یک رویکرد امیدوارکننده با استفاده از الگوریتم های بهینه سازی مبتنی بر توالی فیبوناچی و محاسبات پیشرفته

در این مقاله ، امکان سنجی نظارت بر سلامت ساختاری (SHM) با استفاده از الگوریتم های بهینه سازی مبتنی بر توالی فیبرسی جدید (FS) (OAS) و تکنیک های محاسبات به روز برای یک پل راه آهن در مقیاس بزرگ بررسی شده است. در طول دهه های اخیر ، OA های هوشمند متهوریستی بیشمار پیشنهاد شده و بلافاصله حرکت زیادی به دست آورده است. با این حال ، نگرانی اصلی نحوه استفاده از OAS برای مقابله با مشکلات دنیای واقعی ، به ویژه SHM ساختارهای در مقیاس بزرگ است. علاوه بر نیاز به دقت بالا ، هزینه محاسباتی بالا در حال ایجاد مانع اصلی برای کاربرد واقعی OAS است. بنابراین ، این مقاله با هدف پرداختن به این دو موضوع فوق الذکر است. اول ، ما پیشنهاد می کنیم از توانایی بهینه نسبت طلایی که توسط FS مشهور تدوین شده برای اصلاح کاستی ها و بهبود دقت OAS ، به طور خاص ، یک الگوریتم جدید اخیراً پیشنهادی ، یعنی الگوریتم SALP SWARM (SSA) استفاده می کنیم. از طرف دیگر ، برای مقابله با مشکلات هزینه محاسباتی بالای OAS ، ما پیشنهاد می کنیم از یک تکنیک محاسبات به روز استفاده کنیم ، به نام پردازنده SuperScalar برای انجام یک سری از تکرارها به طور موازی. علاوه بر این ، در این کار ، از روش بردار سازی نیز برای کاهش اندازه داده ها استفاده می شود. نتایج به دست آمده نشان می دهد که رویکرد پیشنهادی بسیار پتانسیل برای استفاده از SHM از ساختارهای واقعی در مقیاس بزرگ است.

معرفی

در طول زندگی ، پل ها به دلیل تأثیرات طبیعی (طوفان ، سیل ، زمین لرزه و غیره) یا تأثیرات ناشی از انسان (اضافه بار ، برخورد و غیره) 1،2،3،4،5 به راحتی در معرض خسارات مختلف قرار می گیرند. علاوه بر این ، پل ها همچنین الگوهای لرزش خاص خود را دارند که احتمالاً باعث ارتعاشات تقویت شده در هنگام فرکانس های طبیعی پل ها با وسایل نقلیه در حال حرکت می شوند. این رزونانس مکانیکی ممکن است پل ها را در معرض خطر بالقوه قرار دهد. بنابراین ، در دهه های اخیر ، سیستم های SHM به طور گسترده مستقر شده و مورد توجه ویژه جامعه علمی قرار گرفته اند. وظیفه سیستم های SHM نظارت بر خسارات اولیه بر اساس داده های اندازه گیری برای ارزیابی شدت این خسارت ها قبل از تصمیم گیری به موقع تعمیر 6،7،8 است.

SHM عمدتا بر اساس دو روش اصلی است: (1) روش مبتنی بر رفتارهای استاتیک و (2) روش مبتنی بر رفتار پویا 9،10. در حالی که اولی از پاسخ های استاتیک مانند استرس ، کرنش یا جابجایی برای ارزیابی وضعیت سلامت ساختاری استفاده می کند ، دومی به پاسخ های پویا مانند فرکانس های طبیعی ، شکل حالت یا نسبت میرایی متکی است. بنابراین ، روشهای مبتنی بر رفتارهای پویا نسبت به تشخیص خسارات وارده در ساختارهای 11 حساس تر هستند. عملکرد اندازه گیری شناسایی معین برای ساختن یک مدل قابل اعتماد برای ارزیابی سلامت ساختاری 12 ضروری است. اندازه گیری های تجربی می تواند تحت تحریک محیط و/یا مصنوعی انجام شود. تحریک مصنوعی می تواند با استفاده از یک منبع تحریک مصنوعی مانند چکش یا شاکر انجام شود. با این حال ، این رویکرد فقط برای ساختارهای کوچک مناسب است زیرا تولید پاسخ به اندازه کافی بزرگ برای ضبط ویژگی های پویا ساختارهای در مقیاس بزرگ 13 چالش برانگیز است. مهمتر از آن ، کمترین فرکانس های طبیعی سازه های در مقیاس بزرگ معمولاً خارج از باند فرکانس حداکثر تحریک مصنوعی هستند. تحریک محیط را می توان با باد ، میکروسیلیک یا با عبور وسایل نقلیه تولید کرد. این منبع تحریک محیط احتمالاً به طور تصادفی با هزینه کم تولید می شود و در جریان ترافیک روی پل 14 دخالت نمی کند.

