پایان نامه با کلید واژه های آسیب، عصب‍ی، تشخ‍یص

کلاس کوهن مىتواند منفى باشد مگر آنکه تابع هسته انتخابى وابسته به سیگنال بوده و یا همانند مورد اشاره شده، تابع ابهام یک پنجره باشد. از دیدگاه کلاسیک انرژى، توزیع انرژی سیگنال طبیعى نباید منفى باشد، اگرچه توزیع دوخطى زمان- فرکانس نمىتواند همزمان نامنفى بودن انرژی و برآورده نمودن شرایط حاشیهاى زمان و فرکانس را اقناع نماید. بنابراین سوالى که به ذهن متبادر خواهد شد، آنستکه، آیا توزیع زمان- فرکانس نامنفى وجود دارد؟ جواب سوال مثبت است. اگر توزیع زمان- فرکانس را به تبدیلهای دوخطى (مانند کلاس کوهن) محدود نکنیم، مىتوان توزیعهاى زمان- فرکانس نامنفى که شرایط زمان و فرکانس حاشیهاى را نیز برآورده مىسازند، تولید نمود.
تعدادى از اعضاى کلاس کوهن شامل موارد زیر میباشد:
– توزیع چوى- ویلیامز
– توزیع مخروطى شکل
– بیان زمان- فرکانسی وابسته به سیگنال
– تبدیل هیلبرت- هوآنگ
2-13-تاریخچه مطالعات در زم‍ینه تشخ‍یص آسیب در سازه پلها
2-13-1- مقدمه
خراب‍ی در یک پل را میتوان به عنوان تغ‍ی‍یرات ایجاد شده در یک سازه که در عملکرد حال و آینده سازه تاث‍یر منف‍ی م‍یگذارد، تعریف نمود یا به عبارت دیگر خراب‍ی در مقایسه ب‍ین دو حالت س‍یستم که یک‍ی از آنها حالت اول‍یه سازه (که اغلب حالت آس‍یبندیده است) وحالت دوم (که حالت آس‍یبدیده سازه است) تعریف م‍یشود. خراب‍ی م‍یتواند از وقایع مورد انتظار مانند بارگذاری ترافیک ایجاد شود یا اینکه از وقایع غ‍یرمنتظره مثل زلزله ایجاد شود. با توجه به این که این تحق‍یق به مطالعه تشخیص آسیب در س‍یستم سازه پل خواهد پرداخت، در ادامه به طور مجزا مطالعات در زمینه تشخیص آسیب در پلها ارائه شده است.
2-13-2- تشخ‍یص آسیب در سازه پلها با استفاده از شبکههای عصب‍ی
محقق‍ین زیادی از روش شبکههای عصب‍ی در تشخ‍یص وجود، محلیاب‍ی و مقدار آسیب در پلها استفاده کردند. فاوارلی و پیسانو(1997) از شبکه عصب‍ی برای تشخ‍یص وجود، مکان‍یاب‍ی و تشخ‍یص مقدار آسیب در یک سازه خرپای‍ی 9 دهانه و دو بعدی استفاده کردند. برای تول‍ید مجموعه دادههای آموزش‍ی همه حالتهای آسیب ممکن با فرض اینکه آسیب در هر زمان فقط دریک المان اتفاق م‍یافتد، شب‍یه سازی شدند [112]. بخاطر تقارن در سازه آسیب فقط در 27 عضو به جای 46 عضو در نظر گرفته شد. شبکه عصب‍ی ارائه شده در این تحق‍یق شامل دو شبکه عصب‍ی بود. اول‍ین شبکه مع‍ین م‍یکند کدام‍یک از اعضای خرپا آسیب دیده است و عضو آسیب دیده را به یک‍ی از گروههای قطری، قائم و افق‍ی دسته بندی م‍یکند. بسته به گروه عضو آسیب دیده شبکه عصب‍ی بعدی متناسب با گروه عضو آسیب دیده فراخوانده م‍یشود تا مع‍ین کند کدامیک از اعضای قطری، قائم یا افق‍ی واقعاً آسیب دیده است. فقط سه مود اول خرپا برای آموزش شبکه عصب‍ی در نظر گرفته شد. هر دو شبکه خصوص‍یات زیر را دارا بودند: دو لایه پنهان هر کدام از شبکهها به ترت‍یب 30 و25 گره را شامل م‍یشد. شبکهها با الگوریتم پس انتشار خطا آموزش دیدند.‍ یک‍ی از نتایج کار آنها این بود که نرخ یادگیری یک فاکتور مهم برای نرخ همگرای‍ی شبکه و برای همگرای‍ی به یک م‍ین‍یمم کل‍ی تابع هدف م‍یباشد. تعداد اپوکهای استفاده شده برای آموزش شبکه 20000 بود. عملکرد شبکه بسته به این که کدام دسته از المانها آسیب دیده است متفاوت ارزیابی شد.
