DETECCIÓN DE DAÑOS ESTRUCTURALES USANDO REDES NEURONALES CON MEJORA EN LA TASA DE APRENDIZAJE
X. Fang, H. Luo, J. Tang
https://doi.org/10.1016/j.compstruc.2005.02.029
Received 7 October 2004
Accepted 25 February 2005
Traducido por: TheJameZ
Resumen
En esta investigación, exploramos la detección de daños estructurales utilizando funciones de respuesta en frecuencia (FRF) como datos de entrada para la red neuronal de retropropagación (BPNN, por sus siglas en inglés). Este método no se basa en modelos y, por lo tanto, podría tener ventajas en muchas aplicaciones prácticas. La detección de daños basada en redes neuronales generalmente consta de una fase de entrenamiento y una fase de reconocimiento. El algoritmo de retropropagación de error que incorpora el método de gradiente puede aplicarse para entrenar la red neuronal, mientras que la eficiencia del entrenamiento depende en gran medida de la tasa de aprendizaje. Si bien varios algoritmos de entrenamiento, como el algoritmo de descenso más pronunciado dinámico (DSD) y el algoritmo de descenso más pronunciado difuso (FSD), han mostrado características prometedoras (como mejorar la velocidad de convergencia del aprendizaje), su rendimiento depende de la selección adecuada de ciertos parámetros de control y la estrategia de control. En este documento, se investiga un algoritmo de descenso más pronunciado ajustable (TSD) utilizando un enfoque heurístico, que mejora significativamente la velocidad de convergencia sin sacrificar la simplicidad del algoritmo ni el esfuerzo computacional. Una serie de ejemplos numéricos demuestran que el algoritmo propuesto supera tanto a los algoritmos DSD como FSD. Con esto como base, implementamos la red neuronal para la detección de daños estructurales basada en FRF. Los resultados del análisis en una viga empotrada muestran que, en todos los casos de daño considerados (es decir, casos de daño entrenados y casos de daño no vistos, casos de daño único y casos de múltiples daños), la red neuronal puede evaluar las condiciones de daño con muy buena precisión.
1. Introducción
Las estructuras de ingeniería son propensas a daños y deterioro durante su vida útil. La detección de daños puede desempeñar un papel vital en la operación estructural al proporcionar una evaluación oportuna de los daños, lo que mejora la seguridad y mantiene un alto rendimiento y confiabilidad para las estructuras y maquinaria modernas. En los últimos años, el área del desarrollo de métodos efectivos y confiables de detección de daños ha atraído la atención de muchos investigadores. Generalmente, existen dos corrientes de pensamiento en la detección de daños estructurales: los métodos basados en modelos y los métodos no basados en modelos.
Normalmente, un método basado en modelos implica primero la construcción de un modelo matemático para la estructura, y luego aplicar ese modelo para elucidar el comportamiento estructural y establecer correlaciones entre condiciones de daño específicas y cambios en propiedades dinámicas estructurales como frecuencias naturales y formas modales. Por ejemplo, Kim y Stubbs desarrollaron un modelo de ubicación/tamaño de grieta y estudiaron el efecto de la grieta en las frecuencias naturales, que a su vez se utilizó para decidir la ocurrencia de la grieta. Aplicando el modelo de resorte rotacional equivalente de la grieta, Khiem y Lien desarrollaron un método de matriz de rigidez dinámica para el análisis espectral de la vibración forzada de una viga con múltiples daños. Shi et al. emplearon formas modales incompletas para la detección y localización de grietas. Por lo general, la respuesta dinámica de referencia o base de un modelo de estructura intacta se establece primero. La diferencia entre la respuesta base y la respuesta del espécimen dañado se utilizará como indicador de la ocurrencia del daño, y luego se realizarán algoritmos de identificación de daños para determinar la ubicación y gravedad del daño. Por lo general, los algoritmos de evaluación de daños utilizan un modelo base validado, que a menudo se construye a partir del método de elementos finitos. A pesar de sus muchas características atractivas, en la práctica la implementación de métodos basados en modelos puede enfrentar dificultades. En un método típico que utiliza información modal, los parámetros modales de referencia a menudo se obtienen en términos de modelado matemático de sistemas vibratorios lineales. Sin embargo, las no linealidades estructurales locales podrían representar un gran desafío para dicho procedimiento. Además, la precisión del modelado no está garantizada. Por ejemplo, el factor de amortiguamiento, aunque afecta significativamente la respuesta estructural, es muy difícil de modelar con precisión. En general, para estos métodos basados en modelos, se debe realizar primero un procedimiento complicado de actualización del modelo a través de análisis experimentales y numéricos correlacionados para establecer la referencia. Además, los algoritmos de evaluación de daños comúnmente adoptados son complejos y la identificación de daños se logra a través de un proceso inverso costoso y que consume mucho tiempo, lo que podría ser un problema para aplicaciones de monitoreo de salud en tiempo real.
Vale la pena mencionar que, entre todas las respuestas dinámicas, la función de respuesta en frecuencia (FRF) es una de las más fáciles de obtener en tiempo real, ya que solo requiere un pequeño número de sensores y la medición in situ es directa. Sin embargo, un enfoque basado en modelos utilizando FRF es difícil de implementar, debido a las razones mencionadas anteriormente. Por otro lado, la técnica de redes neuronales presenta una herramienta poderosa para evitar los problemas mencionados anteriormente. En este enfoque, en lugar de utilizar un modelo de referencia validado, se utilizarán directamente las FRF medidas de las estructuras intactas y dañadas sin recurrir al procedimiento de modelado. La red neuronal se entrena para reconocer las respuestas en frecuencia de una estructura intacta, así como las respuestas en frecuencia de la estructura cuyos elementos tienen diferentes grados de daño. La red neuronal entrenada tendrá entonces la capacidad de reconocer la ubicación y la gravedad del daño en los elementos individuales. La característica más deseable de este enfoque es que es capaz de detectar el daño sin conocimiento previo del modelo de la estructura. En lugar de detectar la información de daño a través de una reconstrucción complicada del modelo de la estructura, la identificación de patrones se realiza a través de una red entrenada que no involucra una computación pesada como el análisis de elementos finitos a gran escala. Por lo tanto, una red neuronal bien diseñada puede servir como un procesador de datos en tiempo real para el monitoreo de la salud estructural. Claramente, el paso más importante en un sistema de monitoreo de salud basado en redes neuronales es entrenar la red de manera eficiente para que pueda realizar el mapeo correctamente.