چكيده فارسي :
امروزه، ايمني سازه‌ها از جمله هواپيماها و پل‌ها به عنوان يكي از مهمترين چالش‌هاي صنعت مطرح است. تنش و كرنش ايجاد شده در بدنه سازه‌هايي به مانند هواپيما و پل مي‌تواند منجر به خرابي و نقص‌هاي ساختاري شود كه ممكن است در نهايت به حوادث ناگوار منجر شود. بنابراين، نظارت بر سلامت سازه از اهميت بالايي برخوردار است و مي‌تواند به طور قابل توجهي به افزايش ايمني كمك كند. نظارت بر سلامت سازه به مهندسين و متخصصين، امكان بررسي وضعيت سازه به صورت بلادرنگ را مي‌دهد و مي‌تواند آنها از وقوع حوادث مطلع سازد. در دهه‌هاي اخير، استفاده از شبكه‌هاي حسگري براي نظارت و كنترل سلامت بدنه سازه‌ها از اهميت بسزايي برخوردار شده است. از آنجايي كه سلامت و ايمني سازه‌هايي به مانند هواپيما و پل از اهميت بالايي برخوردار است، طراحي يك سيستم هوشمند براي تشخيص خرابي در اين سازه‌ها امري حياتي به شمار مي‌رود. تشخيص وقوع آسيب در يك سازه پل به كمك هوش مصنوعي و الگوريتم‌هاي يادگيري ماشين، هدف اصلي اين پايان‌نامه خواهد بود. در اين پايان‌نامه قصد داريم با استفاده از سيگنال¬هاي جمع¬آوري شده توسط حسگرهاي كرنش¬سنج و شتاب‌سنج تعبيه شده در يك سازه پل، يك سيستم هوشمند جهت تشخيص آسيب پل ارائه نمائيم. از آنجايي كه داده‌هاي مورد استفاده در اين پايان‌نامه، ماهيت سيگنال گونه دارند، روش پيشنهادي در اين پايان‌نامه، استفاده از دو مفهوم پركاربرد در پردازش سيگنال‌هاي ديجيتال به نام دوهمدوسي و تبديل هيلبرت-هوانگ است. روش دوهمدوسي به بررسي ميزان ارتباط بين جفت فركانس‌ها در يك يا چندين سيگنال غير خطي مي‌پردازد، تبديل هيلبرت-هوانگ نيز با اعمال بر روي يك سيگنال، اطلاعات فركانس-زماني و دامنه‌اي سيگنال را در اختيار ما قرار مي‌دهد. روش پيشنهادي، از يك شبكه حسگر براي جمع‌آوري داده‌هاي كرنش و شتاب در قسمت‌هاي مختلف پل استفاده مي‌كند. در اين پايان‌نامه از داده‌هاي جمع آوري شده از طريق حسگرهاي شتاب‌سنج و كرنش‌سنج نصب شده بر روي يك پل واقع در كشور بلژيك استفاده شده است. داده‌هاي جمع‌آوري شده توسط حسگرها به يك شبكه‌هاي عصبي عميق براي پردازش و تحليل داده‌ها و تشخيص خرابي‌هاي احتمالي در سازه پل تحويل داده مي‌شود. روش ارائه شده در اين پايان‌نامه داراي مزاياي متعددي نسبت به روش‌هاي سنتي نظارت بر سلامت سازه پل است. از جمله اين مزايا مي‌توان به دقت بالاتر در تشخيص خرابي نسبت به روش‌هاي سنتي نظارت بر سلامت سازه اشاره كرد. روش ارائه شده در اين پايان‌نامه مي‌تواند به طور قابل توجهي به افزايش ايمني پل‌ها كمك كند. اين روش با استفاده از سيگنال‌هاي حسگرهاي شتاب‌سنج و كرنش‌سنج با كمك يادگيري عميق مي‌تواند خرابي‌ها را در سازه پل با دقت بالا تشخيص دهد.
چكيده انگليسي :
Nowadays, the safety of structures, including airplanes and bridges, is considered as one of the most important challenges in the industry. The stress and strain created in the body of structures such as airplanes and bridges can lead to breakdowns and structural defects that may eventually lead to accidents. Therefore, Structural Health Monitoring is of great importance and can significantly help increase safety. Structural Health Monitoring allows engineers and experts to check the condition of the structure in real time and can inform them about the occurrence of accidents. In recent decades, the use of sensor networks to monitor and control the health of structures has become very important. Since the health and safety of structures such as airplanes and bridges are of great importance, designing an intelligent system to detect failures in these structures is considered vital. The main goal of this research will be to detect the occurrence of damage in a bridge with the help of artificial intelligence and machine learning algorithms. In this research, we intend to present an intelligent system for detecting bridge damage by using the signals collected by strain gauge and accelerometer sensors embedded in a bridge structure. Since the data used in this research are signal-type, the proposed method in this research is to use two widely used concepts in digital signal processing, called bicoherence and Hilbert-Huang transform. The bicoherence method examines the degree of correlation between pairs of frequencies in one or more nonlinear signals, the Hilbert-Huang transformation also provides us with the signal's frequency-time and amplitude information by applying it to a signal. The proposed method uses a sensor network to collect strain and acceleration data in different parts of the bridge. in this research, the data collected through accelerometer and strain gauge sensors installed on a bridge located in Belgium have been used. The data collected by the sensors is delivered to a deep neural network to process and analyze the data and detect possible failures in the bridge structure. The method presented in this research has several advantages over the traditional methods of structure health monitoring of bridge. Among these advantages, we can mention higher accuracy in failure detection and lower cost compared to traditional methods of structural health monitoring. The method presented in this research can significantly help increase the safety of bridges. This method, using the signals of accelerometer and strain gauge sensors with the help of deep learning, can detect failures in the bridge structure with high accuracy.
