ترجمه فارسی مقاله شناسایی آسیب برای پل‌ها با استفاده از یادگیری ماشین: توسعه و کاربرد در پل KW51

چکیده

Over the past few decades, structural health monitoring (SHM) has drawn significant attention to identifying damage in structures. However, there are open challenges related to the efficiency and applicability of the existing damage identification approaches. This paper proposes an effective approach that integrates both modal analysis and dynamic analysis strategies for damage identification and applies it to the KW51 railway bridge in Leuven, Belgium. The ML-based damage identification utilizes four types of features: modal analysis input, frequency characteristics, time-frequency characteristics, and stacked time series feature extraction from forced acceleration response. Signal processing methods such as stacking, Fourier transform, and wavelet transform are employed to extract damage-sensitive features from the acceleration series. The ML methods, including the k-nearest neighbors (kNN) algorithm, stacked gated recurrent unit (stacked GRU) network, and convolutional neural network (CNN), are then combined to assess the existence, extent, and location of damage. The proposed method is applied to the KW51 railway bridge. A finite element model (FEM) of the KW51 bridge is developed, which is validated by modal analysis. Various extents and locations of damage are simulated to generate the “Damaged” data, while the “Intact” data from FEM or measured data serve as a baseline for comparison. The identification results for the KW51 bridge demonstrate the high accuracy and robustness of the proposed approach, confirming its effectiveness in damage identification problems.

چکیده به فارسی (ترجمه ماشینی)

طی چند دهه گذشته ، نظارت بر سلامت ساختاری (SHM) توجه قابل توجهی به شناسایی آسیب در ساختارها جلب کرده است.با این حال ، چالش های باز در رابطه با کارآیی و کاربرد رویکردهای شناسایی آسیب موجود وجود دارد.این مقاله یک رویکرد مؤثر را ارائه می دهد که هم تجزیه و تحلیل معین و هم استراتژی های تجزیه و تحلیل پویا را برای شناسایی آسیب ادغام می کند و آن را در پل راه آهن KW51 در لوون ، بلژیک اعمال می کند.شناسایی خسارت مبتنی بر ML از چهار نوع ویژگی استفاده می کند: ورودی تجزیه و تحلیل معین ، ویژگی های فرکانس ، ویژگی های فرکانس زمانی و استخراج ویژگی های سری زمانی انباشته شده از پاسخ شتاب اجباری.روش های پردازش سیگنال مانند انباشت ، تبدیل فوریه و تبدیل موجک برای استخراج ویژگی های حساس به آسیب از سری شتاب استفاده می شود.روش های ML ، از جمله الگوریتم K-Nearest همسایگان (KNN) ، شبکه مکرر دروازه پشته (GRU انباشته شده) و شبکه عصبی حلقوی (CNN) ، سپس برای ارزیابی وجود ، میزان و محل خسارت ترکیب می شوند.روش پیشنهادی در پل راه آهن KW51 اعمال می شود.یک مدل عناصر محدود (FEM) از پل KW51 تهیه شده است که با تجزیه و تحلیل معین تأیید می شود.وسعت و مکانهای مختلف آسیب برای تولید داده های “آسیب دیده” شبیه سازی می شود ، در حالی که داده های “دست نخورده” از FEM یا داده های اندازه گیری شده به عنوان یک مبنای اولیه برای مقایسه عمل می کنند.نتایج شناسایی برای پل KW51 نشان دهنده دقت و استحکام بالای رویکرد پیشنهادی ، تأیید اثربخشی آن در مشکلات شناسایی آسیب است.