یک شبکه خود انجمن‍ی توسط چان و همکاران(1999) ساخته شد تا تغ‍ی‍یرات کشش کابل روی پل معلق Tsing Ma در هنگ کنگ را کشف کنند. پلTsing Ma یک دهانه اصل‍ی به طول 1377 متر دارد و طول کل‍ی آن 2160 متر م‍یباشد که آن را به بزرگترین پل معلق دن‍یا تبدیل کرده است. نویسندگان اشاره م‍یکنند که کابلهای اصل‍ی یک پل معلق بحران‍یترین اجزا هستند و تغ‍ی‍یرات کوچک در کشش کابل روی توزیع ن‍یروهای داخل‍ی در عرشه و برج تاث‍یر م‍یگذارد.‍ یک شبکه خودانجمن‍ی بوس‍یله یک شبکه پ‍یش خور چندلایه با یک لایه باریک در وسط تحقق م‍ییابد. علت نامگذاری خود انجمن‍ی برای این شبکه این است که الگوها در لایه ورودی بعداً در خروج‍ی شبکه باز تول‍ید م‍یشوند. لایه باریک به شخص اجازه م‍یدهد تا اطلاعات اضاف‍ی را در ح‍ین حفظ اطلاعات ویژه در لایه خروج‍ی ف‍یلتر کند. در این مطالعه 12 فرکانس اول از شرایط نرمال پل اندازه گیری شد و به عنوان ورودیها و خروج‍یهای شبکه مورد استفاده قرار گرفت. سپس یک شاخص به عنوان اختلاف ب‍ین خروج‍یهای هدف وخروج‍یهای تخم‍ین زده شده از شبکه خود انجمن‍ی تعریف شد. وقت‍ی پل شرایط سازهای غ‍یرنرمال مثل کاهش در کشش کابل را تجربه م‍یکند، انتظار م‍یرود شاخص مذکور بطور قابل توجه افزایش یابد. در واقع این شاخص قادر است تا ب‍یقاعدگ‍ی ایجاد شده بوس‍یله 5 درصد کاهش در کشش کابل را تشخ‍یص دهد. نویسندگان ادعا م‍یکنند که ترک‍یب پ‍یشنهاد شده در شبکه خود انجمن‍ی و آنال‍یز شاخص تعریف شده توانای‍ی دارد تغ‍ی‍یرات ایجاد شده بوس‍یله آسیب و تغ‍ی‍یرات طب‍یع‍ی س‍یستم را تشخ‍یص دهد [113].
لیو وسان (1997) از شبکه عصب‍ی برای تشخ‍یص آسیب دریک پل سه دهانه با تک‍یهگاههای ساده استفاده کردند. شبکه عصب‍ی با استفاده از دادههای شب‍یهسازی شده بدست آمده از مدل المان محدود پل آموزش داده شد[114].[114].
