Darvizeh, M., Narimanzadeh, N., Malihi, A., Javadzadeh, M., Ansari, R. (2008). Identification of Crack Location and Depth in a Structure by
GMDH- type Neural Networks and ANFIS. Journal of Simulation and Analysis of Novel Technologies in Mechanical Engineering, 1(4), 63-76.
M. Darvizeh; N. Narimanzadeh; A. Malihi; M. Javadzadeh; R. Ansari. "Identification of Crack Location and Depth in a Structure by
GMDH- type Neural Networks and ANFIS". Journal of Simulation and Analysis of Novel Technologies in Mechanical Engineering, 1, 4, 2008, 63-76.
Darvizeh, M., Narimanzadeh, N., Malihi, A., Javadzadeh, M., Ansari, R. (2008). 'Identification of Crack Location and Depth in a Structure by
GMDH- type Neural Networks and ANFIS', Journal of Simulation and Analysis of Novel Technologies in Mechanical Engineering, 1(4), pp. 63-76.
Darvizeh, M., Narimanzadeh, N., Malihi, A., Javadzadeh, M., Ansari, R. Identification of Crack Location and Depth in a Structure by
GMDH- type Neural Networks and ANFIS. Journal of Simulation and Analysis of Novel Technologies in Mechanical Engineering, 2008; 1(4): 63-76.
Identification of Crack Location and Depth in a Structure by
GMDH- type Neural Networks and ANFIS
1Professor, Mechanical Engineering Department, Guilan University
2M.Sc., Mechanical Engineering Department, Guilan University
3Assistant Professor, Mechanical Engineering Department, Guilan University
Abstract
The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior in the structure due to the crack can be used for identifying the location and depth of the crack. In this study the first three natural eigenfrequencies of a cantilever beam having a transverse open crack have been computed for 10 different depths and 30 different locations by the finite element method. These natural eigenfrequencies have been used as input data for GMDH-type neural networks and adaptive neuro-fuzzy inference system, ANFIS, for crack location and depth modeling.
شناسایی ترک با تحلیل فرکانسهای طبیعی سازه با استفاده از شبکه‌های عصبی نوع GMDH و سیستم عصبی- فازی ANFIS
Authors [Persian]
منصور درویزه, نادر نریمانزاده, علی ملیحی دیزگاه, مهدی جوادزاده, رضا انصاری
Abstract [Persian]
وجود ترک در سازه، موجب نرمی محلی و تغییر در خواص سختی و رفتار دینامیکی سازه می‌شود. رفتار دینامیکی سازه دارای ترک، به عمق و مکان ترک بستگی دارد؛ از این رو می توان برای شناسایی عمق و مکان ترک از تغییرات رفتار دینامیکی سازه ناشی از ترک، استفاده نمود. در این مقاله ابتدا سه فرکانس طبیعی اول یک تیر یکسردرگیر که یک ترک سطحی باز برای ده عمق ترک مختلف و برای سی مکان مختلف در آن ایجاد شده است، با استفاده از تحلیل المان محدود محاسبه می شوند. سپس نتایج حاصل از تحلیل المان محدود به عنوان ورودی شبکه عصبی نوع GMDH و همچنین سیستم استنتاج تطبیقی عصبی- فازی ANFIS برای مدلسازی و پیش بینی عمق و مکان ترک مورد استفاده قرار می گیرند. این روشها برای یک تیر ایزوتروپیک یکسرگیردار مورد بررسی و ارزیابی قرار گرفته است که نتایج حاصل، توانایی مطلوب روشهای ارائه شده را نشان می دهد.
Keywords [Persian]
فرکانس طبیعی، شبکه‌های عصبی نوع GMDH، سیستم استنتاج تطبیقی عصبی، فازی ANFIS - الگوریتم‌ژنتیک، تجزیه مقادیر منفرد
References
[1] Vandiver J., Detectionof Structural Failure on Fixed Platforms by Measurement of Dynamic Response, Proc. of the 7th Annual Offshore Tech. Conf, 1975, pp. 243–252.
[2] Gounaris G., Dimarogonas A., A Finite element of a cracked prismatic beam in structural analysis Computers and Structures, 1988, Vol.28, pp. 309-313.
[3] Inagaki V., Kanki T., Transverse vibrations of a general cracked rotor bearing system , Mechanical Design (ASME), 1981, Vol. 104, pp. 1-11.
[4] Leung P., The effects of a transverse Crack on the dynamics of a circular shaft, Rotordynamics’92 International Conference on Rotating Machine Dynamics, 1992.
[5] Shim M. B., Suh M. W., Crack identification of a planar frame structure based on a synthetic artificial intelligence technique, Int. J. for numerical methods in engineering, Vol.57, 2003, pp. 57-82,
[6] Ariman-Zadeh A., Darvizeh A., Ahmad-Zadeh V., Hybrid genetic design of GMDH-type neural networks using singular value decomposition for modeling and prediction of the explosive cutting process, J. of Engineering manufacture Proceedings of the I MECH E Part B, Vol. 217, 2003, pp. 779 -790.
[7] Lee C., Fuzzy Logic in Control Systems. Fuzzy Logic Controller, IEEE Transacation on Systems,Man and Cybernetics, Vol.22(5), pp. 1033-1046, 1990.
[8] Kosko B., Fuzzy Systems as universal approximator, IEEE Transaction on Computer, Vol43(11), 1994, pp.1327-1333.
[9] Porter B., Nariman-Zadeh N. , Genetic Design of Computed Torque Controllers for Robotic Manipulators, Proc. IEEE.Int. Symp. Intelligent Control, 1995.
]10[ براتی م. ، طراحی سیستمهای فازی جهت مدلسازی رفتار ارتعاشی پوسته های چند لایه مرکب با استفاده از ترکیبی از روش تجزیه مقادیر منفرد و تندترین شیب، دانشگاه گیلان، پایان نامه کارشناسی ارشد،1381.
[11] Golub G.H., Reinesh C., Singular value decomposition and least squares solutions, Numer. Math., Vol. 14(5), 1970, pp. 403-420.
[12] Nariman-zadeh N., Darvizeh, A., Darvizeh M., Gharababaei H., Modelling of explosive cutting process of plates using GMDH-type neural network and singular value decomposition. J. Materials Processing Technology, Vol. 128, No. 1-3, 2002, pp. 80-87.
[13] Ivakhnenko A.G., Polynomial theory of complex system, IEEE Trans. Syst. Man & Cybern, SMC-1, 364-378, 1971.
Top