Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightAyrıca, yöntemin farklı yapı tiplerinde ve senaryolarda tutarlı sonuçlar üretmesi, geniş bir uygulama potansiyeli taşıdığını göstermektedir.
📌 3 Maddede Bu Makale
Özet
Yapıların güvenli, dayanıklı ve uzun ömürlü olmasını sağlamak için yapı sağlığının düzenli olarak izlenmesi büyük önem taşımaktadır. Bu bağlamda, optimizasyon algoritmaları kullanılarak titreşim verilerine dayalı hasar tespit yöntemleri, günümüzde üzerinde araştırmaların sürdüğü yenilikçi yaklaşımlar arasında yer almaktadır. Bu çalışmada, kafes ve çerçeve taşıyıcı sistemlerde titreşim verileri kullanılarak optimizasyon tabanlı bir hasar tespit yöntemi önerilmiştir. SAP2000 yazılımında modellenen yapıların modal analiz sonuçları, SAP2000-OAPI özelliği aracılığıyla MATLAB ortamına aktarılmış ve Öğretme-Öğrenme Tabanlı Optimizasyon (TLBO) algoritmasıyla işlenerek referans modele en yakın yapısal durum elde edilmeye çalışılmıştır. Yöntem, 47 elemanlı çelik düzlem kafes, 36 elemanlı çelik uzay kafes ve 24 elemanlı üç boyutlu betonarme çerçeve sistemler üzerinde, farklı hasar senaryoları ve hem gürültüsüz hem gürültülü ortam koşulları altında test edilmiştir. Hasar tespit performansı, I₁, I₂ hata indisleri ve RMS hata (RMSE) değerleri ile nicel olarak değerlendirilmiştir. Gürültüsüz analizlerde, RMSE değerleri düzlem kafes sistem için 0.00082–0.00634, uzay kafes sistem için 0.00016–0.00144 ve çerçeve sistem için 0.00004–0.00925 aralığında kalmıştır. Gürültülü ortamlarda ise RMSE değerleri sırasıyla 0.00301–0.01327, 0.00362–0.01034 ve 0.00158–0.01706 değerlerine yükselmiştir. I₁ ve I₂ hata indisleri de benzer şekilde artmakla birlikte, her durumda hasarlı elemanların konumu ve hasar şiddeti başarıyla belirlenmiştir. Elde edilen sonuçlar, önerilen yöntemin hem gürültüsüz hem de gürültülü koşullarda yeterli doğruluk ve güvenilirlik sunduğunu ortaya koymaktadır. Ayrıca, yöntemin farklı yapı tiplerinde ve senaryolarda tutarlı sonuçlar üretmesi, geniş bir uygulama potansiyeli taşıdığını göstermektedir. Yapı Sağlığı İzleme alanında katkı sunan bu yaklaşımın, gerçek zamanlı verilerle ve hibrit optimizasyon teknikleriyle desteklenerek mühendislik uygulamalarında daha da geliştirilebileceği değerlendirilmektedir.
Abstract
Regular monitoring of structural health is crucial to ensure the safety, durability, and longevity of engineering structures. In this context, vibration based damage detection methods using optimization algorithms have emerged as innovative approaches that are still under active research. This study proposes an optimization based damage detection method for truss and frame structures using vibration data. The structures are modeled in SAP2000, and the results of modal analysis are transferre d to MATLAB using the SAP2000 OAPI interface. The structural condition is then optimized using the Teaching Learning Based Optimization (TLBO) algorithm to match the reference (undamaged) model as closely as The method was tested on three differe nt structural models: a 47 element planar steel truss, a 36 element spatial steel truss, and a 24 element three dimensional reinforced concrete frame, under both noise free and noisy conditions. Various damage scenarios were defined for each case, and five independent runs were performed per scenario. The accuracy of the proposed method was quantitatively evaluated using I₁ and I₂ error indices along with the root mean square error (RMSE). In noise free analyses, RMSE values ranged from 0.00082 to 0.00634 f or the planar truss, from 0.00016 to 0.00144 for the spatial truss, and from 0.00004 to 0.00925 for the frame system. Under noisy conditions, these values increased to between 0.00301 0.01327, 0.00362 0.01034, and 0.00158 0.01706, respectively. Despite the expected rise in error metrics under noise, the method consistently succeeded in identifying the damaged elements and estimating their damage severity with satisfactory precision. The findings demonstrate that the proposed method offers adequate accuracy and robustness in both ideal and disturbed measurement environments. Furthermore, its consistent performance across different structure types and damage scenarios highlights its broad applicability. This optimization based approach contributes to the field of Structural Health Monitoring and can be further improved through integration with hybrid optimization algorithms and real time data applications for practical engineering use.