Прогнозирование групповых дефектов в модели прямоугольной профильной балки с использованием основанной на частотном отклике кривизны формы колебаний с помощью нейронной сети с обратным распространением

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В гражданской инфраструктуре конструкции, состоящие из профильных элементов, играют важную роль с экономической точки зрения благодаря меньшему собственному весу и устойчивости к функциональным нагрузкам. В настоящее время периодическое обслуживание или мониторинг состояния конструкций является обязательным для достижения максимального использования потенциала конструкционных элементов. В данной работе проведены экспериментальное, численное и аналитическое исследования для изучения структурного повреждения и его серьезности в трубчатой прямоугольной балке из конструкционной стали. Модальные параметры извлекаются с помощью регистратора динамических параметров (B&K) путем воздействия ударного молотка на модельную конструкции и получения данных с помощью набора однонаправленных акселерометров. Сначала из полученных модальных параметров извлекаются две формы колебаний. Ожидается, что во время эксперимента модальные параметры будут содержать шум окружающей среды, поэтому для получения данных без шума необходимо его устранить. Для уменьшения шума в модальных параметрах, полученных на эксперименте, используется обучение искусственной нейронной сети. Используя модифицированные модальные параметры, определяют кривизну формы моды, а так называемая измененная кривизна формы колебаний (ИКФК) используется для расчета индекса дефекта кривизны. Индекс дефекта кривизны применим для исследования расположения групповых дефектов с различными уровнями критичности в конструкциях, состоящих из профильных прямоугольных балок.

