Χρήση τεχνητής νοημοσύνης για τον έλεγχο της δυναμικής απόκρισης των κατασκευών

Abstract

This thesis investigates the dynamic behavior of beams with internal cracks and flexible supports, employing neural networks for structural health assessment. The equations of motion are derived via the calculus of variations, offering a robust framework, particularly for internal cracks. Dynamic parameters, including modal damping ratios and experimentally extracted mode shapes and frequencies, are estimated. The resulting linear non-autonomous system is numerically solved using the matrix method with time discretization. Non-stationary time series analysis employs transformations like the Short-Time Fourier Transform (STFT) to generate spectrograms, which train a convolutional neural network (CNN) for automated damage detection and localization. Finally, the model is validated using experimental data from a dedicated testing setup.

Η εργασία εστιάζει στη δυναμική ανάλυση δοκών με εσωτερικές ρωγμές και ενδόσιμες στηρίξεις, καθώς και στον προσδιορισμό της δομικής υγείας των δοκών κάνοντας χρήση νευρωνικών δικτύων. Οι εξισώσεις κίνησης διαμορφώνονται με τη χρήση του λογισμού των μεταβολών, προσφέροντας μια κομψή προσέγγιση, ιδιαίτερα για την περίπτωση εσωτερικών ρωγμών. Ακολουθεί η εκτίμηση των δυναμικών παραμέτρων του συστήματος, όπως τα ιδιομορφικά μέτρα απόσβεσης και η πειραματική εξαγωγή ιδιομορφών και ιδιοσυχνοτήτων. Στη συνέχεια, το προκύπτον γραμμικό μη αυτόνομο σύστημα επιλύεται αριθμητικά μέσω της μεθόδου των πινάκων με χρονική διακριτοποίηση. Η ανάλυση των μη στάσιμων χρονοσειρών του συστήματος απαιτεί μετασχηματισμούς, όπως ο Short Time Fourier Transform (STFT), οι οποίοι παράγουν σπεκτογράμματα, αποτυπώνοντας την εξέλιξη των συχνοτήτων στο χρόνο. Τα σπεκτογράμματα τροφοδοτούν την εκπαίδευση ενός συνελικτικού νευρωνικού δικτύου (CNN), ικανού να κατηγοριοποιεί και να εντοπίζει χωρικά τις βλάβες. Τέλος, η αξιολόγηση του μοντέλου πραγματοποιείται με πειραματικά δεδομένα από κατάλληλη πειραματική διάταξη.