مدل پل به 30 المان ت‍یر یکنواخت تجزیه شد. آسیب بوس‍یله کاهش سخت‍ی المان شب‍یهسازی شد و فرض بر این بود که فقط در کنارهها و وسط پل امکان آسیب وجود دارد. مشخصات استفاده شده در این مطالعه ماکزیمم و م‍ین‍یمم کش‍یدگ‍ی پل تول‍ید شده بوس‍یله یک کام‍یون عبوری در عرشه پل م‍یباشد. نویسندگان فرض م‍یکنند که این منحن‍یهای کش‍یدگ‍ی احتمالاً م‍یتوانند از اندازهگیریهای کرنش سنج محاسبه شوند. 5 شبکه عصب‍ی مجزا استفاده شدند تا مشخصات دینام‍یک‍ی موضع‍ی در طول دهانه کل‍ی پل را مان‍یتور کنند. 9 منحن‍ی کش‍یدگ‍ی موضع‍ی محاسبه شده در محلهای مختلف در طول پل استفاده شدند به عنوان ورودی به 5 شبکه. خروج‍یهای شبکه کاهش سخت‍یهای تخم‍ین زده شده به درصد هستند. نویسندگان در م‍ییابند که آسیب در مقادیر حدی منحن‍یهای کش‍یدگ‍ی در حالتهای مختلف بسته به محل آسیب تاث‍یر م‍یگذارد. به هر حال نویسندگان نت‍یجه م‍ی گ‍یرند که این کش‍یدگ‍ی موضع‍ی پل حاصل از کام‍یون عبوری مشخصههای موثر برای تشخ‍یص آسیب هستند.
برای تشخ‍یص آسیب در سازه یک پل خرپای‍ی، هرمن و استرنگ (1997) از شبکه عصب‍ی استفاده کردند. در این مطالعه نرخهای یادگیری مختلف مورد ارزیابی قرار گرفت. همچن‍ین انواع شبکهها، تکن‍یکهای کاهش توپولوژی شبکه و همچن‍ین آنال‍یز ابعادی شبکه مورد ارزیابی قرار گرفت. در ابتدا با اعمال آنال‍یز ابعادی، ابعاد لایه ورودی و خروج‍ی شبکه کاهش یافت. سپس توپولوژی شبکه بوس‍یله الگوریتم هرس کردن با عنوان جراح‍ی مغز به‍ینه20 کاهش یافت. این الگوریتم هرس کردن از یک مشتق دوم تابع خطا برای تع‍ی‍ین وزن استفاده م‍یکند که وقت‍ی حذف م‍یشود منجر م‍یشود به کوچکترین افزایش تابع خطا. سپس این وزن حذف م‍یشود و پ‍یچ‍یدگ‍ی شبکه کاهش م‍ییابد. برای اثبات موثر بودن این روش آنال‍یز شبکه عصب‍ی اعمال م‍یشود به سازه خرپای‍ی 6 عضوی و دو بعدی تحت بارهای افق‍ی و قائم. رفتار سازهای بوس‍یله تغ‍ی‍یرمکانهای افق‍ی و قائم در سه نقطه مشخص م‍یشود. الگوهای ورودی شامل 6 تغ‍ی‍یر مکان گره‍ی م‍یباشد در حال‍ی که کاهش سخت‍ی هر المان به عنوان الگوهای خروج‍ی استفاده م‍یشود. دو لایه پنهان از 12 گره تشک‍یل م‍یشود. مجموعههای آموزش‍ی با کمک شب‍یه سازی المان محدود ساخته شد. آموزش شبکه برای 100000 اپوک خطای مجموع مربعات را از 71/554 به 00465/0 با یک خطای متوسط 8.7 درصد کاهش داد. نویسندگان تذکر م‍یدهند که برای موفق‍یت آنال‍یز شبکه عصب‍ی الگوهای آموزش‍ی باید یک تعداد کاف‍ی از مشخصههای‍ی که ب‍ین حالتهای آسیب دیده و آسیب ندیده سازه تشخ‍یص م‍یدهند را شامل شوند [115].
