ارزیابی عددی کاربرد شبکه­ های عصبی مصنوعی MLP در کنترل فعال سازه ­ها

شبکه-عصبی-پرسپترون

ارزیابی عددی کاربرد شبکه­ های عصبی مصنوعی MLP در کنترل فعال سازه ­ها

سازه­ هایی با عملکرد بالا نیازمند محیطی عاری از ارتعاش و خطر تحریک هستند، لذا این قبیل سازه­ ها  نیازمند رویکرد ساخت و الزامات طرح جدیدی می­باشند. این الزامات طرح علاقه به استفاده از سیستم­های کنترل فعال را ایجاد کرده است. سیستم کنترلی فعال وضعیت جاری سازه را کنترل می­کند، تصمیم متناسب با وضعیت سازه را می­گیرد و عمل مناسب را به سازه اعمال می­کند. در این مقاله ارزیابی عددی کنترل فعال سازه­ای با شبکه­ی عصبی مصنوعی از نوع پرسپترون چند لایه (MLP) مورد بررسی قرار گرفته است. در پژوهش پیش رو کنترل فعال به صورت حلقه بسته با لحاظ پاسخ سازه­ای صورت می­گیرد، بدین منظور یک سازه­ی پنج درجه­ی آزادی در نظر گرفته شده و آموزش شبکه با لحاظ زلزله­های منجیل، طبس و بم صورت گرفته و در نهایت، کارایی کنترل فعال با شبکه عصبی مصنوعی با سازه­های بدون کنترل و کنترل غیر فعال مورد مقایسه و ارزیابی قرار گرفته است که نشان دهنده­ کارایی کنترل فعال با شبکه­های عصبی مصنوعی می­ باشد.

سازه­های مدرن نیازمند رویکرد ساخت و الزامات طراحی جدیدی هستند. مهندسین سازه تمایل به معرفی، توسعه و اجرای سازه­ های بلندتر، با مقاطع عرضی لاغر و دهانه­های تکیه­گاهی بلندتر دارند. این رویکرد سازه­ها را با مشکلات ناپایداری و تحریکات جدی روبرو می­سازد. سازه­هایی همچون بیمارستان­ها، کارگاه­های ابزار دقیق، آزمایشگاه­ها و غیره نیازمند محیطی عاری از ارتعاش و خطر تحریک هستند. ارضای این الزامات طرح، نیاز به سازه­هایی با عملکرد بالا دارد و علاقه به اجرای سیستم­های کنترل فعال را ایجاد کرده است. این نوع سیستم کنترلی وضعیت جاری سازه را کنترل می­کند، تصمیم مناسب با وضعیت سازه را اتخاذ می­کند و عمل مناسب را به سازه اعمال می­کند. مکانیزم تصمیم (کنترل کننده) می­تواند براساس الگوریتم­های تجویزی و یا متدولوژی­های غیر الگوریتمی مانند سیستم­ های فازی و یا شبکه ­های عصبی مصنوعی باشد.

در پژوهش پیش­رو قابلیت عملکرد یک سیستم کنترل فعال که از یک شبکه عصبی مصنوعی به عنوان سیستم تصمیم­ گیرنده بهره می­گیرد، بررسی می­شود. اولین مرحله از فرایند کنترل شامل پایش وضعیت سازه و محیط است. این اطلاعات به کنترل کننده انتقال می­یابند تا در صورت لزوم عمل مناسب را برای تصحیح وضعیت سازه به درجات آزادی اعمال کند. اطلاعات جمع­آوری شده در مرحله اول کنترل­ کننده را قادر می­سازد تا عملکرد خود را بخصوص با وضعیت­های مختلف جاری سازه تطبیق دهد.

الگوریتم-بهنگام-شونده-شبکه-عصبی-مقاوم-سازی
الگوریتم-بهنگام-شونده-شبکه-عصبی-مقاوم-سازی

شبکه های عصبی مصنوعی

      ﺷﺒﮑﻪ­ﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﮐﻪ اﻣﺮوزه در مسائل ﻓﺮاواﻧﯽ ارزش ﺑـﺎﻻی ﺧـﻮد را ﻧﺸـﺎن داده­اﻧـﺪ، ﺑـﺮ اﺳﺎس ﻣﺪل ﺑﯿﻮﻟﻮژﯾﮏ ﻣﻐﺰ اﻧﺴﺎن ﺑﻪ وﺟﻮد آﻣـﺪه­اﻧـﺪ. ﻣﻔﻬـﻮم ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﻣﺼـﻨﻮﻋﯽ ﮐـﻪ در واﻗـﻊ یکی از ﻣﻬﻤﺘﺮﯾﻦ زﯾﺮﺷﺎﺧﻪ­ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ، در واﻗﻊ ﻧﻤﻮﻧﻪ ﺑﺮداری ﺳﺎده­ای از ﺳﯿﺴﺘﻢ ﻋﺼـﺒﯽ اﻧﺴـﺎن اﺳـﺖ ﮐﻪ در ﻗﺎﻟﺐ ﯾﮏ ﻣﺪل رﯾﺎﺿﯽ ﻣﺘﺒﻠﻮر ﺷﺪه اﺳﺖ. شبکه­های ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ دارای ویژگی­هایی ﻣـﯽ­ﺑﺎﺷـﻨﺪ ﮐـﻪ آﻧﻬﺎ را در ﺑﺮﺧﯽ ازﮐﺎرﺑﺮدﻫﺎ ﻣﺎﻧﻨﺪ ﺗﺨﻤﯿﻦ ﺗﻮاﺑﻊ، ﭘﯿﺶ ﺑﯿﻨﯽ، ﺗﺸﺨﯿﺺ اﻟﮕﻮ، ﮐﻨﺘﺮل، رﺑﺎﺗﯿﮏ و ﺑـﻪ ﻃـﻮر کلی در ﻫﺮﺟﺎ ﮐﻪ ﻧﯿﺎز ﺑﻪ ﯾﺎدﮔﯿﺮی ﯾﮏ ﻧﮕﺎﺷﺖ ﺧﻄﯽ و ﯾﺎ ﻏﯿﺮ ﺧﻄﯽ ﺑﺎﺷﺪ، متمایز می­نماید. از ﺟﻤﻠﻪ اﯾﻦ ویژگی­ها، ﻣﯽﺗﻮان ﺑﻪ ﻗﺎﺑﻠﯿﺖ ﯾﺎدﮔﯿﺮی، ﻗﺎﺑﻠﯿﺖ ﺗﻌﻤﯿﻢ و ﭘﺮدازش ﻣﻮازی اﺷﺎره ﻧﻤﻮد. ﺗﻨﻮع مدل­های ﺷـﺒﮑﻪ­ﻫـﺎی ﻋﺼﺒﯽ و الگوریتم­ های ﯾﺎدﮔﯿﺮی آﻧﻬﺎ، اﻣﮑﺎن ﮐﺎرﺑﺮدﻫﺎی ﻣﺨﺘﻠﻔﯽ را ﺑﺮای آﻧﻬﺎ ﻓﺮاﻫﻢ ﻣﯽسازد.

