تشخیص آسیب و به روز رسانی مدل با استفاده از اطلاعات مودال و الگوریتم¬های¬بهینه¬یابی
محورهای موضوعی : آنالیز سازه - زلزلهرضا آقاجانی 1 , امید عزیزپور میاندوآب 2 , سید سینا کورهلی 3 , اشکان خدابنده لو 4
1 - - گروه مهندسی عمران، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.
2 - گروه مهندسی عمران،واحد ارومیه،دانشگاه آزاد اسلامی ارومیه،ایران
3 - دانشیار، گروه مهندسی عمران، دانشگاه شهید مدنی آذربایجان، تبریز، ایران.
4 - عضو هیات علمی گروه مهندسی عمران دانشگاه آزاد اسلامی واحد ارومیه
کلید واژه: به¬روز رسانی مدل, تشخیص آسیب سازه, تحلیل مودال, بهینه سازی تعادلی, بهینه سازی گرگ خاکستری, بهینه سازی وال,
چکیده مقاله :
امروزه به دلیل هزینه‌های بالای ساخت و اهمیت حیاتی برخی سازه‌ها، شناسایی خرابی در سازه‌ها به یکی از موضوعات مهم در مهندسی عمران تبدیل شده است. آسیب در سازه‌ها می‌تواند منجر به تغییر در مشخصات فیزیکی نظیر سختی و جرم شود. پارامترهای دینامیکی که وابسته به ویژگی‌های فیزیکی سازه هستند، می‌توانند به عنوان معیارهای مناسبی برای تشخیص آسیب مورد استفاده قرار گیرند. در این مقاله، از روش به‌روزرسانی اجزاء محدود برای شناسایی و ارزیابی آسیب در سازه‌ها استفاده شده است. روش به‌روزرسانی اجزاء محدود با تعیین پارامترهای ناشناخته، آسیب در سازه را شناسایی می‌کند. این پارامترهای ناشناخته ممکن است شامل مدول الاستیسیته، ممان اینرسی یا چگالی بتن باشند که در اثر آسیب تغییر کرده‌اند. برای این منظور، یک تابع هدف حساس به آسیب بر اساس ترکیب انرژی کرنشی مودال و فرکانس‌های طبیعی پیشنهاد شده است. سپس برای بهینه‌سازی این تابع هدف، از الگوریتم‌های بهینه‌سازی تعادل، گرگ خاکستری و وال استفاده شده است. کارآیی روش ارائه شده در این مقاله از طریق دو مثال مختلف، شامل تیر دو دهانه 6 متری با 20 المان و قاب برشی 12 طبقه، مورد ارزیابی قرار گرفته است. سناریوهای آسیب به صورت دوگانه و چهارگانه برای هر یک از سازه‌ها تعریف شده‌اند. همچنین برای شبیه‌سازی دقیق‌تر شرایط واقعی پایش سلامت سازه‌ای، اثر نویز نیز در نظر گرفته شده است. نتایج به دست آمده از تمامی مثال‌های عددی نشان می‌دهد که روش پیشنهادی توانایی بالایی در تشخیص محل و شدت آسیب دارد.
Due to the high costs of construction and the critical importance of certain structures, the detection of structural damage has become a significant topic in civil engineering. Damage to structures can lead to changes in physical properties such as stiffness and mass. Dynamic parameters, which are dependent on the physical characteristics of the structure, can serve as suitable indicators for damage detection. In this paper, the finite element model updating method is employed for the identification and assessment of damage in structures. The finite element model updating method identifies damage by determining unknown parameters, which may include modulus of elasticity, moment of inertia, or concrete density that have altered due to damage. For this purpose, a damage-sensitive objective function based on the combination of modal strain energy and natural frequencies is proposed. To optimize this objective function, equilibrium optimization, grey wolf optimization, and whale optimization algorithms are utilized. The effectiveness of the proposed method is evaluated through two different examples, including a 6-meter two-span beam with 20 elements and a 12-story shear frame. Damage scenarios are defined as dual and quadruple for each structure. Additionally, to better simulate real conditions in structural health monitoring, the effect of noise is considered. The results obtained from all numerical examples indicate that the proposed method has a high capability for detecting the location and severity of damage.
[1] Loh, C.H., L. Wu, and P. Lin, Displacement control of isolated structures with semi‐active control devices. Journal of Structural Control, 2003. 10(2): p. 77-100
[2] Lee, Y.-S. and M.-J. Chung, A study on crack detection using eigenfrequency test data. Computers & structures, 2000. 77(3): p. 327-342.
[3] Nikolakopoulos, P., D. Katsareas, and C. Papadopoulos, Crack identification in frame structures. Computers & structures, 1997. 64(1-4): p. 389-406.
[4] Mishra, M., et al., Ant lion optimisation algorithm for structural damage detection using vibration data. Journal of Civil Structural Health Monitoring, 2019. 9: p. 117-136..
[5] Guedria, N.B., An accelerated differential evolution algorithm with new operators for multi-damage detection in plate-like structures. Applied Mathematical Modelling, 2020. 80: p. 366-383.
[6] Allemang, R.J. A correlation coefficient for modal vector analysis. in Proc. of the 1st IMAC. 1982.
[7] Arora, V., S. Singh, and T. Kundra, Finite element model updating with damping identification. Journal of Sound and Vibration, 2009. 324(3-5): p. 1111-1123.
