Detail projektu

Inverzní analýza dynamicky namáhaných konstrukcí za použití metod umělé inteligence

Období řešení: 01.01.2007 — 31.12.2009

Zdroje financování

Grantová agentura České republiky - Postdoktorandské granty

- plně financující (2007-01-01 - 2009-12-31)

O projektu

Hlavní náplní projektu je využití metod umělé inteligence při identifikaci dynamicky namáhaných konstrukcí s cílem lokalizovat porušení konstrukce a stanovit proměnlivost materiálových vlastností (tuhost) po konstrukci. K identifikaci je použita metoda kombinující umělé neuronové sítě a stochastickou analýzu konstrukce sloužící pro vytvoření vhodné učící množiny. Nedílnou součástí metody je i citlivostní analýza vstupních parametrů. Vytvořená metodika je rozvíjena směrem k dynamické odezvě konstrukcí, kdy vstupními parametry identifikace jsou výsledky modální či časové analýzy (frekvence, vlastní tvary, srovnávací kritéria MAC, FRAC apod.). Uvažuje se i se zahrnutím limitních cyklů a chaotického chování. Verifikace metodiky a výsledků je prováděna na experimentálně zjištěných datech z laboratorních testů železobetonových nosníků a z výsledků dynamického měření na několika mostních konstrukcích. Tato identifikační metoda přispěje k následnému stanovení spolehlivosti konstrukce a její zbytkové životnosti.

Popis anglicky
The main subject of the project is an identification of dynamically loaded structures using methods of artificial intelligence in order to analyze damage of structure and to determine a variability of material properties (stiffness) along the structure. As an identification technique the method based on coupling of artificial neural networks and stochastic analysis of structure for preparation of appropriate training set is used. Sensitivity analysis of the input parameters is the integral part of the method. The proposed methodology is being extended towards the dynamic response of structures when results of modal or time domain analysis are the input parameters (frequencies, mode shapes, assurance criteria MAC, FRAC etc.). Limit cycles and chaotic behavior will be possibly considered too. The verification of the methodology and results are carried out using experimental data from laboratory tests of reinforced concrete beams and from results of health monitoring performed on several bridges. This identification method will contribute to subsequent evaluation of overall reliability and residual lifetime of the structure.

Klíčová slova
Inverzní analýza, umělé neuronové sítě, modální vlastnosti, identifikace poškození

Klíčová slova anglicky
Inverse analysis, artificial neural networks, modal properties, damage identification

Označení

GP103/07/P380

Originální jazyk

čeština

Řešitelé

Lehký David, prof. Ing., Ph.D. - hlavní řešitel

Útvary

Ústav stavební mechaniky
- příjemce (01.01.2007 - 31.12.2009)

Výsledky

FRANTÍK, P.; LEHKÝ, D.; NOVÁK, D. Modal properties study for damage identification of dynamically loaded structures. In Recent Developments in Structural Engineering, Mechanics and Computation. Cape Town, South Africa: 2007. p. 1-6. ISBN: 978-90-5966-054-0.
Detail

LEHKÝ, D.; NOVÁK, D.; FRANTÍK, P. Damage identification of dynamically loaded structures: methodology and modal properties study. In Engineering mechanics 2007. Svratka, Česká republika: 2007. s. 1-10. ISBN: 978-80-87012-06-2.
Detail

NOVÁK, D.; LEHKÝ, D.; BERGMEISTER, K.; STRAUSS, A. Identification Strategies for Maintenace of Bridges. 1. Weimar, Germany: 2007. p. 1 (1 s.).
Detail

LEHKÝ, D.; NOVÁK, D. Identifikace poškození železobetonového nosníku na základě dynamického experimentu. In Experiment 2007. Brno, Česká republika: 2007. s. 301-306. ISBN: 978-80-7204-543-3.
Detail

LEHKÝ, D.; FRANTÍK, P.; NOVÁK, D.; STRAUSS, A.; BERGMEISTER, K. Dynamic damage identification based on artificial neural networks, SARA - Part IV. In Structural health monitoring of intelligent Infrastructure. Vancouver, Canada: 2007. p. 183 ( p.)ISBN: 978-0-9736430-4-6.
Detail

NOVÁK, D.; LEHKÝ, D. Identification of Quasibrittle material parameters based on stochastic nonlinear simulation and artificial neural networks. In MHM 2007. Praha, Česká republika: 2007. p. 94-95.
Detail