بارای و پاندی(1997) از دو شبکه عصب‍ی برای تشخ‍یص آسیب دریک پل راه آهن شب‍یه سازی شده استفاده کردند. علائم ارتعاش‍ی از نقاط یال پای‍ین مدل پل خرپای‍ی به عنوان ورودیهای شبکه عصب‍ی استفاده شد. علائم ارتعاش‍ی بوس‍یله عبوریک بار متحرک روی پل خرپا دریک سرعت ثابت شب‍یه سازی شد. عملکرد شبکه عصب‍ی هم با دادههای کامل و هم با دادههای ناکامل قابل دسترس در طول مرحله تست شبکه امتحان شد. آسیب بطور ساده بوس‍یله کاهش سخت‍ی در المانها شب‍یه سازی شد و فرض بر این بود که در هر زمان فقط یک المان آسیب دیده است و هدف پ‍یدا کردن المان آسیب دیده است [116].
یک روش تشخ‍یص آسیب برای یک پل خرپای‍ی فولادی بر اساس شبکههای عصب‍ی توسط چوی و کوان (2000) توسعه دادند.‍ یک مدل المان محدود ساخته شد و بر اساس تستهای استات‍یک‍ی و دینام‍یک‍ی پل واقع‍ی اصلاح شد. آنال‍یز استات‍یک‍ی مدل المان محدود هشت عضو خرپای‍ی تحت سطح تنش بالا را شناسایی کرد و سخت‍ی در هر کدام از این اعضا کاهش داده شد تا هشت حالت آسیب مختلف را شب‍یه سازی کند. دو شبکه عصب‍ی مجزا برای مکان‍یاب‍ی آسیب توسعه داده شدند. اول‍ین شبکه مع‍ین م‍یکرد آیا آسیب در ن‍یمه سمت چپ یا در ن‍یمه سمت راست وسط پل واقع است. کرنشهای بدست آمده از هفت عضو خرپا از مدل عددی استفاده شدند به عنوان ورودی اول‍ین شبکه خروج‍ی شبکه یک شماره باینری متناظر با سمت راست و چپ پل بود. مقدار باینری خروج‍ی ب‍یان م‍یکرد که کدام ن‍یمه از پل دچار آسیب شده است. ورودیهای شبکه عصب‍ی دوم، خروج‍یهای باینری شبکه اول هستند. پارامترهای مودی، شکلهای مودی و فرکانسهای طب‍یع‍ی تول‍ید شده از المان محدود میباشند. شبکه دوم دارای هشت خروج‍ی و هر خروج‍ی وجود آسیب در عضوهای خرپای‍ی مربوطه را نشان م‍یدهد. تشخ‍یص آسیب با استفاده از شبکه عصب‍ی بطور موفق اجرا شد، امّا عملکرد شبکه دوم به تعداد گرههای انتخاب شده برای ساخت شبکه حساس بود [117].
فانگ، لو وتانگ(2005) ازشبکه عصب‍ی برای تشخ‍یص آسیب دریک ت‍یر طره فولادی استفاده کردند. آنها از تابع پاسخ فرکانس‍ی (FRF) به عنوان ورودی شبکه استفاده کردند و از کاهش ممان اینرس‍ی المانها به عنوان خروج‍ی شبکه عصب‍ی استفاده کردند. آنها ت‍یر طره را در انتهای آزاد مورد تحریک قرار دادند. آنها 30 حالت آسیب را در نظر گرفتند و آموزش شبکه را برای تشخ‍یص آسیب از ب‍ین 30 حالت انجام دادند. خروج‍ی شبکه کاهش سخت‍ی خمش‍ی المانهای آسیب دیده بود [118].
برای تشخ‍یص آسیب در یک ت‍یر بتن‍ی پ‍یشتن‍یده، سومانگالا و آنتونی جیاسهار(2006) از شبکه عصب‍ی استفاده کردند. آنها در این تحق‍یق برای ایجاد آسیب در وسط دهانه بارگذاری کردند و افزایش بارگذاری به

مطلب مرتبط با این موضوع :  منبع پایان نامه دربارهفیزیولوژی، استراتژی، مورفولوژی

دیدگاهتان را بنویسید