معرفی یک روش دو مرحله ای شناسایی آسیب بر اساس ادغام داده های بیزی و الگوریتم تکامل تفاضلی مبتنی بر چند بردار آزمایشی تحت تغییرات دمای محیطی

کارگر, کیمیا; احمدی ندوشن, بهروز; تجملیان, حامد

doi:10.22065/jsce.2022.357978.2915

معرفی یک روش دو مرحله ای شناسایی آسیب بر اساس ادغام داده های بیزی و الگوریتم تکامل تفاضلی مبتنی بر چند بردار آزمایشی تحت تغییرات دمای محیطی

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

² دانشیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

³ استادیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

10.22065/jsce.2022.357978.2915

چکیده

وقوع آسیب در سازه ها باعث تغییر در جرم، سختی و خواص میرایی سازه می شود در نتیجه، پاسخ های استاتیکی و دینامیکی سازه نیز تغییر می کند بنابراین با آگاهی از پاسخ های سازه می توان آسیب را در سازه شناسایی کرد. در این مقاله، یک روش دو مرحله ای برای عیب یابی سازه ها، تحت شرایط متغیر دمای محیطی معرفی شده است. ابتدا، از روش مولفه های اصلی برای استخراج تاثیر دمای محیطی از پاسخ های سازه ای بدست آمده، استفاده شده است. در مرحله ی اول شاخص های مختلف آسیب که عبارتند از شاخص آسیب انرژی کرنشی مودال، نسبت اتلاف انرژی کرنشی تابع پاسخ فرکانسی و نرخ آسیب انرژی کرنشی ماتریس نرمی، محاسبه شده اند. سپس روش ادغام داده های بیزی برای پیدا کردن محل آسیب به این سه شاخص اعمال شده است. روش پیشنهادی تعداد عناصر مشکوک به آسیب را به میزان قابل توجهی کاهش داده است. در مرحله ی دوم به کمک الگوریتم تکامل تفاضلی مبتنی بر چند بردار آزمایشی، بهینه سازی انجام شده و شدت آسیب در اعضا برآورد شده است. برای کارایی روش پیشنهادی یک مثال خرپا دو بعدی و یک مثال قاب سه بعدی بررسی شده اند. نتایج حاصل از بررسی این دو مثال نشان داد که روش پیشنهادی در مرحله ی اول به درستی عناصر آسیب دیده در سازه را تشخیص داده است. در مرحله ی دوم عملکرد دو تابع هدف برای برآورد شدت آسیب در اعضا، با هم مقایسه شده است. نتایج بدست آمده از مثال ها، نشان دهنده ی دقت بالاتر و عملکرد بهتر تابع هدف اول می باشد.

کلیدواژه‌ها

موضوعات

بهینه سازی

عنوان مقاله [English]

A two-stage damage detection method based on Bayesian data fusion and Multi-Trial Vector-based Differential Evolution optimization algorithm under varying ambient temperature

نویسندگان [English]

Kimia Kargar ¹
Behrouz Ahmadi-Nedushan ²
Hamed Tajammolian ³

¹ M.Sc student, Department of Civil Engineering, Yazd University, Yazd, Iran

² Associate Professor, Department of Civil Engineering, Yazd University, Yazd, Iran

³ Assistant Professor, Department of Civil Engineering, Yazd University, Yazd, Iran

چکیده [English]

The phenomenon of damage in structures causes a change in the mass, stiffness and damping properties of the structure. As a result, the static and dynamic responses of the structure also change and therefore by using the responses of the structure, damage can be identified in the structure. In this article, a two-step method is introduced to identify the damage of structures under variable ambient temperature conditions. First, the principal components method has been used to extract the effect of ambient temperature from the obtained structural responses. In the first stage, various damage indices, which include the modal strain energy, frequency response function strain energy dissipation ratio and flexibility strain energy damage ratio, have been calculated. Then the Bayesian data fusion method has been applied to find the location of damage for these three indicators. The proposed method has significantly reduced the number of suspected damaged elements. In the second stage, the modal response of the structure is used and subsequently updated by multi-trial vector-based differential evolution to estimate the damage extents of the suspected elements. The results obtained from the analysis of two numerical examples show the high accuracy and fast convergence rate of the objective functions using the proposed method.

کلیدواژه‌ها [English]

Structural health monitoring
Two-stage damage detection method
Bayesian data fusion
Ambient temperature change
Multi-Trial Vector-based Differential Evolution optimization algorithm

مراجع

[1] Jahangiri, M., & Ahmadi Nedushan, B. (2019). Performance Investigation of Metaheuristic Niched-Pareto Genetic Algorithm for Imperfection Assessment of Structures. Journal of Structural and Construction Engineering,5(4), 179-194.doi:10.22065/jsce.2017.83982.1164

[2] Ahmadi Nedushan, B., & Fathnejat, H. (2022). A modified teaching–learning optimization algorithm for structural damage detection using a novel damage index based on modal flexibility and strain energy under environmental variations.Engineering with Computers, 1-32. doi: 10.1007/s00366-020-01197-3.

[3] Doebling, S. W., Farrar, C. R., & Prime, M. B. (1998). A summary review of vibration-based damage identification methods.Shock and vibration digest,30(2), 91-105. doi: 10.1177/058310249803000201.

[4] Ge, M., &Lui, E. M. (2005). Structural damage identification using system dynamic properties.Computers & structures,83(27), 2185-2196. doi: 10.1016/j.compstruc.2005.05.002.