Об авторах

Сону Кумар Гупта

Национальный технологический институт

Email: sngupta77@gmail.com
Агартала, Индия

Сураджит Дас

Национальный технологический институт

Email: surajit2006r@gmail.com
Агартала, Индия

Список литературы

  1. Wahab M.A., De Roeck G. Damage detection in bridges using modal curvatures: application to a real damage scenario //j. Sound. Vib. 1999. V. 226 (2). P. 217-235. https://doi.org/10.1006/jsvi.1999.2295
  2. Owolabi G. M., Swamidas A.S.J., Seshadri R. Crack detection in beams using changes in frequencies and amplitudes of frequency response functions //j. Sound. Vib. 2003. V. 265. No. 1. P. 1-22. https://doi.org/10.1016/S0022-460X(02)01264-6
  3. Sinou Jean-Jacques. Damage assessment based on the frequencies' ratio surfaces intersection method for the identification of the crack depth, location and orientation // Structural Durability and Health Monitoring. 2007. V. 3. No. 3. P. 134-162.
  4. Altunışık Ahmet Can, Okur Fatih Yesevi, Kahya Volkan. Structural identification of a cantilever beam with multiple cracks: Modeling and validation // International Journal of Mechanical Sciences. 2017. V. 130. P. 74-89. https://doi.org/10.1016/j.ijmecsci.2017.05.039
  5. Yazdekhasti Sepideh, Piratla Kalyan R., Atamturktur Sez, Khan Abdul. Experimental evaluation of a vibration-based leak detection technique for water pipelines // Structure and Infrastructure Engineering. 2018. V. 14. No. 1. P. 46-55. https://doi.org/10.1080/15732479.2017.1327544
  6. Altunışık Ahmet Can, Okur Fatih Yesevi, Karaca Sebahat, Kahya Volkan. Vibration-based damage detection in beam structures with multiple cracks: modal curvature vs. modal flexibility methods // Nondestructive Testing and Evaluation. 2019. V. 34. No. 1. P. 33-53. https://doi.org/10.1080/10589759.2018.1518445
  7. Roy Koushik. Structural damage identification using mode shape slope and curvature // Journal of Engineering Mechanics. 2017. V. 143. No. 9. P. 04017110. https://doi.org/10.1061/(ASCE)EM.1943-7889.0001305
  8. Feng Dongming, Feng Maria Q. Output-only damage detection using vehicle-induced displacement response and mode shape curvature index // Structural Control and Health Monitoring. 2016. V. 23. No. 8. P. 1088-1107. https://doi.org/10.1002/stc.1829
  9. Pandey A.K., Biswas M., Samman M.M. Damage detection from changes in curvature mode shapes //j. of sound and vibration. 1991. V. 145. No. 2. P. 321-332. https://doi.org/10.1016/0022-460X(91)90595-B
  10. Brigham E.O. The Fast Fourier Transform and Applications. Englewood Cliffs, NJ: Prentice Hall, 1988.
  11. Zenzen R., Khatir Samir, Belaidi I., Wahab Magd Abdel. Structural health monitoring of beam-like and truss structures using frequency response and particle swarm optimization // Numerical Modelling in Engineering. Springer, Singapore, 2018. P. 390-399. DOI: 10.1007_978-981-13-2273-0_30
  12. Worden Keith, Charles R. Farrar, Jonathan Haywood, Michael Todd. A review of nonlinear dynamics applications to structural health monitoring. Structural Control and Health Monitoring // The Official Journal of the International Association for Structural Control and Monitoring and the European Association for the Control of Structures. 2008. V. 15. No. 4. P. 540-567. https://doi.org/10.1002/stc.215
  13. de la Cruz Rafael, Salehi Paniagua V.K., Salgado Sánchez P., García-Fogeda P. A Vibration-Based Method for assessing the integrity of welded structures // Nondestructive Testing and Evaluation. 2020. V. 35. No. 4. P. 452-472. https://doi.org/10.1080/10589759.2019.1692011
  14. Pooya Seyed Majid Hosseini, Massumi Ali. A novel and efficient method for damage detection in beam-like structures solely based on damaged structure data and using mode shape curvature estimation // Applied Mathematical Modelling. 2021. V. 91. P. 670-694. https://doi.org/10.1016/j.apm.2020.09.012
  15. Sha Ganggang, Radzieński Maciej, Cao Maosen, Ostachowicz Wiesław. A novel method for single and multiple damage detection in beams using relative natural frequency changes // Mechanical Systems and Signal Processing. 2019. V. 132. P. 335-352. https://doi.org/10.1016/j.ymssp.2019.06.027
  16. Gorgin Rahim. Damage identification technique based on mode shape analysis of beam structures // Structures. Elsevier, 2020. V. 27. P. 2300-2308. https://doi.org/10.1016/j.istruc.2020.08.034
  17. Hooman Nick, Armin Aziminejad. Vibration-Based Damage Identification in Steel Girder Bridges Using Artificial Neural Network Under Noisy Conditions // Journal of Nondestructive Evaluation. 2021. V. 40. No. 1. P. 1-22. https://doi.org/10.1007/s10921-020-00744-8
  18. Hamey Cole S., Wahyu Lestari, Pizhong Qiao, Gangbing Song. Experimental damage identification of carbon/epoxy composite beams using curvature mode shapes // Structural Health Monitoring. 2004. V. 3. No. 4. P. 333-353. https://doi.org/10.1177/1475921704047502
