مقایسه روش‌های شناسایی سیستم جهت استخراج پارامترهای مودال (مطالعه موردی: پل 22 بهمن دانشگاه فردوسی مشهد)

مهندسی عمران فردوسی

مقاله 5، دوره 38، شماره 2 - شماره پیاپی 50، خرداد 1404، صفحه 91-114   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2025.91585.1336

نویسندگان

نیما کوثری¹؛ ظاهر رضایی¹؛ محمود گلریز¹؛ احمد شوشتری^{* 2}

¹گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

²دانشگاه فردوسی مشهد، دانشکده مهندسی، گروه عمران

چکیده

شناسایی مشخصات دینامیکی سیستم‌ها از مسائل مهم در پایش سلامت سازه‌ها می‌باشد. با داشتن شاخص‌های حساس به آسیب نظیر فرکانس‌های طبیعی و شکل‌های مودی و با مقایسه آن‌ها با وضعیت اولیه سیستم، می‌توان آسیب‌ها را شناسایی کرد. در این مقاله کارایی روش‌های مرسوم شناسایی سیستم جهت محاسبه پارامتر های مودال بررسی می‌شود. بدین منظور در حوزه زمان روش زیر فضای تصادفی (SSI)، در حوزه فرکانس روش‌های تجزیه حوزه فرکانس (FDD) و حداقل مربعات چند جمله‌ای‌های مختلط چند مرجعی (PLSCF) و در حوزه زمان - فرکانس روش تجزیه مود تجربی (EMD) انتخاب شده است. جهت مقایسه نتایج و بررسی دقت روش‌ها از مدل عددی سازه بنچ مارک ASCE-AISC استفاده شده است. علاوه بر‌ آن برای بررسی کارایی روش‌ها با داده‌های میدانی و دارای نویز محیطی داده‌های ارتعاشی حاصل از انجام تست مودال بر روی پل 22 بهمن دانشکاه فردوسی مشهد مورد استفاده قرار گرفته است. نتایج بدست آمده نشان می‌دهد روش‌های FDD و SSI عملکرد دقیق‌تر و مناسب‌تری برای تخمین ویژگی‌های مودال سازه‌ها دارند. روش PLSCF نسبت به نویز محیطی حساس می‌باشد و نویز موجود در سیگنال‌ها سبب بروز خطا در نتایج آن خواهد شد. روش EMD برای پردازش سیگنال غیر ایستا و غیر خطی مناسب بوده اما دقت پایین تری نسبت به سایر روش‌ها دارد. این نتایج می‌تواند راهنمای محققان حوزه پایش سلامت سازه‌ها جهت انتخاب روش برای پیاده سازی در سازه‌ها یا توسعه هریک از این روش‌ها قرار گیرد.

کلیدواژه‌ها

شناسایی سیستم؛ زیر فضای تصادفی؛ تجزیه حوزه فرکانس؛ حداقل مربعات چند جمله‌ای‌های نمایی مختلط در حوزه فرکانس؛ تجزیه مود تجربی

مراجع

[1]    P. Van Overschee and B. De Moor, Subspace identification for linear systems: Theory—Implementation—Applications. Springer Science & Business Media, 2012.

[2]    B. Peeters and G. De Roeck, "Reference-based stochastic subspace identification for output-only modal analysis," Mechanical systems and signal processing, vol. 13, no. 6, pp. 855-878, 1999. https://doi.org/10.1006/mssp.1999.1249

[3]    S. Li, J.-T. Wang, A.-Y. Jin, and G.-H. Luo, "Parametric analysis of SSI algorithm in modal identification of high arch dams," Soil Dynamics and Earthquake Engineering, vol. 129, p. 105929, 2020. https://doi.org/10.1016/j.soildyn.2019.105929

[4]    H. B. Shim and H. S. Park, "SSI-LSTM network for adaptive operational modal analysis of building structures," Mechanical Systems and Signal Processing, vol. 195, p. 110306, 2023. https://doi.org/10.1016/j.ymssp.2023.110306

[5]    R. Brincker, L. Zhang, and P. Andersen, "Modal identification from ambient responses using frequency domain decomposition," in IMAC 18: Proceedings of the International Modal Analysis Conference (IMAC), San Antonio, Texas, USA, February 7-10, 2000, 2000, pp. 625-630.

