اکسپرس 24
ترجمه فارسی مقاله شناسایی آسیب برای پل‌ها با استفاده از یادگیری ماشین: توسعه و کاربرد در پل KW51

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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Damage identification for bridges using machine learning: Development and application to KW51 bridge
عنوان مقاله به فارسی شناسایی آسیب برای پل‌ها با استفاده از یادگیری ماشین: توسعه و کاربرد در پل KW51
نویسندگان Yuqing Qiu, Bilal Ahmed, Diab W. Abueidda, Waleed El-Sekelly, Borja Garcia de Soto, Tarek Abdoun, Hongli Ji, Jinhao Qiu, Mostafa E. Mobasher
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
دسته بندی موضوعات Signal Processing,پردازش سیگنال ,
توضیحات Submitted 6 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.