آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,353 |
| تعداد مقالات | 16,536 |
| تعداد مشاهده مقاله | 53,630,908 |
| تعداد دریافت فایل اصل مقاله | 16,089,438 |
مطالعه مقایسه‌ای و ارائه رویکردی دقیق جهت تشخیص آسیب سازه‌های قابی مبتنی بر مدل‌های شبکه عصبی عمیق | ||
| مهندسی مکانیک دانشگاه تبریز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 اسفند 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jmeut.2025.63709.3467 | ||
| نویسندگان | ||
| اکبر اصغرزاده بناب* 1؛ غلامرضا نصیرپور1؛ امید اللهیاری پرگو2 | ||
| 1گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا | ||
| 2گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران | ||
| چکیده | ||
| در چند دهه اخیر، روش‌های مبتنی بر داده، اثربخشی بالایی در زمینه پایش سلامت سازه‌ها با رویکرد تشخیص آسیب نشان داده‌اند. در گذشته، استفاده از سیگنال‌های خام حسگرهای سری زمانی برای عیب‌یابی سازه‌ها به دلیل ابعاد بالای ذاتی داده‌های اندازه‌گیری شده، تقریباً غیرممکن بود. با این حال، پیشرفت‌های اخیر درشبکه‌های عصبی و مدل‌های یادگیری ماشین، نیاز به پیش‌پردازش پیچیده داده‌های سری زمانی را برطرف کرده است. پایش بر اساس دسترسی به اطلاعات سالم و آسیب‌دیده سازه در شکل دسته‌بندی با رویکرد تشخیص الگو رویکرد غالب پژوهش‌های اخیر بوده است. در این مطالعه، در رویکردی بر مبنای پایش نظارت‌شده، مطالعه‌ای مقایسه‌ای بین چهار الگوریتم یادگیری عمیق نوین، در تشخیص آسیب سازه‌ای با استفاده از داده‌های خام بررسی شده است. این چهار الگوریتم شامل شبکه LSTM، GRU، 1D-CNN و شبکه ترکیبی 1D-CNN-LSTM هستند. و رویکردی دقیق (مدل ترکیبی 1D-CNN-LSTM با دقت %9/99) بر روی داده‌های سازه مبنا آزمایشگاه لس آلاموس ارائه شده‌است. مدل 1D-CNN-LSTM بدون پیش‌پردازش به‌خصوص نظیر الگوریتم‌های پردازش سیگنال یا کاهش ابعاد، از نظر دقت، تعداد پارامترها و زمان آموزش، در مقایسه با سه مدل دیگر عملکردی ممتاز دارد. | ||
| کلیدواژه‌ها | ||
| پایش سلامت سازه؛ تشخیص آسیب سازه‌ای؛ شناسایی الگو؛ استخراج ویژگی؛ شبکه عصبی عمیق؛ پردازش سیگنال | ||
|
آمار تعداد مشاهده مقاله: 39 |
||