طی دهه های گذشته ، OA های بیشماری پیشنهاد شده و با موفقیت برای طیف گسترده ای از زمینه های 15،16،17 مورد استفاده قرار گرفته است. در زمینه SHM ، OAS در کاهش انحراف بین مدل عنصر محدود (FEM) و اندازه گیری ها کمک می کند. پس از آن ، مدل به روز شده احتمالاً رفتار ساختاری را به طور دقیق پیش بینی می کند. SSA OA جدیدی است که در سال 2017 18 پیشنهاد شده است که اخیراً ظاهر شده است و بلافاصله حرکت زیادی به دست آورد. این الگوریتم مبتنی بر مکانیسم ازدحام SALP ها برای مقابله با مشکلات بهینه سازی است. مزایای اصلی SSA ظرفیت جلوگیری از گیر در حداقل محلی و ذخیره راه حل های بهینه بزرگ است. SSA به خوبی برای زمینه های بهینه سازی اخیر مورد استفاده قرار گرفته است. به عنوان مثال ، Rizk-Allah و همکاران. 19 SSA ترکیبی با تحول Arctan اصلاح شده برای مقابله با مشکلات باینری. ترکیبی بین SSA و K-Nearest همسایه (KNN) برای جستجوی راه حل های بهینه 20 مجموعه داده معیار در کار 20 ارائه شد. Faris et al. 21 SSA را بر اساس دو انتخاب ویژگی جدید بسته بندی برای مقابله با مشکلات بهینه سازی 22 UCI (دانشگاه کالیفرنیا در Irvine) استفاده کرد.

با وجود شایستگی SSA که در ادبیات 18،19،20،21 گزارش شده است ، این الگوریتم هنوز کاستی های اساسی مانند ظرفیت جستجوی جهانی ضعیف ، عدم تعادل بین بهره برداری و ظرفیت اکتشاف و هزینه محاسباتی بالا را نشان می دهد. علاوه بر این ، مانند سایر الگوریتم های مبتنی بر گروه ، SSA از ضرایب آستانه زیر حد متوسط برای تقسیم جمعیت به گروه های مختلف برای جستجوی راه حل های بهینه استفاده می کند ، که به طور قابل توجهی اثربخشی آن را کاهش می دهد.

به همین دلیل ، در این مقاله ، ما راه حل های کارآمد برای اشکالات SSA پیشنهاد می کنیم. اول ، برای مقابله با مشکلات نامتعادل بهره برداری و ظرفیت اکتشاف SSA ، تعداد عناصر SSA را در گروه پیشرو و گروه زیر تنظیم می کنیم. علاوه بر این ، عناصر مورد استفاده برای بهره برداری از راه حل های بهینه جدید با شتاب بر اساس اصل کار بهینه سازی ذرات (PSO) برای بهبود سرعت جستجو و فضای جستجو ارائه می شوند. نکته آخر اینکه مهمترین هدف در این کار بر مقابله با اشکال در استفاده از ضرایب آستانه زیر حد متوسط SSA است. به طور خاص ، ضرایب آستانه زیر حد متوسط SSA با نسبت طلایی جایگزین می شوند. معمولاً اذعان می شود که نسبت طلایی توانایی بهینه خود را نشان داده است و می توان در انواع پدیده های طبیعی بی جان و همچنین در خلاقیت های انسانی مشاهده کرد. این الهام بخش اصلی برای بهره برداری از پتانسیل بسیار بهینه FS برای تقویت اثربخشی OAS است.

با این وجود ، معمولاً اذعان می شود كه استفاده از OAS برای مشکلات دنیای واقعی ، به ویژه برای SHM ساختارهای در مقیاس بزرگ ، جدا از الزام دقت ، باید هزینه محاسباتی بالایی حل شود. برای مقابله با این مشکل ، ما از تکنیک های به روز مانند پردازنده های SuperScalar و تکنیک های بردار برای OAS استفاده می کنیم. تکنیک پردازنده SuperScalar به انجام یک سری تکرارها به صورت موازی کمک می کند ، در حالی که تکنیک بردار نقش اساسی در کاهش اندازه داده ها دارد.

