Vibration based structural health monitoring by using machine learning

structural health monitoring (SHM) is an important topic of research in the civil, mechanical, and aerospace engineering fields. Vibration-based methods utilizing machine learning have become increasingly popular in the field of structural health monitoring due to their ability to perform pattern matching and their potential for online monitoring. These methods have proven to be effective in assessing the health of structures and detecting any potential damage through vibration data. In this research, we aim to develop a vibration-based structural health monitoring system using machine learning that can accurately and efficiently detect and diagnose damage in structures. For this purpose, the Autoencoder method used to remove the noise and environmental effect from the vibration data will be employed. The distance-based clustering was implemented and optimized by the Gaussian mixture model (GMM). This system will leverage the capabilities of machine learning algorithms to analyze vibration data collected from structures and determine if any anomalies or damage are present. Also localization of the damage performed on the I-40 bridge by using a hybrid machine learning approach. Using the calibrated Finite element calibrated by Particle swarm optimization (PSO) successfully detects and localizes the damage.

Il monitoraggio strutturale è un argomento di ricerca importante nei campi dell'ingegneria civile, meccanica e aerospaziale. I metodi basati sulle vibrazioni che utilizzano l'apprendimento automatico sono diventati sempre più popolari nel campo del monitoraggio strutturale grazie al loro potenziale per il monitoraggio online. Questi metodi si sono dimostrati efficaci nella valutazione della salute delle strutture e nel rilevamento di eventuali danni attraverso i dati di vibrazione. In questa ricerca, miriamo a sviluppare un sistema di monitoraggio strutturale basato su vibrazioni utilizzando l'apprendimento automatico, in grado di rilevare e diagnosticare con precisione ed efficienza i danni nelle strutture. A questo scopo, verrà utilizzato il metodo Autoencoder per rimuovere il rumore e l'effetto ambientale dai dati di vibrazione. Il raggruppamento basato sulla distanza è stato implementato e ottimizzato dal modello di miscela Gaussiana (GMM). Questo sistema sfrutterà le capacità degli algoritmi di apprendimento automatico per analizzare i dati di vibrazione raccolti dalle strutture e determinare se sono presenti anomalie o danni. Inoltre, la localizzazione del danno effettuata sul ponte I-40 utilizzando un approccio ibrido di apprendimento automatico. Utilizzando l'elemento finito calibrato dal Particle swarm optimization (PSO) rileva e localizza con successo il danno.