[6]    R. Brincker, L. Zhang, and P. Andersen, "Modal identification of output-only systems using frequency domaindecomposition," Smart materials and structures, vol. 10, no. 3, p. 441, 2001. https://doi.org/10.1088/0964-1726/10/3/303

[7]    S. Gade, "Frequency domain techniques for operational modal analysis," The Shock and Vibration Digest, vol. 38, no. 6, pp. 537-538, 2006.

[8]    A. Cardoni, A. R. Elahi, and G. P. Cimellaro, "A refined output-only modal identification technique for structural health monitoring of civil infrastructures," Engineering Structures, vol. 323, p. 119210, 2025. https://doi.org/10.1016/j.engstruct.2024.119210

[9]    P. Guillaume, P. Verboven, and S. Vanlanduit, "A poly-reference implementation of the least-squares complex frequency-domain estimator," Proceedings of International Modal Analysis Conference, vol. 21, 2003, pp. 183–192.

[10]  S. D. Amador and R. Brincker, "Modal identification of a steel platform specimen with a subspace implementation of the poly-reference complex frequency method formulated in modal model (pCF-MM)," in Journal of Physics: Conference Series, vol. 2647, no. 19: IOP Publishing, 2024, p. 192018. https://doi.org/10.1088/1742-6596/2647/19/192018

[11]  M. T. Steffensen, M. Döhler, D. Tcherniak, and J. J. Thomsen, "Variance estimation of modal parameters from the poly-reference least-squares complex frequency-domain algorithm," Mechanical Systems and Signal Processing, vol. 223, p. 111905, 2025. https://doi.org/10.1016/j.ymssp.2024.111905

[12]  N. E. Huang et al., "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis," Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences, vol. 454, no. 1971, pp. 903-995, 1998. https://doi.org/10.1098/rspa.1998.0193

[13]  Z. Wu and N. E. Huang, "Ensemble empirical mode decomposition: a noise-assisted data analysis method," Advances in adaptive data analysis, vol. 1, no. 01, pp. 1-41, 2009. https://doi.org/10.1142/S1793536909000047

[14]  J.-R. Yeh, J.-S. Shieh, and N. E. Huang, "Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method," Advances in adaptive data analysis, vol. 2, no. 02, pp. 135-156, 2010. https://doi.org/10.1142/S1793536910000422

[15]  M. E. Torres, M. A. Colominas, G. Schlotthauer, and P. Flandrin, "A complete ensemble empirical mode decomposition with adaptive noise," in 2011 IEEE international conference on acoustics, speech and signal processing (ICASSP), 2011: IEEE, pp. 4144-4147. https://doi.org/10.1109/ICASSP.2011.5947265

[16]  S. M. Vazirizade, A. Bakhshi, and O. Bahar, "Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks," Scientia Iranica, vol. 26, no. 3, pp. 1266-1279, 2019. https://doi.org/10.24200/sci.2019.50657.1808

[17]  H. S. Yousefifard, G. G. Amiri, E. Darvishan, and O. Avci, "Intelligent hybrid approaches utilizing time series forecasting error for enhanced structural health monitoring," Mechanical Systems and Signal Processing, vol. 224, p. 112177, 2025. https://doi.org/10.1016/j.ymssp.2024.112177

[18]  J. L. Burkett, "Benchmark studies for structural health monitoring using analytical and experimental models," 2005.

[19]  C. Black and C. Ventura, "Blind test on damage detection of a steel frame structure," in Society for Experimental Mechanics, Inc, 16 th International Modal Analysis Conference., 1998, vol. 1, pp. 623-629.

•