روش پیشنهادی ، یعنی FSPSOSSA یا HSSAPSO (Hybrid SSAPSO) ، برای مقابله با مشکلات معکوس یک پل خرپای بزرگ در مقیاس بزرگ استفاده می شود. برای مقایسه با FSPSOSSA ، سایر الگوریتم ها ، یعنی PSO ، الگوریتم ژنتیکی (GA) ، جستجوی فاخته (CS) ، بهینه ساز گرگ خاکستری (GWO) ، SSA ، بهینه سازی مبتنی بر بیوگرافی (BBO) 22 ، بهینه سازی پروانه (MFO) 23 ، 23 ، 23 ، 23 ، 23 ، 23 ، 23 ، 23 ، 23 ، 23 ،سایر SSA بهبود یافته (ISSA) 24 شاغل هستند.

از اصل کار FSPSOSSA ، برخی از کمک های این کار را می توان به شرح زیر ترسیم کرد:

• از ظرفیت جستجوی جهانی PSO برای اصلاح کاستی ها و بهبود اثربخشی SSA سنتی استفاده کنید.
• برای تنظیم مجدد جمعیت SSA ، از نسبت طلایی استفاده کنید. این یک فرضیه حیاتی برای بهبود کارآیی همه الگوریتم های مبتنی بر گروه با استفاده از آستانه هایی مانند SSA است.
• اثربخشی fspsossa نه تنها با مشکلات معکوس یک ساختار واقعی در مقیاس بزرگ ، بلکه با مقایسه آن با سایر الگوریتم های مشهور نشان داده می شود.
• یک رویکرد جدید را با استفاده از تکنیک های پیشرفته مانند پردازنده SuperScalar و تکنیک های بردار به OAS پیشنهاد دهید. برای این سهم ، زمان محاسباتی بسیار کاهش می یابد. این رویکرد بسیار پتانسیل برای استفاده از OAS برای مقابله با مشکلات واقعی است.

روش شناسی

اگرچه در دهه های اخیر ، OA های بی شماری پیشنهاد شده و با موفقیت برای مدلهای نظری مورد استفاده قرار گرفته است ، اما استفاده از OAS برای مقابله با مشکلات دنیای واقعی هنوز چالش برانگیز است. برای دستیابی به این هدف ، دو مشکل از جمله دقت و زمان محاسبه باید حل شود. بنابراین ، در این بخش ، ما برای بهبود صحت و کاهش زمان محاسباتی SSA 18 ، راه حل های کارآمد ارائه می دهیم.

SSA

SALP از خانواده Salpidae یک بشکه شکل است ، به عنوان یک حیوان دریایی نیمه شفاف همانطور که در شکل 1A نشان داده شده است.

در طی فرآیند جستجوی غذا ، سالپس اغلب به شکلی از زنجیره ای که در شکل 1b به تصویر کشیده شده است ، شناور می شوند. هر گروه SALP از یک عنصر پیشرو (در آغاز هر زنجیره) و گروه های زیر تشکیل شده است. موقعیت رهبر با استفاده از Eq مشخص می شود.(1) 18.

جایی که (_^) موقعیت رهبر در بعد (j ) است. (_ ) بهینه جهانی است (بهترین راه حل به دست آمده تاکنون) ؛ (_ ) و (_ ) به ترتیب مرز بالایی و قسمت پایین فضای جستجو در بعد (j-1 ) هستند. (_ ) و (_ ) ضرایب تصادفی با مقادیر خود در محدوده [0،1] هستند ، در حالی که (_ ) با استفاده از Eq محاسبه می شود.(2) 18.

$$_ = 2*^<<left(<frac<4*k>> ight)>^>$$

جایی که (k ) تکرار فعلی است و (k ) تعداد کل تکرارها است.

برای دنبال کردن رهبر ، پیروان از Eq استفاده می کنند.(3) 18:

$$_^= frac (_^+_^)$$

با (i ge 2 ) ؛ (_^ Mathrmx>_^ ) موقعیت SALP I −1th و I TH را نشان می دهد.

اگرچه SSA توانایی خود را در حل مشکلات بهینه سازی گزارش شده در ادبیات ثابت کرده است ، اما هنوز هم مضرات اصلی زیر را دارد:

• SSA فقط از یک رهبر برای کشف راه حل های بهینه جدید استفاده می کند ، در حالی که عناصر باقیمانده فقط به عنوان ذخیره سازی عمل می کنند. این تعادل بین بهره برداری و ظرفیت اکتشاف را از بین می برد.
• SSA به حرکت رهبر بسیار مهم است. در آخرین مرحله که (k ) (تکرار فعلی) نزدیک به (k ) (حداکثر تکرار) است که در Eq نشان داده شده است.(2) ، مرحله پرش رهبر اندک است. این نه تنها باعث همگرایی آهسته می شود و زمان جستجو را افزایش می دهد ، بلکه دقت نتایج به دست آمده را نیز کاهش می دهد.
• SSA از ضرایب آستانه زیر حد مطلوب برای تقسیم جمعیت به گروه های مختلف برای جستجوی راه حل های بهینه استفاده می کند ، که به طور قابل توجهی اثربخشی آن را کاهش می دهد.

