شماره مدرك :
20297
شماره راهنما :
17490
پديد آورنده :
نصرالهي، محسن
عنوان :

پايش بر خط آسيب در ستون بتن آرمه بر اساس شدت و فعاليت انتشار صوتي

مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
سازه
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع :
1403
صفحه شمار :
شانزده، 104ص،.: مصور، جدول، نمودار
توصيفگر ها :
انتشار آكوستيك، پايش سلامت سازه، ستون بتن آرمه، محصور شدگي بتن، بارگذاري يكنوا، بارگذاري سيكلي، تحليل شدت و فعاليت، يادگيري ماشين، روش‌هاي غيرمخرب
تاريخ ورود اطلاعات :
1404/03/10
كتابنامه :
كتابنامه
رشته تحصيلي :
عمران
دانشكده :
مهندسي عمران
تاريخ ويرايش اطلاعات :
1404/03/11
كد ايرانداك :
23135938
چكيده فارسي :
انتشار آكوستيك يكي از روش‌هاي پيشرفته و غير مخرب در پايش سلامت سازه‌ها است كه با ثبت و تحليل سيگنال‌هاي صوتي ناشي از ايجاد يا گسترش آسيب‌ها، امكان شناسايي و ارزيابي وضعيت اجزاي سازه‌اي را فراهم مي‌كند. با توجه به نقش حياتي ستون‌ها در باربري سازه‌ها، پايش سلامت اين اعضا براي تضمين ايمني و پايداري سازه‌ها اهميت ويژه‌اي دارد. با اين حال، تحقيقات پيشين در اين حوزه عمدتاً بر اعضاي خمشي متمركز بوده و روش‌هاي توسعه ‌يافته در پايش سلامت ستون‌ها محدود بوده‌اند. هدف از اين پژوهش، توسعه‌ي روشي جديد براي پايش سلامت ستون‌هاي بتن آرمه با استفاده از داده‌هاي انتشار آكوستيك و تحليل پارامترهاي سيگنال‌هاي آكوستيكي است. براي اين منظور، ستون‌هاي بتن آرمه با درصدهاي مختلف آرماتور عرضي ساخته و تحت بارگذاري‌هاي محوري يكنوا و سيكلي آزمايش شدند. سيگنال‌هاي آكوستيكي ثبت‌شده با استفاده از رويكردي چندمولفه‌اي و تحليل پارامترهايي هم چون شدت، فعاليت، و انرژي بررسي شدند. نتايج نشان داد كه ستون‌هاي با محصور شدگي بيش‌تر رفتار پايدارتري از خود نشان مي‌دهند و آسيب‌ها در اين ستون‌ها به ‌طور تدريجي و كنترل ‌شده گسترش مي‌يابند. هم‌چنين، تفاوت‌هاي آشكاري ميان الگوهاي آسيب در ستون‌هاي با آرماتورهاي عرضي متفاوت مشاهده شد. براي تحليل اين داده‌ها، روشي جديد با عنوان تحليل شدت و فعاليت توسعه داده شد كه تركيبي از پارامترهاي آكوستيكي و الگوريتم‌هاي پيشرفته براي مدل‌سازي روند آسيب را به كار مي‌گيرد. اين روش با دقت بالا توانست الگوهاي گسترش آسيب را در شرايط بارگذاري مختلف شبيه‌سازي كند و تفاوت ميان رفتار نمونه‌ها را به‌وضوح نشان دهد. روش تحليل شدت و فعاليت، با تكيه بر تلفيق چندين پارامتر كليدي و استفاده از يادگيري ماشين، ابزار قدرتمندي براي شناسايي زودهنگام آسيب‌ها و پايش سلامت ستون‌هاي بتن آرمه ارائه مي‌دهد. اين روش چندمولفه‌اي، قابليت تعميم به ساير اجزاي سازه‌اي را نيز دارد و افق‌هاي جديدي در زمينه‌ي تضمين ايمني و پايش سلامت سازه‌ها مي‌گشايد.
چكيده انگليسي :
Acoustic emission (AE) is an advanced and non-destructive method for structural health monitoring (SHM) that facilitates the identification and eva‎luation of structural components by recording and analyzing sound signals generated by the initiation or progression of damage. Given the critical role of columns in structural load-bearing, monitoring their health is of paramount importance for ensuring the safety and stability of structures. However, prior research in this field has predominantly focused on flexural members, with limited development of SHM methods tailored to columns. This study aims to develop a novel approach for monitoring the health of reinforced concrete (RC) columns using AE data and the analysis of acoustic signal parameters. For this purpose, RC columns with varying transverse reinforcement ratios were constructed and subjected to monotonic and cyclic axial loading. The recorded AE signals were analyzed using a multi-parameter approach, including parameters such as intensity, activity, and energy. The results indicated that columns with higher confinement exhibited more stable behavior, with damage propagating gradually and in a controlled manner. Additionally, significant differences in damage patterns were observed among columns with different transverse reinforcement configurations. To analyze the data, a new method called Intensity-Activity Analysis was developed, which integrates acoustic parameters with advanced algorithms to model damage progression. This method accurately simulated damage propagation patterns under various loading conditions and clearly differentiated the behavior of the specimens. The Intensity-Activity Analysis method, leveraging the integration of multiple key parameters and machine learning, offers a powerful tool for early damage detection and health monitoring of RC columns. This multi-component approach is also adaptable to other structural components, opening new horizons for ensuring structural safety and advancing SHM techniques
استاد راهنما :
داود مستوفي نژاد , عليرضا سلجوقيان
استاد داور :
محمدرضا افتخار , آلاء ترابيان اصفهاني
لينک به اين مدرک :

بازگشت