پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 705 |
| تعداد مقالات | 10,146 |
| تعداد مشاهده مقاله | 71,454,836 |
| تعداد دریافت فایل اصل مقاله | 63,176,402 |
آنالیز فرکانسی تیر ترکدار به کمک الگوریتمهای یادگیری ماشین | ||
| مدل سازی در مهندسی | ||
| دوره 24، شماره 84، فروردین 1405، صفحه 213-226 اصل مقاله (813.67 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.36673.2800 | ||
| نویسندگان | ||
| رستا رازقیان؛ مسعود میر* | ||
| گروه مهندسی مکانیک، دانشکده فناوری های نوین، دانشگاه صنعتی قوچان، قوچان، ایران | ||
| تاریخ دریافت: 02 بهمن 1403، تاریخ بازنگری: 22 خرداد 1404، تاریخ پذیرش: 27 خرداد 1404 | ||
| چکیده | ||
| وجود ترک در تیر، مشخصههای دینامیکی تیر را تغییر میدهد. بنابراین، برای ارزیابی وضعیت تیر، فرکانسهای طبیعی آن باید بررسی شوند. در این مطالعه، با استفاده از یک راهحل عددی بر اساس روش رایلی، فرکانسهای طبیعی یک تیر با دو ترک بر اساس عمق و موقعیت ترک محاسبه میشود. در ادامه با استفاده از زبان برنامه نویسی پایتون، رابطه ریاضی مذکور را در این برنامه وارد کرده تا با ایجاد حلقههای تکرار این رابطه را به صورت پی در پی برای ورودیهای متفاوت حل کند، هدف از این امر تولید مجموعه دادهای است که از آن برای آموزش الگوریتمهای یادگیری ماشین از جمله رگرسیون جنگل تصادفی، رگرسیون افزایش گرادیان، پرسپترون چندلایه و رگرسیون درخت تصمیم جهت پیشبینی فرکانس طبیعی استفاده شود. نوآوری کلیدی در مطالعه این استفاده از یک روش جستجوی شبکهای برای تعیین مقدار بهینه داده برای هر الگوریتم است که دقت را افزایش داده و معیار جدیدی جهت مقایسه به نام «حجم داده مورد نیاز» را معرفی میکند. این تحقیق نشان داد افزایش اندازه مجموعه دادهها معمولاً دقت پیشبینی الگوریتمها را افزایش میدهد علاوه بر این الگوریتمهایی که یک خروجی را پیشبینی میکنند، در مقایسه با آنهایی که چندین خروجی را پیشبینی میکنند، دقت بالاتری دارند. این مطالعه استفاده مؤثر از الگوریتمهای یادگیری ماشین را برای پیشبینی فرکانسهای طبیعی نشان میدهد. الگوریتم رگرسیون تقویت گرادیان با دقت 75/97 و الگوریتم رگرسیون جنگل تصادفی با دقت 74/95 به عنوان روشهای برتر برای پیشبینی فرکانسهای تیر ظاهر شدند. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ تیر ترکخورده؛ فرکانس طبیعی؛ پایتون؛ پرسپترون چندلایهای؛ رگرسیون درخت تصمیم | ||
| عنوان مقاله [English] | ||
| Frequency Analysis of Cracked Beams Using Machine Learning Algorithms | ||
| نویسندگان [English] | ||
| Rasta Razeghian؛ Massoud Mir | ||
| Department of Mechanical Engineering, Faculty of advanced technologies, Qochan University of Technology, Quchan, Iran | ||
| چکیده [English] | ||
| The presence of cracks in a beam changes the dynamic characteristics of the beam. Therefore, to assess the condition of the beam, its natural frequencies must be examined. In this study, using a numerical solution based on the Rayleigh method, the natural frequencies of a beam with two cracks are calculated based on the depth and location of the cracks. Next, using the Python programming language, the aforementioned mathematical relationship is entered into this program to solve this relationship sequentially for different inputs by creating iterative loops. The goal of this is to produce a dataset that can be used to train machine learning algorithms such as random forest regression, gradient boosting regression, multilayer perceptron, and decision tree regression to predict the natural frequency. The key innovation in this study is the use of a network search method to determine the optimal amount of data for each algorithm, which increases accuracy and introduces a new criterion for comparison called "required data volume". The study found that increasing the size of the dataset generally increases the prediction accuracy of the algorithms. In addition, algorithms that predict a single output have higher accuracy compared to those that predict multiple outputs. The study demonstrates the effective use of machine learning algorithms for predicting natural frequencies. The gradient boosting regression algorithm with an accuracy of 84.10% and the random forest regression algorithm with an accuracy of 83.73% emerged as the superior methods for predicting beam frequencies. | ||
| کلیدواژهها [English] | ||