دنباله فیبوناچی (FS) و نسبت طلایی

FS توسط لئوناردو فیبوناچی پیشنهاد شد و در قرن نوزدهم محبوبیت پیدا کرده است. FS و نسبت طلایی در اشکال متنوع در جهان ما نشان می دهند. در طبیعت ، نسبت طلایی را می توان در گل ها ، پوسته های حلزون ، پوسته های آمونیت و غیره مشاهده کرد. به همین ترتیب ، بسیاری از اندام های انسان نیز در نسبت طلایی ظاهر می شوند ، به عنوان مثال ، تعداد گلبرگهای گل ، مارپیچ گوش ، مارپیچ های DNA ، ساعد مربوط به دست و غیره. از نظر آفرینش انسانی ، نسبت طلایی به معماری مانند پارتنون ، برج ایفل ، اهرام جیزا و غیره اعمال می شود.

FS از قاعده دنباله ای از اعداد ساخته شده است ، که در آن تعداد پس از جمع آوری دو عدد مداوم قبل ، که در شکل 2 شرح داده شده است.

بر اساس FS ، نسبت طلایی ( varphi ) با استفاده از Eq ساخته شده است.(4).

$ $ varphi = frac<_><_+_> mathrm varphi = frac<_+_><_>$$ (_ ؛ _ ؛ mathrm_ ) شماره Z - 1th ؛z th ؛Z + 1 از FS ؛به ترتیب.

$ $ varphi تقریبا frac<8> تقریبی frac تقریبی frac تقریبی frac تقریبی frac تقریبا dots تقریبا 0. 618 $ $

$ $ varphi تقریبی frac تقریبی frac تقریبی frac تقریبی frac تقریبی frac تقریبا dots تقریبا 1. 618 $ $

تکنیک بردار

در ریاضیات ، بردار یک ماتریس یک تحول خطی است که ماتریس را به یک بردار ستون تبدیل می کند. به عبارت دیگر ، بردار ماتریس (_ ) ، به نام Vec ( (b )) ، بردار ستون (nm ) × 1 با ساخت پشته یک ستون در بالای دیگران به دست می آید:

$$>، نقاط ، __<mathrm<1,2>>,dots ,_, _,dots , _]>^$$

(_ ) بیانگر (b ) (i ، j) است ، در حالی که نسخه فوق (t ) نشان دهنده انتقال است. بردار سازی ، از طریق مختصات ، ایزومورفیسم ( ^ ) را نشان می دهد: = ( ^ otimes ^ cong ^ ). به عنوان مثال ، برای ماتریس 3 3 3 (b = سمت چپ [ start_ & _ _ _ _ _ _ _ _ _ _ _ _ نهایی نهایی] ) ، بردار است:

پردازنده فوقانی

پردازش موازی یک روش محاسباتی است که دو یا چند واحد پردازش مرکزی (CPU) را برای پردازش بخش های جداگانه یک کار کلی اجرا می کند. تقسیم بخش های مختلف یک کار بین چندین پردازنده نقش مهمی در کاهش زمان محاسباتی دارد. هر سیستمی با بیش از یک پردازنده می تواند پردازش موازی را انجام دهد. یک پردازنده چند هسته ای یک تراشه مدار یکپارچه (IC) است که شامل دو یا چند پردازنده برای عملکرد بهتر و کاهش مصرف برق است. این تنظیمات چند هسته ای با هدف نصب چندین پردازنده جداگانه در همان رایانه انجام می شود. بیشتر رایانه ها می توانند بین دو تا چهار هسته داشته باشند. با این حال ، بهره برداری از این ویژگی برای سریعتر و کارآمدتر کردن فرآیند محاسبه ، یعنی ساختن کدها سریعتر و کارآمدتر ، برای مشکلات خاص همچنان یک چالش برای محققان است. بنابراین ، در این مطالعه ، ما پیشنهاد می کنیم از پتانسیل پردازنده های موازی برای کاهش زمان محاسباتی OAS استفاده کنیم. این باعث افزایش کاربرد OAS برای حل مشکلات دنیای واقعی می شود. شکل 3 تفاوت بین پردازش سریال و پردازش موازی را نشان می دهد. پردازنده سریال با استفاده از تنها یک پردازنده (هسته) یک کار را در یک زمان انجام می دهد ، در حالی که پردازنده های موازی می توانند با استفاده از دو یا چند پردازنده ، کارهای زیادی را انجام دهند.

در این مقاله ، از پردازنده SuperScalar برای کاهش هزینه محاسباتی که روند SHM را تسهیل می کند ، استفاده می شود. به طور خاص ، از پردازنده SuperScalar (پردازش موازی) برای اجرای دو یا چند CPU به طور همزمان برای پردازش بخش های جداگانه یک کار کلی استفاده می شود.

