1925. https://doi.org/10.1002/stc.1925

Moaveni B, He X, Conte JP, Restrepo JI, Panagiotou M (2010) System identification study of a 7-story full-scale building slice tested on the UCSD-NEES shake table. J Struct Eng 137(6):705–717

Moaveni B, Barbosa AR, Conte JP, Hemez FM (2014) Uncertainty analysis of system identification results obtained for a seven-story building slice tested on the UCSD-NEES shake table. Struct Control Health Monit 21(4):466–483

Worden K, Manson G, Fieller NR (2000) Damage detection using outlier analysis. J Sound Vibrat 229(3):647–667

O’Connor SM, Zhang Y, Lynch JP, Ettouney MM, Jansson PO (2017) Long-term performance assessment of the Telegraph Road Bridge using a permanent wireless monitoring system and automated statistical process control analytics. Struct Infrastruct Eng 13(5):604–624

Dervilis N, Choi M, Taylor SG, Barthorpe RJ, Park G, Farrar CR et al (2014) On damage diagnosis for a wind turbine blade using pattern recognition. J Sound Vib 333(6):1833–1850

Thiene M, Galvanetto U (2015) Impact location in composite plates using proper orthogonal decomposition. Mech Res Commun 64:1–7

El Kadi M, Blom J, Wastiels J, Aggelis DG (2017) Use of early acoustic emission to evaluate the structural condition and self-healing performance of textile reinforced cements. Mech Res Commun 81:26–31

Ou Y, Chatzi EN, Dertimanis VK, Spiridonakos MD (2017) Vibration-based experimental damage detection of a small-scale wind turbine blade. Struct Health Monit 16(1):79–96

Kim Y-S, Eun H-C (2017) Comparison of damage detection methods depending on frfs within specified frequency ranges. Adv Mater Sci Eng. https://doi.org/10.1155/2017/5821835

Glisic B, Inaudi D (2008) Fibre optic methods for structural health monitoring. Wiley, Chichester

Glisic B, Inaudi D (2012) Development of method for in-service crack detection based on distributed fiber optic sensors. Struct Health Monit 11(2):161–171

Harmanci YE, Spiridonakos MD, Chatzi EN, Kübler W (2016) An autonomous strain-based structural monitoring framework for life-cycle analysis of a novel structure. Front Built Environ 2:13

Glisic B, Hubbell DL, Sigurdardottir DH, Yao Y (2013) Damage detection and characterization using long-gauge and distributed fiber optic sensors. Opt Eng 52(8):087101

Tondreau G, Deraemaeker A (2014) Automated data-based damage localization under ambient vibration using local modal filters and dynamic strain measurements: experimental applications. J Sound Vib 333(26):7364–7385

Eftekhar Azam S, Rageh A, Linzell D. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition. Struct Control Health Monit (Accepted)

Haghani R, Al-Emrani M, Heshmati M (2012) Fatigue-prone details in steel bridges. Buildings 2(4):456–476

Rageh A, Linzell D (2018) Optimized health monitoring plans for a steel, double-track railway bridge (Master's thesis). Available from the University of Nebraska-Lincoln digital common

Imam B, Righiniotis TD, Chryssanthopoulos MK (2005) Fatigue assessment of riveted railway bridges. Steel Struct 5(5):485–494

Al-Emrani M (2005) Fatigue performance of stringer-to-floor-beam connections in riveted railway bridges. J Bridge Eng 10(2):179–185

Buljak V, Maier G (2012) Identification of residual stresses by instrumented elliptical indentation and inverse analysis. Mech Res Commun 41:21–29

Eftekhar Azam S, Mariani S, Attari N (2017) Online damage detection via a synergy of proper orthogonal decomposition and recursive Bayesian filters. Nonlinear Dyn 89(2):1489–1511

Azam SE, Mariani S (2018) Online damage detection in structural systems via dynamic inverse analysis: a recursive Bayesian approach. Eng Struct 159:28–45

Bishop CM (2012) Pattern recognition and machine learning, 2006. 60(1):78

MacKay DJ (1992) Bayesian interpolation. Neural Comput 4(3):415–447

Nguyen, D, Widrow B (1990) Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. International joint conference on neural networks, Stanford University, Stanford. IEEE, pp 21–26

Waszczyszyn Z (1999) Fundamentals of artificial neural networks. Neural Net Anal Design Struct 404:1–51

Hagan MT, Menhaj MB (1994) Training feedforward networks with the Marquardt algorithm. IEEE Trans Neural Netw 5(6):989–993

Jenkins WM (1999) Genetic algorithms and neural networks. Neural Net Anal Des struct 404:53–92

LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521(7553):436

Foresee FD, Hagan MT (1997) Gauss-Newton approximation to Bayesian learning. Proceedings of the 1997 international joint conference on neural networks. IEEE, pp 1930–1935

Zhang T, Yu B (2005) Boosting with early stopping: convergence and consistency. Annal Stat 33(4):1538–1579

Schueller W (2008) Building support structures, analysis and design with SAP2000 software. Computer and Structures Inc., Berkeley

Thông tin
Thông tin xuất bản

Journal of Civil Structural Health Monitoring

Tập 8

833-846

Thông tin tác giả