[5] Mohan, S. C.,Maiti, D. K., & Maity, D. (2013). Structural damage assessment using FRF employing particle swarm optimization.Applied Mathematics and Computation,219(20), 10387-10400. doi: 10.1016/j.amc.2013.04.016.

[6] Nobahari, M., & Seyedpoor, S. M. (2013). An efficient method for structural damage localization based on the concepts of flexibility matrix and strain energy of a structure.Structural Engineering and Mechanics,46(2), 231-244. doi: 10.12989/sem.2013.46.2.231.

[7] Dinh-Cong, D., Vo-Duy, T., Ho-Huu, V., & Nguyen-Thoi, T. (2019). Damage assessment in plate-like structures using a two-stage method based on modal strain energy change and Jaya algorithm.Inverse Problems in Science and Engineering,27(2), 166-189. doi: 10.1080/17415977.2018.1454445.

[8] Fathnejat, H., & Ahmadi-Nedushan, B. (2020). An efficient two-stage approach for structural damage detection using meta-heuristic algorithms and group method of data handling surrogate model.Frontiers of Structural and Civil Engineering,14(4), 907-929. doi: 10.1007/s11709-020-0628-1.

[9] Seyedpoor, S. (2012). A two stage method for structural damage detection using a modal strain energy based index and particle swarm optimization.International Journal of Non-Linear Mechanics,47(1), 1-8. doi: 10.1016/j.ijnonlinmec.2011.07.011.

[10] Jiang, S. F., Zhang, C. M., & Zhang, S. (2011). Two-stage structural damage detection using fuzzy neural networks and data fusion techniques.Expert systems with applications,38(1), 511-519. doi: 10.1016/j.eswa.2010.06.093.

[11] Barman, S. K., Mishra, M., Maiti, D. K., & Maity, D. (2021). Vibration-based damage detection of structures employing Bayesian data fusion coupled with TLBO optimization algorithm.Structural and Multidisciplinary Optimization,64(4), 2243-2266. doi: 10.1007/s00158-021-02980-6.

[12] Ahmadi-Nedushan,B.,& Jahangiri,M.(2015). Application of Single-Objective Optimization Techniques for Structural Health Monitoring.2nd Int. 6th Natl. Conf. Earthq. Struct., 21–23.

[13] Zhang, H., Gül, M., & Kostić, B. (2019). Eliminating temperature effects in damage detection for civil infrastructure using time series analysis and autoassociative neural networks.Journal of Aerospace Engineering,32(2), 04019001. doi: 10.1061/(asce)as.1943-5525.0000987.

[14] Shokrani, Y., Dertimanis, V. K., Chatzi, E. N., & N. Savoia, M. (2018). On the use of mode shape curvatures for damage localization under varying environmental conditions.Structural Control and Health Monitoring,25(4), e2132. doi: 10.1002/stc.2132.

[15] Xu, M., Wang, S., & Li, H. (2019). A residual strain energy based damage localisation method for offshore platforms under environmental variations.Ships and Offshore Structures,14(7), 747-754. doi: 10.1080/17445302.2018.1558727.

[16] Jahangiri, M., & Ahmadi-Nedushan, B. (2016). Structural damage identification using MOPSO and MOEA/D multi-objective evolutionary optimization algorithms.J Ferdowsi Civil Eng,30(1), 63-77.

[17] Ding, Z., Fu, K., Deng, W., Li, J., &Zhongrong, L. (2020). A modified Artificial Bee Colony algorithm for structural damage identification under varying temperature based on a novel objective function.Applied Mathematical Modelling,88, 122-141. doi: 10.1016/j.apm.2020.06.039.

[18] Alkayem, N. F., Cao, M., Zhang, Y., Bayat, M., & Su, Z. (2018). Structural damage detection using finite element model updating with evolutionary algorithms: a survey.Neural Computing and Applications,30(2), 389-411. doi: 10.1007/s00521-017-3284-1.

[19] Bagherahmadi, S. A., &Seyedpoor, S. M. (2018). Structural damage detection using a damage probability index based on frequency response function and strain energy concept.Structural Engineering and Mechanics,67(4), 327-336. doi: 10.12989/sem.2018.67.4.327.

[20] Montazer, M., &Seyedpoor, S. M. (2014). A new flexibility based damage index for damage detection of truss structures.Shock and Vibration,2014. doi: 10.1155/2014/460692.

[21] Stone, J. V. (2013), Baye’s rule: a tutorial introduction to Bayesian analysis. Germany:Sebtel Press.

[22] Zhao, Y., Yan, Q., Yang, Z., Yu, X., &Jia, B. (2020). A novel artificial bee colony algorithm for structural damage detection.Advances in Civil Engineering,2020. doi: 10.1155/2020/3743089.

[23] Huang, M. S., Gül, M., & Zhu, H. P. (2018). Vibration-based structural damage identification under varying temperature effects.Journal of Aerospace Engineering,31(3), 04018014. doi: 10.1061/(asce)as.1943-5525.0000829.

[24] Nadimi-Shahraki, M. H., Taghian, S., Mirjalili, S., & Faris, H. (2020). MTDE: An effective multi-trial vector-based differential evolution algorithm and its applications for engineering design problems.Applied Soft Computing,97, 106761. doi: 10.1016/j.asoc.2020.106761.

[25] Huang, M., Cheng, S., Zhang, H., Gul, M., & Lu, H. (2019). Structural damage identification under temperature variations based on PSO–CS hybrid algorithm.International Journal of Structural Stability and Dynamics,19(11), 1950139. doi: 10.1142/S0219455419501396.