رفیق

برای مقابله با کاستی های SSA ، در این بخش راه حل های مؤثر از جمله ویژگی های اصلی زیر ارائه می شود:

• برای ایجاد تعادل بین بهره برداری و ظرفیت اکتشاف ، تعداد عناصر SSA در گروه پیشرو و گروه زیر دوباره تنظیم شده است. عناصر به سه گروه تقسیم می شوند. گروه اول گروه پیشرو است که به جای استفاده از یک رهبر به عنوان SSA ، از 30 ٪ از جمعیت استفاده می کند. مورد زیر شامل 2 گروه است. اولین مورد با استفاده از 40 ٪ از جمعیت ، ذخیره راه حل های بهینه است و در آخرین مورد ، 30 ٪ از جمعیت وزن اضافی (W ) حاصل از PSO برای سرعت بخشیدن به سرعت عناصر اختصاص می یابد.
• با SSA ، حرکت عناصر از ضریب (_ ) با آستانه برابر با 0 استفاده می کند (معادله 1). در این مطالعه ، ضریب (_ ) SSA با نسبت طلایی با سه آستانه به شرح زیر جایگزین می شود:
  • Type 1: upward movement ( (_)>0. 618).
  • نوع 2: حرکت رو به پایین ( (_ )<− 0.618).
  • نوع 3: ژنراتورهای جهش یافته [ (-0. 618 le _ le 0. 618 )].

  هر زنجیره SALP به 3 گروه تقسیم می شود: گروه پیشرو (LD) ، گروه پیرو 1 (FG1) و گروه 2 (FG2).

  (M ) تعداد جمعیت را نشان می دهد. (_^ ، _^ ، _^ ، _^ ) موقعیت و سرعت رهبر SALP را در تکرار J Th و J - 1 نشان می دهد. به ترتیب؛ (_^<mathrm<^<prime>>>) ، (_^<mathrm<^<prime>>>) ، (_ ) و (_ ) عامل یادگیری شناخت و یادگیری اجتماعی هستند. و اعداد تصادفی (0<(_,_) <1), respectively, (w) is the inertia weight parameter, (

  _^ ) بهترین محلی از ذرات (i ) را در j - 1 تکرار نشان می دهد.

  $$_^= frac (_^+_^)$$ $$_^=_^+_^$ $

  اصل کار FSSAPSO در شکل 4 نشان داده شده است.

  

  از FSPSOSSA برای مقابله با مشکلات معکوس استفاده می شود. بر اساس توابع عینی ، از FSPSOSSA برای شناسایی پارامترهای نامشخص استفاده می شود که دقیقاً می تواند رفتارهای ساختارها را نشان دهد.

  استفاده از رویکرد پیشنهادی به SHM از یک پل خرپا در مقیاس بزرگ واقعی

  توصیف پل

  پل Nam O (شکل 5) یک پل خرپایی در مقیاس بزرگ است که در شهر دا ننگ (در وسط ویتنام) واقع شده است. این پل در سال 2011 ساخته شده است که مهمترین خط راه آهن را از جنوب به شمال وصل می کند. این پل از چهار دهانه با طول 75 متر برای هر دهانه تشکیل شده است. ابعاد از طرف Hai Van و Da Nang به ترتیب (_ ) و (_ ) نامگذاری شده اند ، در حالی که سه اسکله ، به نوبه خود ، نامگذاری شده اند (_ ) ، (_ ) ، (_ (_ (_ (_ ).)

  

  مدل عددی

  مدل FEM با استفاده از MATLAB ساخته شده است (شکل 6). این مدل از 156 عنصر و 137 گره با 356 درجه آزادی (DOF) تشکیل شده است.

  

  اندازه گیری

  اندازه گیری ها در دهانه اول انجام شد (شکل 7 را ببینید). 64 گره اندازه گیری شده استفاده شد که در آن 40 گره ثابت و 24 مورد دیگر در حال چرخش بودند. جزئیات بیشتر در مورد اندازه گیری ها در کار قبلی ما 25 توضیح داده شده است.

  

  به روزرسانی مدل

  در این بخش از FSPSOSSA برای مقابله با مشکل معکوس پل Nam O استفاده می شود. برای مقایسه با FSPSOSSA ، SSA ، ISSA و سایر OA های مشهور استفاده می شوند. پارامترهای مورد استفاده برای الگوریتم های در نظر گرفته شده در جدول 1 ارائه شده است.

