Signal processing and Gaussian neural networks for the edge and damage detection in immersed metal plate-like structures

Sidibe, Y.; Druaux, Fabrice; Lefebvre, Dimitri; Mazé, G.; Léon, Fernand

doi:10.1007/s10462-016-9464-z

Cited by 6 publications

(2 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Thus, many research groups have proposed structural damage warning techniques [1][2][3]. Structural damage warning is an important part in the process of damage identification, and it is a great challenge to solve the damage detection problem of large complex engineering structures [4][5][6].…”

Section: Introductionmentioning

confidence: 99%

An Intelligent Warning Method for Diagnosing Underwater Structural Damage

Wang

2019

Algorithms

View full text Add to dashboard Cite

A number of intelligent warning techniques have been implemented for detecting underwater infrastructure diagnosis to partially replace human-conducted on-site inspections. However, the extensively varying real-world situation (e.g., the adverse environmental conditions, the limited sample space, and the complex defect types) can lead to challenges to the wide adoption of intelligent warning techniques. To overcome these challenges, this paper proposed an intelligent algorithm combing gray level co-occurrence matrix (GLCM) with self-organization map (SOM) for accurate diagnosis of the underwater structural damage. In order to optimize the generative criterion for GLCM construction, a triangle algorithm was proposed based on orthogonal experiments. The constructed GLCM were utilized to evaluate the texture features of the regions of interest (ROI) of micro-injury images of underwater structures and extracted damage image texture characteristic parameters. The digital feature screening (DFS) method was used to obtain the most relevant features as the input for the SOM network. According to the unique topology information of the SOM network, the classification result, recognition efficiency, parameters, such as the network layer number, hidden layer node, and learning step, were optimized. The robustness and adaptability of the proposed approach were tested on underwater structure images through the DFS method. The results showed that the proposed method revealed quite better performances and can diagnose structure damage in underwater realistic situations. Algorithms 2019, 12, 183 2 of 17 by detecting the future damage possibility of a multi-layer reinforced concrete building structure [11]. Kai Xu et al. proposed a new approach to damage detection of a concrete column structure subjected to blast loads using embedded piezoceramic smart aggregates [12]. According to research by Feng et al., almost all types of structural damage can be effectively identified by image processing [13-15]. Zhu Z et al. proposed a new retrieval method for crack defect performance, which located the crack point by the most advanced crack detection technology and used image refinement technology to identify the skeleton structure of the point [16]. Molero et al. applied ultrasound imaging to assess the extent of damage during concrete freeze-thaw cycles and extracted NAAP (damage index) parameters as an evaluation criterion [17]. German et al. presented a new method for automatic detection of the flaking area of reinforced concrete columns and measured its characteristics in image data [18]. Based on the data provided by self-powered wireless sensors, Hasni et al. proposed a steel beam tensional vibration fatigue cracking detection method based on artificial intelligence [19].Although these methods have achieved superior results through the combination of image properties and neural network models for damage identification, it is difficult to realize accurate damage diagnosis for underwater real-world structures [20][21][22][23]. Taking i...

show abstract

Section: Introductionmentioning

confidence: 99%

An Intelligent Warning Method for Diagnosing Underwater Structural Damage

Wang

2019

Algorithms

View full text Add to dashboard Cite

show abstract

“…Một trong những cách phổ biến và hiệu quả để phát hiện hư hại là sử dụng các dữ liệu đo phản ứng dao động của kết cấu [1][2][3][4]. Cùng với việc phát triển các công nghệ về thiết bị và dụng cụ đo đạc, các kỹ thuật và chương trình phần mềm tính toán trên máy tính cũng đã được nghiên cứu và áp dụng như các hệ thống logic mờ [5][6][7] và các mạng thần kinh nhân tạo [8][9][10]. Trong những năm gần đây, xu hướng sử dụng các thuật toán tối ưu mê-ta ơ-rít-tíc (MHs) để giải quyết bài toán ngược phát hiện hư hại trong kết cấu rất được quan tâm.…”

unclassified

Chẩn đoán độ cứng kết cấu hệ thanh bằng phương pháp cập nhật mô hình phần tử hữu hạn kết hợp thuật giải tiến hóa vi phân cải tiến

Duẩn¹,

Anh²

2020

KHCNXD

View full text Add to dashboard Cite

Tóm tắtBài báo trình bày các kết quả nghiên cứu về việc chẩn đoán độ cứng kết cấu hệ thanh sử dụng phương pháp cập nhật mô hình phần tử hữu hạn (PTHH) và thuật toán tiến hóa vi phân cải tiến (ANDE). Độ cứng của các cấu kiện trong kết cấu hư hỏng được xác định thông qua tối ưu hóa sai khác giữa số liệu dao động thực nghiệm (mô phỏng trên mô hình giả định hư hại cho trước) và ứng xử của mô hình PTHH lý thuyết với các tham số độ cứng chưa biết. Kết quả kiểm chứng trên hai ví dụ số, một kết cấu dàn và một kết cấu khung phẳng, cho thấy phương pháp đề xuất là một phương pháp khả thi và hiệu quả cho việc chẩn đoán độ cứng kết cấu hệ thanh. AbstractThis paper presents a study on the identification of stiffness of bar structures by using finite element (FE) model updating method and an improved differential evolution algorithm named ANDE. The stiffness of damage bars are estimated by optimizing the difference between the experimental vibration responses of the structure (through the simulation model of a given damage assumption) and that of the theoretical FE model with unknown stiffness parameters. The investigated results of two numerical examples, a planar truss and a planar frame, show that the proposed method is efficient and realizable for the stiffness identification of bar structures. Giới thiệuTrong thực tế, công trình xây dựng dù được thiết kế, thi công, giám sát, quản lý tốt thì vẫn tồn tại sai khác và khuyết tật. Điều này có nguy cơ làm giảm độ an toàn và tuổi thọ của kết cấu, hư hỏng một phần hoặc toàn bộ công trình. Do vậy, chúng ta cần phải đánh giá cụ thể về tình trạng của kết cấu trong quá trình sử dụng để có những biện pháp gia cố và sửa chữa kịp thời. Những hư hại trong kết cấu thông thường sẽ dẫn tới sự thay đổi không chỉ khả năng chịu lực mà còn cả độ cứng trong các cấu kiện so với thiết kế ban đầu. Hư hại trong kết cấu có thể do nhiều lý do, ví dụ: khuyết tật trong các cấu kiện, các vết nứt do mỏi và ăn mòn. Việc xác định lại độ cứng các cấu kiện của kết cấu do đó thường được thực hiện khi đánh giá tình trạng kết cấu và giám sát sức khỏe công trình. * Tác giả chính. Địa chỉ

show abstract

Adaptive Sine Cosine Algorithm Integrated with Differential Evolution for Structural Damage Detection

Bureerat

Pholdee

2017

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Signal processing and Gaussian neural networks for the edge and damage detection in immersed metal plate-like structures

Cited by 6 publications

References 22 publications

An Intelligent Warning Method for Diagnosing Underwater Structural Damage

An Intelligent Warning Method for Diagnosing Underwater Structural Damage

Chẩn đoán độ cứng kết cấu hệ thanh bằng phương pháp cập nhật mô hình phần tử hữu hạn kết hợp thuật giải tiến hóa vi phân cải tiến

Adaptive Sine Cosine Algorithm Integrated with Differential Evolution for Structural Damage Detection

Contact Info

Product

Resources

About