Böylelikle çatlak yeri hakkında öngörüde bulunulması sağlanmıştır.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Çatlaksız ve enine çatlaklı ankastre kirişlerin modal analiz deneylerinden elde edilmiş ivme cevapları, yapay sinir ağları yaklaşımı ile modellenmiştir.
📊
Temel Bulgular & Veri:Ayrıca her bir durum için oluşturulan bu modeller yardımıyla kiriş boyunca ivme cevap değerleri tahmin edilmiş ve gerçek ölçüm değerleriyle kıyaslanmıştır.
💡
Sonuç & Katkı:Böylelikle çatlak yeri hakkında öngörüde bulunulması sağlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çatlaklı kiriş · Yapay sinir ağları modeli · İleri beslemeli geri yayılım algoritması.
Özet
Çatlaksız ve enine çatlaklı ankastre kirişlerin modal analiz deneylerinden elde edilmiş ivme cevapları, yapay sinir ağları yaklaşımı ile modellenmiştir. Girdi katmanı çekicin impuls sinyallerinden oluşmakta olup, çıktı katmanı kirişin ivme cevaplarından meydana gelmektedir. Öğrenme algoritması olarak ileri beslemeli geri yayılım algoritması kullanılmıştır. Oluşturulan modeller ile deney yapılmasına gerek kalmadan yüksek regresyon katsayısına sahip ivme cevabı tahminleri yapılabilmektedir. Ayrıca her bir durum için oluşturulan bu modeller yardımıyla kiriş boyunca ivme cevap değerleri tahmin edilmiş ve gerçek ölçüm değerleriyle kıyaslanmıştır. Böylelikle çatlak yeri hakkında öngörüde bulunulması sağlanmıştır.
Mazanoğlu, K., Kandemir-mazanoğlu, E. Ç. (2017). Çatlaklı Kirişlerin Yapay Sinir Ağları ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 17 Sayı: 3, 1129–1135. https://ajindex.com/articles/1355005
Anderson T., Lemoine G. and Ambur D., 2003. An artificial neural network based damage detection scheme for electrically conductive composite structures. In: The 44th AIAA/ ASME/ASCE/AHS/ASC structures, structural dynamics, and materials conference, AIAA-2003-1997, Norfolk, VA.
Ataseven B., 2013. Yapay sinir ağları ile öngörü modellenmesi, Öneri Dergisi, 10, 101-115.
Chang C.C., Chang T.Y.P., Xu Y.G. and Wang M.L., 2000. Structural damage detection using an iterative neural network. J Intell Mater Syst Struct, 11, 32–42
Dimarogonas A.D., 1996. Vibration of cracked structures: a state of the art review. Engineering Fracture Mechanics, 55, 831–857.
Doebling S.W., Farrar C.R. and Prime M.B., 1998. A summary review of vibration-based damage identification methods. Shock Vib. Digest, 30, 91–105.
Ergezer H., Dikmen M., and Özdemir E., 2003. Yapay sinir ağları ve tanıma sistemleri, PiVOLKA, 6, 14-17.
Fang X., Luo H. and Tang J., 2005. Structural damage detection using neural network with learning rate improvement, Computers and Structures, 83, 2150-2161. Kim J.T. and Stubbs N., 2003. Crack detection in beam-type structures using frequency data. Journal of Sound and Vibration, 259, 145–60.
Mehrotra K., Mohan C.K. and Ranka S., 2000. Elements of Artificial Neural Network, USA MIT Press. Salawu O.S., 1997. Detection of structural damage through change in frequency: a review. Eng. Struct. 19, 718–723.
Suh M.W., Shim M.B. and Kim M.Y., 2000. Crack identification using hybrid neuro-genetic technique, Journal of Sound ad Vibration, 238, 2000, 617-635.
Suresh S., Omkar S.N., Ganguli R. and Mani V., 2004. Identification of crack location and depth in a cantilever beam using a modular neural network, Smart materials and structures, 13, 907-915.
Şen, Z. 2004. Yapay Sinir Ağları İlkeleri, İstanbul Su Vakfı. Worder K., Manson G. and Fieller N.R.J., 2000. Damage detection using outlier analysis. J Sound Vib, 229, 647–67.
Zang C. and Imregun M., 2001. Combined neural network and reduced FRF techniques for slight damage detection using measured response data. Arch Appl Mech, 71, 525–36.
Zou Y., Tong L. and Steven G.P., 2000. Vibration based model dependent damage (delamination) identification and health monitoring for composite structures: a review. J Sound Vib, 30,357–78.