[8] Schlune, H., M. Plos, and K. Gylltoft, Improved bridge evaluation through finite element model updating using static and dynamic measurements. Engineering structures, 2009. 31(7): p. 1477-1485.
[9] Jin, S., et al., A comprehensive change detection method for updating the National Land Cover Database to circa 2011. Remote sensing of environment, 2013. 132: p. 159-175.
[10] Zhou, Z.-J., et al., Online updating belief rule based system for pipeline leak detection under expert intervention. Expert Systems with Applications, 2009. 36(4): p. 7700-7709.
[11] Bayraktar, A., et al., Seismic response of a historical masonry minaret using a finite element model updated with operational modal testing. Journal of vibration and control, 2011. 17(1): p. 129-149.
[12] Bayraktar, A., et al., Finite element model updating of Senyuva historical arch bridge using ambient vibration tests. The Baltic Journal of Road and Bridge Engineering, 2009. 4(4): p. 177-185.
[13] Li, Y.a.Y.D., Dynamic Finite Element Model Updating of Stay-cable Based on the Most Sensitive Design Variable. Journal of Vibration and Shock 2009: p. 141-143.
[14] Steenackers, G., C. Devriendt, and P. Guillaume, On the use of transmissibility measurements for finite element model updating. Journal of sound and vibration, 2007. 303(3-5): p. 707-722.
[15] Doebling, S.W., et al., Damage identification and health monitoring of structural and mechanical systems from changes in their vibration characteristics: a literature review. 1996.
[16] Carden, E.P. and P. Fanning, Vibration based condition monitoring: a review. Structural health monitoring, 2004. 3(4): p. 355-377.
[17] Ghanem, R. and M. Shinozuka, Structural-system identification. I: Theory. Journal of Engineering Mechanics, 1995. 121(2): p. 255-264.
[18] Beck, J.L. and L.S. Katafygiotis, Updating models and their uncertainties. I: Bayesian statistical framework. Journal of Engineering Mechanics, 1998. 124(4): p. 455-461.
[19] Brownjohn, J., T.-C. Pan, and X. Deng, Correlating dynamic characteristics from field measurements and numerical analysis of a high‐rise building. Earthquake Engineering & Structural Dynamics, 2000. 29(4): p. 523-543.
[20] Caetano, E., et al., Cable–deck dynamic interactions at the International Guadiana Bridge: On‐site measurements and finite element modelling. Structural Control and Health Monitoring: The Official Journal of the International Association for Structural Control and Monitoring and of the European Association for the Control of Structures, 2008. 15(3): p. 237-264.
[21] Boroschek, R.L. and F.V. Yáñez, Experimental verification of basic analytical assumptions used in the analysis of structural wall buildings. Engineering Structures, 2000. 22(6): p. 657-669.
[22] Gentile, C. and A. Saisi, Ambient vibration testing of historic masonry towers for structural identification and damage assessment. Construction and building materials, 2007. 21(6): p. 1311-1321.
[23] Kourehli SS. Structural damage detection under short time load using cascade-forward network. Journal of Rehabilitation in Civil Engineering. 2024 Aug 1;12(3):32-42.
[24] Liu W, Wang S, Yin Z, Tang Z. Structural damage detection of switch rails using deep learning. NDT & E International. 2024 Oct 1;147:103205.
[25] di Marzo M, Tomassi A, Placidi L. A Methodology for Structural Damage Detection Adding Masses. Research in Nondestructive Evaluation. 2024 May 3;35(3):172-96.
[26] Liu JL, Wang SF, Li YZ, Yu AH. Time-varying damage detection in beam structures using variational mode decomposition and continuous wavelet transform. Construction and Building Materials. 2024 Jan 12;411:134416.
[27] Bhatta S, Dang J. Multiclass seismic damage detection of buildings using quantum convolutional neural network. Computer‐Aided Civil and Infrastructure Engineering. 2024 Feb;39(3):406-23.
[28] Wang C, Liu Y, Zhang X, Li X, Paramygin V, Sheng P, Zhao X, Xu S. Scalable and rapid building damage detection after hurricane Ian using causal Bayesian networks and InSAR imagery. International Journal of Disaster Risk Reduction. 2024 Mar 5:104371.
[29] Chopra, A.K., Dynamics of structures. 2007: Pearson Education India.
[30] Bekdaş, G., et al., Optimization in civil engineering and metaheuristic algorithms: a review of state-of-the-art developments. Computational intelligence, optimization and inverse problems with applications in engineering, 2019: p. 111-137.
[31] Faramarzi, A., et al., Equilibrium optimizer: A novel optimization algorithm. Knowledge-Based Systems, 2020. 191: p. 105190.
[32] Mirjalili, S., S.M. Mirjalili, and A. Lewis, Grey wolf optimizer. Advances in engineering software, 2014. 69: p. 46-61.
[33] Mirjalili, S. and A. Lewis, The whale optimization algorithm. Advances in engineering software, 2016. 95: p. 51-67.
[45] Vamvatsikos D, Cornell CA. Applied incremental dynamic analysis. Earthquake spectra. 2004 May;20(2):523-53.
[46] Brunesi E, Nascimbene R, Parisi F, Augenti N. Progressive collapse fragility of reinforced concrete framed structures through incremental dynamic analysis. Engineering Structures. 2015 Dec 1;104:65-79.