  19. Kumar Anjneya, Koushik Roy. Response surface-based structural damage identification using dynamic responses // Structures. Elsevier. 2021. V. 29. P. 1047-1058. https://doi.org/10.1016/j.istruc.2020.11.033
  20. Gupta Krishanu, Bhattacharjee Biplab, Gupta Sonu Kumar, Chakraborti Prasun. Study of natural frequencies of natural rubber cored novel sandwich structure without tip mass // Structures. Elsevier, 2020. V. 28. P. 651-658. https://doi.org/10.1016/j.istruc.2020.09.010
  21. Stoykov S., Manoach E. Damage localization of beams based on measured forced responses // Mechanical Systems and Signal Processing. 2021. V. 151. P. 107379. https://doi.org/10.1016/j.ymssp.2020.107379
  22. Qiao Pizhong, Lu Kan, Lestari Wahyu, Wang Jialai. Curvature mode shape-based damage detection in composite laminated plates // Composite Structures. 2007. V. 80. No. 3. P. 409-428. https://doi.org/10.1016/j.compstruct.2006.05.026
  23. Sarehati Umar, Norhisham Bakhary, Abidin A.R.Z. Response surface methodology for damage detection using frequency and mode shape // Measurement. 2018. V. 115. P. 258-268. https://doi.org/10.1016/j.measurement.2017.10.047
  24. Gupta S.K., Das S. Damage detection in a cantilever beam using noisy mode shapes with an application of artificial neural network-based improved mode shape curvature technique // Asian. J. Civ. Eng. 2021. https://doi.org/10.1007/s42107-021-00404-w
  25. Gupta S.K., Das S. Multiple Damage Identification in a Beam Using Artificial Neural Network-Based Modified Mode Shape Curvature // Arab. J. Sci. Eng. 2021. https://doi.org/10.1007/s13369-021-06267-2
  26. Cawley Peter, Adams Robert Darius. The location of defects in structures from measurements of natural frequencies // Journal of Strain Analysis for Engineering Design. 1979. V. 14. No. 2. P. 49-57. https://doi.org/10.1243/03093247V142049
  27. Hassiotis Sophia, Jeong Garrett D. Identification of stiffness reductions using natural frequencies //j. Eng. Mech. 1995. V. 121. No. 10. P. 1106-1113. https://doi.org/10.1061/(ASCE)0733-9399(1995)121:10(1106)
  28. Rucevskis S., Wesolowski Miroslaw. Identification of damage in a beam structure by using mode shape curvature squares // Shock and Vibration. 2010. V. 17. No. 4-5. P. 601-610. https://doi.org/10.3233/SAV-2010-0551
  29. Bishop Christopher M. Neural networks for pattern recognition. Oxford university press, 1995.
  30. Bakhary Norhisham, Hong Hao, Deeks Andrew J. Structure damage detection using a neural network with multi-stage substructuring // Advances in Structural Engineering. 2010. V. 13. No. 1. P. 95-110. https://doi.org/10.1260/1369-4332.13.1.95
  31. Padil Khairul H., Bakhary Norhisham, Abdulkareem Muyideen, Li Jun, Hao Hong. Non-probabilistic method to consider uncertainties in frequency response function for vibration-based damage detection using Artificial Neural Network // Journal of Sound and Vibration. 2020. V. 467. P. 115069. https://doi.org/10.1016/j.jsv.2019.115069
  32. Hakim S.J.S., Razak H. Abdul, Ravanfar S.A. Fault diagnosis on beam-like structures from modal parameters using artificial neural networks // Measurement. 2015. V. 76. P. 45-61. https://doi.org/10.1016/j.measurement.2015.08.021
  33. Ismail Harun Mohamed, Ng Hoon Kiat, Queck Cheen Wei, Gan Suyin. Artificial neural networks modelling of engine-out responses for a light-duty diesel engine fuelled with biodiesel blends // Applied energy. 2012. V. 92. P. 769-777. https://doi.org/10.1016/j.apenergy.2011.08.027
  34. Yusaf Talal F., Buttsworth D. R., Saleh Khalid H., Yousif B.F. CNG-diesel engine performance and exhaust emission analysis with the aid of artificial neural network // Applied Energy. 2010. V. 87. No. 5. P. 1661-1669. https://doi.org/10.1016/j.apenergy.2009.10.009
  35. Bhowmik Subrata, Rajsekhar Panua, Durbadal Debroy, Abhishek Paul. Artificial neural network prediction of diesel engine performance and emission fueled with Diesel-Kerosene-Ethanol Blends: A fuzzy-based optimization // Journal of Energy Resources Technology. 2017. V. 139. No. 4. https://doi.org/10.1115/1.4035886
  36. Lubna Badri. Development of neural networks for noise reduction // Int. Arab J. Inf. Technol. 2010. V. 7. No. 3. P. 289-294.
  37. Limongelli M.P. Frequency response function interpolation for damage detection under changing environment // Mechanical Systems and Signal Processing. 2010. V. 24. No. 8. P. 2898-2913.
  38. Hassoun Mohamad H. Fundamentals of artificial neural networks. MIT press, 1995.
  39. Young Dana, Felgar Robert P. Tables of characteristic functions representing nomal modes of vibration of a beam. 1949.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».