کاربرد انرژی جنبشی دینامیکی و شبکه عصبی مصنوعی برای شناسایی ترک در تیرها تحت تحریک جرم متحرک

نوع مقاله: پژوهشی

نویسندگان

دانشگاه آزاد اسلامی واحد اهر

چکیده

در مقاله حاضر یک روش جدیدی برای تشخیص ترک براساس اطلاعات انرژی جنبشی تیر تحت عبور جرم ارائه شده است. برای شناسایی ترک اطلاعات مربوط به انرژی جنبشی دینامیکی تیر استخراج شده و به عنوان ورودی شبکه عصبی مصنوعی استفاده شده است. برای اعتبار سنجی روش پیشنهادی جهت آنالیز ارتعاش تیر تحت تحریک جرم متحرک، ابتدا مثال ارائه شده در مطالعات قبلی مدلسازی شده و مورد مقایسه قرار گرفت. همچنین عملکرد روش حاضر با استفاده از دو مثال شامل یک تیر یک سر گیردار یک سر مفصل و یک تیر دو سر مفصل با لحاظ کردن نوفه و یا بدون نوفه مورد بررسی قرار گرفته شده است. در بخش دیگری از مطالعه صورت گرفته اثر خطای مدلسازی با اعمال خطا در ماتریس سختی تیرها بررسی شده است. نتایج بدست آمده نشان می‌دهد که شبکه عصبی مصنوعی می‌تواند ترک در تیر را با استفاده از انرژی جنبشی دینامیکی تیر تحت تحریک جرم متحرک در شرایط مختلف تکیه-گاهی و با در نظر گرفتن نوفه یا خطای مدلسازی تشخیص دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of dynamic kinetic energy and artificial neural network to crack identification in beams under moving mass

نویسندگان [English]

  • Seyed Sina Kourehli
  • Siamak Ghadimi
  • Reza Ghadimi
Department of Civil Engineering, Ahar Branch, Islamic Azad University, Ahar, Iran
چکیده [English]

In this paper, a novel method has been proposed to identify cracks in beam structures under excitation of moving mass. For this purpose, the dynamic kinetic energy of cracked beam under moving mass were used as criteria to detect crack in structures. Dynamic kinetic energy is depending on the mass and velocities of beam structures under moving mass excitation. The dynamic kinetic energy of cracked beam has been used as input of artificial neural networks in which the crack states as output. This data is acquired by the analysis of cracked structure applying the finite element method (FEM). The artificial neural networks performance has been investigated in training, validation and testing stages. Validation is used to measure network generalization, and to halt training when generalization stops improving. Testing has no effect on training and so provides an independent measure of network performance during and after training. Runge-Kutta 4th Order method has been used to solve the equation of motions of studied beams in Matlab (2015). A validation study has been done with an example that reported in literature. To evaluate the efficiency of the proposed method, two numerical examples consisting of simply supported beam and fixed simply supported beam have been studied. To be more compatible with the real dynamic cases, another examination was performed in which the dynamic kinetic energies with 3% noise are used in crack identification. To perform this, some random noise has been added to the theoretically calculated dynamic kinetic energies. Also, the modeling errors in the analytical model have been studied. It is assumed that the actual tested beam has perturbations of stiffness of 2% at some elements. The obtained results reveal that the presented method is robust and reliable to detect cracks in beam structures under moving mass. Also, the proposed method shows good results using noisy dynamic kinetic energies data.

کلیدواژه‌ها [English]

  • Crack detection
  • moving mass
  • beam
  • dynamic kinetic energy
  • artificial neural network