| Machine learning, Cracked beam, Natural frequency, Python, Multi layer perceptron, Gradient boosting regression | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] Dimarogonas, Andrew d. "Vibration of Cracked Structures: A State of the Art Review." Engineering Fracture Mechanics 55, no. 5 (1996): 831-57. [2] Khiem, N.T., and L.K. Toan. "A Novel Method for Crack Detection in Beam-Like Structures by Measurements of Natural Frequencies." Journal of Sound and Vibration 333, no. 18 (2014): 4084-103. [3] Hossain, Mainul, and Jaan Lellep. "Analysis of Free Vibration of Tapered Cracked Double Nanobeams Using Maclaurin Series." Engineering Research Express, (2022). [4] Geleban, Muhammad Reza, and Shapor Moradi. " Crack detection in beams using the Hilbert-Huang transform." Journal of Modeling in Engineering 16, no. 52 (2018):27-40. (in Persian) [5] Jamshidi Moghadam, Peyman, and Sapor Moradi. " Free vibrations of a cracked post-arched beam using the differential quadrature method." Journal of Modeling in Engineering 11, no. 34 (2013): 1-16. (in Persian) [6] Samuel, A. L. "Some Studies in Machine Learning Using the Game of Checkers." IBM Journal of Research and Development 3, no. 3 (1959): 210-29. [7] Gillich, Nicoleta, Cristian Tufisi, Christian Sacarea, Catalin V. Rusu, Gilbert-Rainer Gillich, Zeno-Iosif Praisach, and Mario Ardeljan. "Beam Damage Assessment Using Natural Frequency Shift and Machine Learning." Sensors 22, no. 3 (2022). [8] Hein, Helle, and Ljubov Jaanuska. "Quantification of Cracks in Beams on the Pasternak Foundation Using Haar Wavelets and Machine Learning." Proceedings of the Estonian Academy of Sciences 71, no. 1 (2022): 16-29. [9] Saha, Prattasha, and Mijia Yang. "A Neural Network Approach to Estimate the Frequency of a Cantilever Beam with Random Multiple Damages." Sensors 23, no. 18 (2023). [10] Jena, Pankaj Charan. "Fault Assessment of Frc Cracked Beam by Using Neuro-Fuzzy Hybrid Technique." Materials Today: Proceedings 5, no. 9 (2018): 19216-23. [11] Vu, Van Tuan, and Anh Tuan Le. "Identification of Damage in Steel Beam by Natural Frequency Using Xgb Model." Journal of Science and Technique, no. 1859-0209 (2023). [12] Ravichandran, Ashok, Prases K Mohanty, Abdullah Naser M Asiri, and Saiful Islam. "Inclined Curved Crack Composite Beam: Experimental and Computational Analysis with Recycled Aluminum Composite Materials and Comparison with an Artificial Neural Network." OAS OMEGA 9 (2024): 4395-411. [13] Shirazi, Muhammad Irfan, Samir Khatir, Djilali Boutchicha, and Magd Abdel Wahab. "Feature Extraction and Classification of Multiple Cracks from Raw Vibrational Responses of Composite Beams Using 1d-Cnn Network." Composite Structures 327 (2024). [14] Nguyen, Thanh Q., Luan C. Vuong, Canh M. Le, Nhi K. Ngo, and H. Nguyen- Xuan. "A Data-Driven Approach Based on Wavelet Analysis and Deep Learning for Identification of Multiple-Cracked Beam Structures under Moving Load." Measurement 162 (2020). [15] Flaieh, Enass H., Farouk Omar Hamdoon, and Alaa Abdulhady Jaber. "Estimation the Natural Frequencies of a Cracked Shaft Based on Finite Element Modeling and Artificial Neural Network." International Journal on Advanced Science Engineering and Information Technology 10, no. 4 (2020). [16] Omar, Intisar, Muhammad Khan, and Andrew Starr. "Comparative Analysis of Machine Learning Models for Predicting Crack Propagation under Coupled Load and Temperature." Applied Sciences 13, no. 12 (2023). [17] Muñoz-Abella, Belén, Lourdes Rubio, and Patricia Rubio. "Identification of Cracks in Low-Speed Rotating Slender Cracked Beams Using Frequencies and Artificial Rabbit Algorithm." Latin American Journal of Solids and Structures 21, no. 2 (2024). [18] N, Aravind, Nagajothi S, and Elavenil S. "Machine Learning Model for Predicting the Crack Detection and Pattern Recognition of Geopolymer Concrete Beams." Construction and Building Materials 297 (2021). [19] Wu, Xinhua, and Xiujie Liu. "Building Crack Identification and Total Quality Management Method Based on Deep Learning." Pattern Recognition Letters 145 (2021): 225-31. [20] Bakhtiari-Nejad, F., A. Khorram, and M. Rezaeian. "Analytical Estimation of Natural Frequencies and Mode Shapes of a Beam Having Two Cracks." International Journal of Mechanical Sciences 78 (2014): 193-202. [21] James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. 2013. [22] Alanazi, Abdullah. "Using Machine Learning for Healthcare Challenges and Opportunities." Informatics in Medicine Unlocked 30 (2022). [23] Ao, Yile, Hongqi Li, Liping Zhu, Sikandar Alia, and Zhongguo Yang. "The Linear Random Forest Algorithm and Its Advantages in Machine Learning Assisted Logging Regression Modeling." Journal of Petroleum Science and Engineering 74 (2019): 776-789. [24] Khadija El Bouchefry PhD, and Rafael S. de Souza PhD. "Chapter 12 - Learning in Big Data: Introduction to Machine Learning." (2020): 225-49. [25] Patil, D.P., and S.K. Maiti. "Detection of multiple cracks using frequency measurements." Engineering Fracture Mechanics (2003): 1553–1572. | ||
|
آمار تعداد مشاهده مقاله: 411 تعداد دریافت فایل اصل مقاله: 36 |
||