  

  شکل 8 همگرایی کم GA ، ISSA ، PSO و CS را نشان می دهد. دلیل این امر این است که این الگوریتم ها خیلی زود همگرا می شوند و دستیابی به راه حل های بهینه را دشوار می کند. اگرچه سرعت همگرایی FSPSOSSA در اولین مراحل کندتر از سایر الگوریتم ها است ، با ظرفیت بهینه FS همراه با ظرفیت جستجوی جهانی PSO ، FSPSOSSA هنوز هم سطح بالاتری از همگرایی نسبت به سایر الگوریتم ها فراهم می کند.

  توجه به دقت و زمان محاسباتی

  برای در نظر گرفتن صحت الگوریتم های در نظر گرفته شده ، سه مقدار متشکل از میانگین ( ( overline )) ، انحراف استاندارد (SD) و خطای استاندارد (SE) استفاده می شود. ( overline ) میانگین نمونه های (n ) از مقادیر بهترین درجه است. ( Overline ) بر اساس Eq محاسبه می شود.(12):

  $ $ Overline= frac _^_ $ $

  SD برای اندازه گیری میزان تغییر مجموعه ای از مقادیر است. SD بر اساس Eq تعیین می شود.(13):

  $$SD=sqrt_^left|_-overline ight|>$$SE یک اصطلاح آماری است که نشان دهنده SD توزیع نمونه گیری آن است. SE بر اساس Eq تعیین می شود.(14)

   

  $ $ se = frac>$$

  دقت و هزینه محاسباتی الگوریتم های در نظر گرفته شده در جدول 4 نشان داده شده است.

  جدول 4 دقت و زمان محاسباتی الگوریتم های در نظر گرفته شده است.

  بر اساس چهار مقدار از جمله بهترین ، ( overline ) ، SD و SE ، مشخص است که fspsossa نسبت به همه الگوریتم های مقایسه ای برتر است. این بدان معنی است که FSPSOSSA بهترین مکاتبات بین مدل عددی و اندازه گیری پل Nam O را ارائه می دهد. از نظر هزینه محاسباتی ، BBO ، ISSA و به ویژه ، GA مقدار زیادی از زمان ، 5599. 37 ثانیه ، 6325. 69 ثانیه و 7572. 46 ثانیه را به ترتیب برای تکمیل 100 تکرار می گذراند. در مقابل ، FSPSOSSA فقط برای این فرآیند کمترین زمان محاسباتی (تنها 795. 59 ثانیه) را صرف می کند زیرا این الگوریتم از تکنیک بردار برای کاهش اندازه داده ها و تکنیک پردازنده SuperSalar برای اجرای تکرارها به صورت موازی استفاده می کند. متغیرهای قبل و بعد از بروزرسانی در جدول 5 ارائه شده است.

  جدول 5 نتیجه متغیرهای قبل و بعد از بروزرسانی. واحدهای این متغیرها شبیه به جدول 2 هستند.

  نتیجه گیری و تحقیقات آینده

  در این مقاله یک رویکرد امیدوار کننده برای استفاده از OAS برای مقابله با مشکلات دنیای واقعی ، به ویژه SHM برای یک پل خرپا در مقیاس بزرگ واقعی ارائه شده است. برای دستیابی به این هدف ، دو هدف از جمله دقت و زمان محاسباتی باید به آنها رسیدگی شود. از نظر دقت ، اول ، ما با راه حل های کارآمد برای کاستی های SSA سنتی ارائه می دهیم. این راه حل شامل دو ویژگی اصلی است: متعادل کردن ظرفیت اکتشاف و بهره برداری و استفاده از ظرفیت جستجوی جهانی PSO. از طرف دیگر ، ما از پتانسیل بهینه FS برای تقویت اثربخشی OAS سوءاستفاده می کنیم. با توجه به زمان محاسباتی ، تکنیک های محاسباتی به روز از جمله پردازنده SuperScalar و تکنیک های بردار استفاده می شود. برای مقایسه با FSPSOSSA ، سایر الگوریتم های مشهور نیز به کار می روند. بر اساس نتایج به دست آمده ، برخی از اظهارات می توان بیان کرد.

  • پس از به روز رسانی مدل، توافق خوبی بین مدل عددی و FEM حاصل می شود. بیشترین انحراف بین فرکانس های عددی و اندازه گیری شده طبیعی کمتر از 10 درصد است.
  • FSPSOSSA نه تنها کاملاً برتر از SSA است، بلکه از نظر دقت و هزینه محاسباتی از سایر الگوریتم های مقایسه ای نیز پیشی می گیرد.
  • FS پتانسیل بسیار زیادی برای اعمال OA با استفاده از آستانه هایی مانند SSA دارد.
  • جدا از بهبود دقت الگوریتم های SSA به طور خاص و OA ها به طور کلی، این مقاله از تکنیک های به روز مانند پردازشگر فوق اسکالر و تکنیک های برداری برای OA ها استفاده می کند. در نتیجه، زمان محاسبات به شدت کاهش می یابد. از این رو، این رویکرد پتانسیل بالایی برای SHM سازه های مقیاس بزرگ و همچنین برای سایر مشکلات دنیای واقعی است.
  • تحقیقات بیشتری باید انجام شود تا ظرفیت رویکرد پیشنهادی برای شناسایی آسیب ها در کاربردهای واقعی به کار گرفته شود.

