آنالیز مودال عملیاتی خودکار سه مرحله‌ای با استفاده از حذف مودهای ریاضی به روش خوشه‌بندی بر اساس چگالی

نوع مقاله : پژوهشی

نویسندگان

گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد

چکیده

از جمله موارد چالش‌برانگیز در آنالیز مودال عملیاتی، وابسته بودن روش‌های آن به قضاوت کاربر در جداسازی مودهای فیزیکی از مودهای جعلی و تفکیک مودهای واقعی سازه از یکدیگر است. در سال‌های اخیر تحقیقات گسترده‌ای در خصوص خودکارسازی روش‌های آنالیز مودال عملیاتی صورت گرفته است. در غالب این پژوهش‌ها تلاش شده است که با استفاده از تکنیک‌های یادگیری ماشین نیاز به دخالت کاربر در محاسبه پارامترهای مودال به حداقل برسد. در این پژوهش به منظور جداسازی مودهای فیزیکی از مودهای جعلی از روش خوشه‌بندی DBSCAN بهره گرفته شده‌ است. در نهایت به کمک روش خوشه‌بندی سلسله‌مراتبی مودهای فیزیکی شناسایی شده از یکدیگر تفکیک شده‌اند. الگوریتم معرفی شده بر روی یک سازه 6 درجه آزادی و یک پل واقعی پیاده‌سازی شد. نتایج نشان می‌دهد استفاده از الگوریتم خوش‌بندی DBSCAN نسبت به الگوریتم‌های پیشین مانند K means توان بالاتری در تفکیک مودهای فیزیکی از ریاضی را دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Three-stage automatic operational modal analysis using mathematical mode elimination by density-based clustering method

نویسندگان [English]

  • Amir Salar Mehrabad
  • Ahmad Shooshtari
Civil Engineering Dept. Engineering Faculty. Ferdowsi University of Mashhad
چکیده [English]

Estimating the modal parameters of a structure is essential for a variety of applications, including health monitoring, damage detection, design verification, and model updating. Modal parameters are the natural frequencies, mode shapes, and damping ratios of a structure. They can be used to understand the dynamic behavior of the structure and to identify any changes that may occur over time. Operational modal analysis (OMA) is a technique that uses the response of a structure to environmental loads to estimate modal parameters. OMA is a non-destructive testing method that can be used on structures in their operating environment. This makes it a valuable tool for health monitoring and damage detection of buildings, bridges, wind turbines, and stadiums. One of the challenges of OMA is that its methods rely on the user's judgment to separate physical modes from spurious modes and to distinguish between real modes of the structure. Spurious modes are not caused by the actual structure, but by noise or other environmental factors. Real modes are caused by the structure itself. In recent years, there has been extensive research on automating OMA methods for modal parameter estimation. Most of these studies have attempted to minimize the need for user intervention in modal parameter calculation by using machine learning techniques. Machine learning techniques can be used to automatically identify physical modes and to distinguish between real modes of the structure. This research uses the Stochastic Subspace Identification (SSI) method for OMA. The DBSCAN clustering method is used to separate physical modes from spurious modes. Finally, the hierarchical clustering method is used to distinguish between real modes of the structure. The proposed algorithm was implemented on a 5-degree-of-freedom structure and a real bridge. The results show that the proposed method has a higher power to separate physical modes from spurious modes than previous methods.

کلیدواژه‌ها [English]

  • Automatic operational modal analysis
  • machine learning
  • clustering
  • structural health monitoring