تشخیص آسیب دیدگی در پل های کابلی با استفاده از آنالیز دامنه فرکانس و خوشه بندی داده ها

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، گروه عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران،

چکیده

پل‌های کابلی از جمله شریان‌های حیاتی با اهمیت زیاد هستند که همه ساله هزینه‌های بالایی صرف تعمیر و نگهداری آنها می­شود. پایش سلامت این پل‌هامی‌تواند از خسارت‌های مالی و جانی نامطلوب بکاهد. در این مقاله یک روش پایش سلامت پل‌های کابلی بر اساس پردازش سیگنال و خوشه بندی داده­ها ارائه شده است. از آنجا که دقت روش پردازش سیگنال می­تواند به شدت بر دقت شناسایی خسارت تأثیرگذار باشد، در بخش اول مقاله، ابتدا مقایس‌های شده است بین کارایی روش محبوب FDD و دو روش جدیدتر AFDD و TDD که تعدادی از ضعف­های این روش را برطرف کرده‌اند، و در نهایت روشی که کارآمدتر می‌باشد انتخاب شده است. از میان این روش‌ها، روش FDD با موفقیت در بسیاری از روش‌های مبتنی بر پردازش سیگنال به کار رفته است، ولی روش‌های جدیدتر AFDD و TDD هنوز به اندازه FDD مورد مطالعه قرار نگرفته‌اند. در بخش دوم با بهره گیری از شبکه عصبی رقابتی برای خوشه بندی فرکانس‌ها، یک شاخص خسارت جدید با محاسبه فاصله اقلیدسی مراکز خوشه‌ها ارائه شده است. نتایج نشان می‌دهد که روش ارائه شده می‌تواند با دقت مناسبی حالت‌های سالم و آسیب را از یکدیگر تفکیک کند.

کلیدواژه‌ها


عنوان مقاله [English]

Damage Detection of Cable-Stayed Bridges Using Frequency Domain Analysis and Clustering

نویسنده [English]

  • Ehsan Darvishan
Assistant Professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran
چکیده [English]

 Cable-stayed bridges are vital structures which need significant maintenance and repair costs every year. Therefore, health monitoring of such structures can mitigate human and financial losses. In this paper, a damage detection method for cable-stayed bridges was proposed using signal processing and clustering. Since the accuracy of signal processing can considerably affect the accuracy of damage detection results, in the first part of the paper, a comparison was carried out between the popular FDD method and two newer AFDD and TDD methods, which were improved some of the FDD drawbacks. Then, the most effective method was selected. Among these procedures, FDD was successfully implemented in signal-based procedures. However, the two newer ones had not adequately investigated in comparison to FDD. In the second part, by using competitive neural network for clustering, a new damage index was introduced by calculation of the Euclidian distances of cluster centers. Results showed that the proposed damage detection algorithm can differentiate healthy and damage states with acceptable accuracy.

کلیدواژه‌ها [English]

  • Damage Detection
  • Structural Health Monitoring
  • Signal Processing
  • Clustering
  • Competitive Neural Network
[1]   Basten, T., & Schiphorst, F. (2012). Structural health monitoring with a wireless vibration sensor network. Paper presented at the Proceedings of the International Conference on Noise and Vibration Engineering, ISMA.
[2]   Brincker, R., Andersen, P., & Jacobsen, N.-J. (2007). Automated frequency domain decomposition for operational  modal  analysis.  Paper  presented   at  the Proceedings of The 25th International Modal Analysis Conference (IMAC), Orlando, Florida.
[3]  Brincker, R., Zhang, L., & Andersen, P. (2001). Modal identification of output-only systems using frequency domain decomposition. Smart materials and structures, 10(3), 441.
[4]   Cabboi, A. (2014). Automatic operational modal analysis: challenges and applications to historic structures and infrastructures.
[5]   Farrar, C. R., Doebling, S. W., & Nix, D. A. (2001). Vibration–based structural damage identification. Philosophical Transactions  of  the  Royal  Society  of London. Series A: Mathematical, Physical and Engineering Sciences, 359(1778), 131-149.
[6]  Górski, P. (2017). Dynamic characteristic of tall industrial chimney estimated from GPS measurement and frequency domain decomposition. Engineering Structures, 148, 277-292.
[7]  Hsu, K., Cheng, C., & Chiang, C. (2016). Long-term monitoring of two highway bridges using microwave interferometer-case studies. Paper presented at the 2016 16th International Conference on Ground Penetrating Radar (GPR).
[8]  Ibrahim, S. (1977).  Random  decrement  technique  for modal identification of structures. Journal of Spacecraft and Rockets, 14(11), 696-700.
[9]  Johnson, E. A., Lam, H.-F., Katafygiotis, L. S., & Beck, J. L. (2004). Phase I IASC-ASCE structural health monitoring benchmark problem using  simulated data. Journal of engineering mechanics, 130(1), 3-15.
[10]  Kim, B. H., Stubbs, N., & Park, T. (2005). A new method to extract modal parameters using output- only responses. Journal of sound and vibration, 282(1-2), 215-230.
[11]  Li, S., Li, H., Liu, Y., Lan, C., Zhou, W., & Ou, J. (2014). SMC structural health monitoring benchmark problem using monitored data from an actual cable‐stayed  bridge.  Structural  Control  and  Health Monitoring, 21(2), 156-172.
[12]  Malekjafarian, A., & OBrien, E. J. (2014). Identification of bridge mode shapes using short time frequency domain decomposition of the responses measured in a passing vehicle. Engineering Structures, 81, 386-397.
[13]  McClelland, J. L., Rumelhart, D. E., & Group, P. R. (1987). Parallel distributed processing (Vol. 2): MIT press Cambridge, MA.
[14]  Mieloszyk, M., Opoka, S., & Ostachowicz, W. (2015). Frequency Domain Decomposition performed on the strain data obtained from the aluminium model of   an offshore support structure. Paper presented at the Journal of Physics: Conference Series.
[15]  Pastor, M., Binda, M., & Harčarik, T. (2012). Modal assurance criterion. Procedia Engineering, 48, 543- 548.
[16]  Peter, C., Alison, F., & Liu, S. (2003). Review paper: health monitoring of civil infrastructure. Structural health monitoring, 2(3), 0257-0267.