  در دسترس بودن داده ها

  مجموعه داده های مورد استفاده و/یا تجزیه وتحلیل شده در طول مطالعه فعلی در دسترس نویسنده مربوطه بنا به درخواست منطقی است.

  منابع

  1. Tran-Ngoc، H. و همکاران. ارزیابی آسیب در سازه ها با استفاده از شبکه عصبی مصنوعی و بهینه سازی تصادفی ترکیبیعلمیتکرار 12 (1)، 1-12 (2022). مقاله Google Scholar
  2. Gaute-Alonso، A.، Garcia-Sanchez، D. & Ramos-Gutierrez، Ó. R. روش جدید برای محاسبه بهینه تحلیل مودال عرشه پل تیر. علمی12 (1)، 1-18 (2022). مقاله Google Scholar
  3. Tokognon، C. A.، Gao، B.، Tian، G. Y. & Yan، Y. چارچوب نظارت بر سلامت ساختاری بر اساس اینترنت اشیا: یک نظرسنجی. IEEE Inteet Things J. 4 (3)، 619 635 (2017). مقاله Google Scholar
  4. انتظامی، ا.، سرمدی، ح.، سالار، م.، د میشل، سی و ارسلان، ا. ن. یک روش جدید مبتنی بر داده برای پایش سلامت ساختاری تحت ارتعاش محیط و ویژگی های با ابعاد بالا با مقیاس گذاری چند بعدی قوی. ساختار. مانیتور سلامت. 20 , 1475921720973953 (2021). مقاله Google Scholar
  5. الگوریتم های یادگیری ماشینی Figueiredo، E.، Park، G.، Farrar، C. R.، Worden، K. & Figueiras، J. برای تشخیص آسیب تحت تغییرات عملیاتی و محیطی. ساختار. مانیتور سلامت. 10 (6)، 559-572 (2011). مقاله Google Scholar
  6. سرمدی، ح.، انتظامی، ع.، سعیدی رضوی، ب. ساختار. کنترلمانیتور سلامت. 28 (2)، e2663 (2021). مقاله Google Scholar
  7. Entezami ، A. ، Shariatmadar ، H. & Karamodin ، A. تشخیص خسارت داده محور تحت تنوع محیطی و عملیاتی با روش های تشخیص الگوی آماری جدید. ساختار. سلامت مونیت. 18 (5-6) ، 1416-1443 (2019). Articlegoogle Scholar
  8. تنگ ، ی. و همکاران. سنسور شتاب پرتوی سفت و سخت FBG به شکل L شکل. علمیRep. 12 (1) ، 1-13 (2022). Articleadsgoogle Scholar
  9. Roohezamin ، A. ، Kalatehjari ، R. ، Hajihasani ، M. ، Kharghani ، M. & Dias ، D. بررسی رفتار امواج صوتی یک تونل زیرزمینی در یک خاک چند لایه. علمیRep. 12 (1) ، 1-15 (2022). Articlegoogle Scholar
  10. Fan ، Z. et al. نظارت بر سلامت ساختاری از نفوذ فلز به شیشه و جروما در حین پیری دوچرخه سواری حرارتی با استفاده از سنسورهای FBG فمتو-لیزر. علمیRep. 10 (1) ، 1-13 (2020). Articlegoogle Scholar
  11. REYNDERS ، E. & DE ROECK ، G. مبتنی بر مرجع شناسایی زیر مجموعه قطعی-توچزیکی برای تجزیه و تحلیل معین تجربی و عملیاتی. مکانیکsystروند سیگنال. 22 (3) ، 617-637 (2008). Articleadsgoogle Scholar
  12. Peeters ، B. ، Maeck ، J. & De Roeck ، G. تشخیص خسارت مبتنی بر لرزش در مهندسی عمران: منابع تحریک و اثرات دما. مادر هوشمندساختار. 10 (3) ، 518 (2001). Articleadsgoogle Scholar
  13. HJIAJ ، M. ، Fortin ، J. & De Saxcé ، G. یک الگوریتم به روزرسانی کامل استرس برای مدل Drucker-Prager غیر مرتبط از جمله درمان Apex. int. J. Eng. علمی41 (10) ، 1109 1143 (2003). Articlegoogle Scholar
  14. Trofimov ، A. ، Angaimov ، S. & Sevostianov ، I. مشکل همگن سازی معکوس: ارزیابی خواص الاستیک و الکتریکی (حرارتی) ترکیبات کامپوزیت. int. J. Eng. علمی129 ، 34-46 (2018). ArticleMathscinetMathgoogle Scholar