شبکه­ های پرسپترون چند لایه

در شبکه­های چند لایه، لایه­ ها به ترتیب به هم متصل می­شوند به صورتی که خروجی­ های لایه اول، ورودی­های لایه دوم و به همین ترتیب تا آخر که خروجی­ های لایه آخر خروجی­های اصلی و پاسخ واقعی شبکه را تشکیل می­ دهند.

شبکه-عصبی-پرسپترون
شبکه-عصبی-پرسپترون

 

مدل سازی

گام اول مدل­سازی انتخاب پارامترهای سازه­ای و نوع سیستم کنترلی مورد استفاده در مدل­سازی است. با تحریک دینامیکی، سازه در گام  تحریک را درک کرده و به آن پاسخ می­دهد. پاسخ سازه شامل (تغییرمکان، سرعت و یا شتاب) محل درجه آزادی که تجهیزات الحاقی اعمال نیرو بدان نصب شده است، می­باشد. کنترل کننده که در اینجا یک بسته­ی پردازنده­ی شبکه­ی عصبی مصنوعی است، پاسخ سازه را می­خواند و متناظر با آن نیروی فعال را به سازه اعمال می­کند و سازه در گام  تحت تحریک دینامیکی و نیروی فعال آنالیز می­شود. این حلقه تا زمانی ادامه دارد که تحریک دینامیکی بر سازه وارد می­شود. در شکل زیر مشخصات هندسی سازه­ ی 5 درجه­ی آزادی مورد بررسی در این پژوهش را مشاهده می­ کنید.

مشخصات-سازه-5-درجه-آزادی
مشخصات-سازه-5-درجه-آزادی

صحت سنجی:

بدین منظور قاب یک طبقه­ ی زیر انتخاب شده است. پارامترهای جرم، سختی و نسبت میرایی برای این قاب بترتیب برابر 1539 kg.s2/cm، 20 kg/cm و 0.05 است. این سازه تحت رکورد شتاب نگاشت زلزله بم، ایستگاه بافت با گام­های زمانی 0.01 قرار گرفت. حل معادله تعادل دینامیکی سازه­ی فوق با استفاده از معادلات فضای حالت حل شده است. شکل (18) مقایسه پاسخ جابجایی را نشان می­ دهد.

صحت-سنجی
صحت-سنجی

نتیجه گیری

در شکل های زیر با مقایسه مقادیر حداکثر جابجایی دینامیکی می­توان به این نتیجه رسید که سیستم شبکه عصبی مصنوعی در تقریب نیروی اعمالی کنترلی به سازه از کارایی بالایی برخوردار است.

نتیجه-گیری-جابجایی-مقاوم-سازی-کنترل-فعال
نتیجه-گیری-جابجایی-مقاوم-سازی-کنترل-فعال

قاب 5 طبقه با مشخصات سازه­ای ذکر شده تحت تحریک نزدیک 40 ثانیه­ای زلزله بم، حداکثر جابجایی 493.70mm را تجربه کرده است. این سازه با الحاق سیستم کنترلی غیر فعال متحمل حداکثر جابجایی 329.90mm بوده است. در گام نهایی با اعمال نیروی کنترلی فعال مخالف با جهت ارتعاش، مقدار جابجایی این سازه 156.70mm است.

در خصوص زلزله منجیل و رودبار نیز که مدت زمان ارتعاش آن حدود 55 ثانیه است، قاب 5 طبقه بدون سیستم کنترلی حداکثر جابجایی 157.1mm را تجربه کرده است. این سازه با الحاق سیستم کنترلی غیر فعال، متحمل حداکثر جابجایی 92.82mm بوده است. در گام نهایی با اعمال نیروی کنترلی فعال مخالف با جهت ارتعاش، مقدار جابجایی این سازه 59.49mm است.

تحت تحریک حدود 64 ثانیه­ای طبس نیز قاب 5 طبقه بصورت بدون کنترل، کنترل غیرفعال و کنترل فعال بترتیب حداکثر جابجایی 419.40mm، 383.75mm و 159.98mm را تجربه کرده است.

این مقاله به همت آقایان سید رضا الیاسی، وحید شمسی و پرویز احدی تهیه شده است

 

به اشتراک بگذارید:

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Insert math as
Block
Inline
Additional settings
Formula color
Text color
#333333
Type math using LaTeX
Preview
\({}\)
Nothing to preview
Insert