Минск, Беларусь
Предложен метод «подвижного фрактала» с использованием радиальных базовых функций. С начала мониторинга создается фрактал в виде квадратной матрицы, размеры который равны количеству датчиков, фрактал пошагово перемещается по получению данных в следующий момент времени. Вычисленные при таком смещении параметры матрицы сравниваются с параметрами на предыдущем шаге. Появление дефекта регистрируется как скачкообразное изменение элементов матрицы. Недостаток методики — необходимо моделировать влияние любого типа дефекта на параметры измерительной системы мониторинга.
Мониторинг состояния, обратная задача, метамодель, фрактал, собственные числа
1. Ni Y. Q., Xia Y., Lin W. e4t al. SHM benchmark for high-rise structures: a reduced-order finite element model and field measurement data. - Smart Structures and Systems. 2012. V. 10. No. 4-5. P. 411-426.
2. Structural damage detection and classification based on machine learning algorithms. / Ed. by T. Burgos, D. Alexander, V. Jaime, et al., 2016. - 10 p.
3. Hoon Sohn., Farrar C. R., Hemez F. M. e t al. A Review of Structural Health Monitoring Literature: 1996-2001. Los Alamos National Laboratory Report, LA-13976-MS, 2004. - Los Alamos (USA): 2004. - 311 c. Доступно: https://ru.b-ok2.org/book/2551346/640095 (дата обращения: 03.04.2020).
4. Бенин А. В, Семёнов А. С., Семёнов С. Г. Моделирование процесса разрушения элементов железобетонных конструкций под действием коррозии арматуры. 2010. - Доступно: https://cyberleninka.ru/article/v/modelirovanie-protsessa-razrusheniya-elementov-zhelezobetonnyh-konstruktsiy-pod-deystviem-korrozii-armatury (дата обращения: 09.07.2017).
5. Balayssac J. P., Garnier V. Nondestructive testing and evaluation of civil engineering structures. - Amsterdam: Elsevier, 2017.
6. Клюев В.В., Соснин Ф.Р., Ковалёв А.В. и др. Неразрушающий контроль и диагностика. - М.: Машиностроение, 2003. - 656 c.
7. Matzkanin G. A., Yolken H. T. Probability of Detection (POD) for Nondestructive Evaluation (NDE). Nondestructive Testing Information Analysis Center. - Austin, Texas, USA, 2001. - 53 c.
8. Worden K., Farrar C. R., Manson G., Park G. The fundamental axioms of structural health monitoring. - Proc. Royal Soc. A: Math., Phys. & Eng. Sci. 2007. V. 463. No. 2082. P. 1639-1664.
9. Saidov K., Szpytko J. Problems review of the health monitoring of tall type buildings. - J. of KONES. Powertrain and Transport. 2015. V. 22. No. 2. P. 191-204.
10. Vengrinovich V. L. Bayesian Image and Pattern Reconstruction from Incomplete and Noisy Data. - Pattern Recognition and Image Analysis. 2012. V. 22. No. 1. Р. 99-107.
11. Yi-zhou Lin, Zhen-hua Nie, Hong-wei Ma. Structural Damage Detection with Automatic Feature-Extraction through Deep Learning. - Computer-Aided Civil and Infrastructure Eng. 2017. V. 32. No.12. Р. 1025-1046.
12. Венгринович В. Л., Клименко С. В., Ротков С. И. И др. Мониторинг технического состояния и оценка остаточного ресурса больших сооружений. - В мире НК. 2015. Т. 18. № 3. С. 25-29.
13. Rosenblatt F. The Perceptron: A Probalistic Model For Information Storage And Organization In The Brain. - Psychological Rev. 1958. V. 65. No. 6. Р. 386-408.
14. Webb G. T., Vardanega P. J., Middleton C. R. Categories of SHM Deployments: Technologies and Capabilities. - J. Bridge Eng. 2015. V. 20. No. 11. Доступно: https://ascelibrary.org/doi/10.1061/%28ASCE%29BE.1943-5592.0000735.
15. Венгринович В. Л., Лыков В. А. Фрактальный анализ больших данных на выходе многосенсорных систем мониторинга. - Неразрушающий контроль и диагностика. 2015. № 2. С. 5-16.
16. Wenzel H., Veit-Egerer R., Widmann M. The Role of SHM in Civil Life Cycle Engineering. - European Workshop on Structural Health Monitoring. 2012. V. 1. No. 1. Р. 10-17.