  15. Akyol ، S. & Alatas ، B. الگوریتم های بهینه سازی متهوریستی مبتنی بر اطلاعات گیاهی. Artifهوشوحی 47 (4) ، 417-462 (2017). Articlegoogle Scholar
  16. Alatas ، B. & Bingol ، H. ارزیابی مقایسه ای الگوریتم های جستجوی هوشمند و بهینه سازی هوشمند مبتنی بر نور. مهندس نور28 ، 6 (2020). دانشمند Mathoogle
  17. Alatas ، B. & Bingol ، H. یک رویکرد جدید مبتنی بر فیزیک برای مشکل مسابقات مسافرتی: Optics الهام بخش بهینه سازی. inf. تکنولکنترل 48 (3) ، 373-388 (2019). Articlegoogle Scholar
  18. میرجالی ، س. و همکاران. الگوریتم SALP SWARM: یک بهینه ساز با الهام از زیستی برای مشکلات طراحی مهندسی. مشاورمهندسنرم114 ، 163-191 (2017). Articlegoogle Scholar
  19. Rizk-Allah ، R. M. ، Hassanien ، A. E. ، Elhoseny ، M. & Gunasekaran ، M. الگوریتم جدید SALP باینری: توسعه و کاربرد برای کارهای بهینه سازی. رایانه عصبی. کاربرد31 (5) ، 1641-1663 (2019). Articlegoogle Scholar
  20. Tubishat ، M. et al. الگوریتم SLARM SALP پویا برای انتخاب ویژگی. سیستم متخصصکاربرد164 ، 113873 (2021). Articlegoogle Scholar
  21. Faris ، H. ، Mafarja ، M. M. ، Heidari ، A. A. ، Aljarah ، I. Ala ، A. Z. ، Mirjalili ، S. & Fujita ، H. یک الگوریتم SARAR SALP باینری کارآمد با طرح متقاطع برای مشکلات انتخاب ویژگی. دانش مبتنی بر دانش. 154 ، 43-67 (2018). Articlegoogle Scholar
  22. Simon ، D. بهینه سازی مبتنی بر بیوگرافی. IEEE ترانس. تحولرایانه. 12 (6) ، 702-713 (2008). Articlegoogle Scholar
  23. میرجالیلی ، S. الگوریتم بهینه سازی فصلی Moth-Flame: یک الگوی جدید اکتشافی با الهام از طبیعت. دانش مبتنی بر دانش. 89 ، 228-249 (2015). Articlegoogle Scholar
  24. Ben Chaabane ، S. ، Belazi ، A. ، Kharbech ، S. ، Bouallegue ، A. & Clavier ، L. الگوریتم بهینه سازی SALP بهبود یافته: کاربرد در وزن ویژگی برای شناسایی مدولاسیون کور. الکترونیک 10 (16) ، 2002 (2021). Articlegoogle Scholar
  25. Tran-Ngoc ، H. و همکاران. به روزرسانی مدل برای Bridge NAM O با استفاده از الگوریتم بهینه سازی swarm ذرات و الگوریتم ژنتیکی. سنسورهای 18 (12) ، 4131 (2018). ArticleadspubmedPubmed CentralGoogle Scholar

  سپاسگزاریها

  این کار توسط Vingroup تأمین می شود و توسط بنیاد نوآوری (VINIF) تحت کد پروژه VINIF. 2021. DA00192 پشتیبانی می شود.

  اطلاعات نویسنده

  نویسندگان و وابستگی ها

  1. گروه مهندسی پل و تونل ، دانشکده مهندسی عمران ، دانشگاه حمل و نقل و ارتباطات ، هانوی ، ویتنام H. Tran-Ngoc ، T. Le-Xuan & T. Bui-Tien
  2. آزمایشگاه Soete ، گروه انرژی الکتریکی ، فلزات ، سازه های مکانیکی و سیستم ها ، دانشکده مهندسی و معماری ، دانشگاه گنت ، 9000 ، جنت ، بلژیک مگد عبد الوهاب
  3. دانشکده مهندسی عمران ، دانشگاه آزاد شهر هوشی مین ، شهر هوشی مین ، ویتنام س. خاتیر
  4. گروه مهندسی عمران ، KU Leuven ، 3001 ، Leuven ، بلژیک G. de Roeck
  1. H. Tran-ngoc