摘要
本研究旨在解決複合多尺度交叉取樣熵(Composite Multiscale Cross-sample Entropy, CMSCE)等熵分析法於結構健康診斷判別方法,熵分析法皆以目視方式判別破壞案例曲線與無破壞案例曲線,以此方式判別略顯不客觀;以及改善當應用CMSCE於結構訊號分析時,會有未定義熵值(Undefined Entropy)的產生,使判別曲線出現跳點。因此本研究透過精細複合多尺度交叉取樣熵(Refined Composite Multiscale Cross-sample Entropy, RCMSCE)提升熵值精確性,且RCMSCE在計算熵值時,有不同的運算方式,將未定義熵值出現的機率大幅降低,此外,本研究根據人工智慧(Artificial Intelligence, AI)的類神經網路系統(Artificial Neural Network)結合RCMSCE,整合出一套結構健康診斷系統,藉由RCMSCE提取結構破壞特徵,並應用類神經網路之非線性映射能力處理複雜度量化問題,最後探討評估此結構健康診斷系統之表現。
首先利用RCMSCE分析結構健康、單樓層破壞與多樓層破壞之訊號,並將破壞特徵以熵值呈現,進而配合類神經網路作出損傷判別,其中以ETABS建立不同損傷程度以生成類神經網路之訓練樣本,最後,透過國家地震研究中心之七層樓鋼構架驗證所設計之15種破壞案例作實驗驗證,藉由混淆矩陣分類數值模型與實驗驗證之結果。本研究提出新穎整合系統對於損壞熵值與類神經網路技術,並評估其分析表現驗證應用於實際結構物之可行性。
首先利用RCMSCE分析結構健康、單樓層破壞與多樓層破壞之訊號,並將破壞特徵以熵值呈現,進而配合類神經網路作出損傷判別,其中以ETABS建立不同損傷程度以生成類神經網路之訓練樣本,最後,透過國家地震研究中心之七層樓鋼構架驗證所設計之15種破壞案例作實驗驗證,藉由混淆矩陣分類數值模型與實驗驗證之結果。本研究提出新穎整合系統對於損壞熵值與類神經網路技術,並評估其分析表現驗證應用於實際結構物之可行性。
原文 | English |
---|---|
出版狀態 | Published - 10月 2020 |