@article { author = {Riahi, Mohammad and Ahmadi, Alireza}, title = {Utilization of artificial neural networks for detection and classification of damages in composite plate-like structures via ultrasonic guided waves}, journal = {Journal of Science and Technology of Composites}, volume = {5}, number = {3}, pages = {343-352}, year = {2018}, publisher = {Iran University of Science and Technology}, issn = {2383-3823}, eissn = {}, doi = {}, abstract = {Using methods based on artificial intelligence to reduce the role of human interpretations in data analysis and obtaining the favorable results, in line with increasing the speed, reducing the errors and adjustment of the costs in the nondestructive evaluation and structural health monitoring is seriously concerned by researchers. In this study, the design and implementation of a structural health monitoring system is performed by the intelligent signal processing of the ultrasonic waves in order to identify and classify the three common defects in the composite plate-like structures. By creating three types of damages including delamination, crack and hole in the multi-layer composite plate made of glass fiber reinforced polymer and dividing it into 4 different zones, 9 piezoelectric transducers with dual role of actuator and sensor are attached with their network arrangement and the propagated signals in the four mentioned zones on the 12 paths in three different directions including 240 signals were stored. In the next step, extraction of the features from the signals is conducted by the advanced signal processing techniques such as wavelet transform and the findings have been used to train a neural network of advanced multilayer perceptron by back-propagation error method. The results show that the trained neural network algorithm is able to differentiate between the intact zone from the damaged ones. In addition, it has classified the types of current defects and damages in the structure with the acceptable efficiency (the average is about 80%), which can be generalized to the different conditions.}, keywords = {Artificial neural networks,Structural health monitoring,Ultrasonic guided waves,Composite plates,Wavelet transform}, title_fa = {کاربرد شبکه های عصبی مصنوعی در شناسایی و طبقه بندی عیوب سازه های ورقی کامپوزیتی با استفاده از امواج فراصوت هدایت شده}, abstract_fa = {بهره‌گیری از روشهای مبتنی بر هوش مصنوعی برای کاهش نقش تفاسیر انسانی در تحلیل دا‌ده‌ها و اخذ نتایج مناسب، همراستا با افزایش سرعت، کاهش خطا و تعدیل هزینه-ها در فرآیندهای ارزیابی غیرمخرب و پایش سلامت سازه‌ها مورد توجه جدی محققان قرار گرفته است. در این پژوهش، طراحی و اجرای یک سامانه پایش سلامت سازه‌ای مبتنی بر پردازش هوشمند سیگنال امواج فراصوت هدایت شده به منظور شناسایی و دسته‌بندی سه نوع خرابی متداول در سازه‌های کامپوزیتی ورقی انجام پذیرفته است. با ایجاد سه نوع خرابی شامل تورق، شکاف و سوراخ در یک ورق کامپوزیتی چند لایه از جنس پلیمر تقویت شده با الیاف شیشه و تقسیم آن به چهار ناحیه مختلف، نسبت به تعبیه 9 مبدل پیزوالکتریک با نقش دوگانه محرک و سنسور و با آرایش شبکه‌ای اقدام شده و سیگنالهای امواج منتشر شده در هر چهار ناحیه مذکور در قالب 12 مسیر در سه راستای مختلف و 240 سیگنال ذخیره گردید. در مرحله بعد، استخراج ویژگی از سیگنال‌ها با روشهای پیشرفته پردازش سیگنال نظیر تبدیل موجک انجام پذیرفته و داده‌های حاصل، برای آموزش یک شبکه عصبی پرسپترون چند لایه از نوع پیشرونده با روش پس‌انتشار خطا مورد استفاده قرار گرفت. نتایج حاصل نشان می‌دهد، الگوریتم شبکه عصبی طراحی شده و آموزش دیده در این تحقیق، قادر به ایجاد تمایز میان نواحی سالم سازه از نواحی معیوب بوده و علاوه بر آن موفق به دسته‌بندی انواع خرابی‌های موجود در سازه با بازدهی قابل قبول (میانگین حدود 80%) شده که قابلیت تعمیم به شرایط و پیکربندی‌های مختلف و حالت‌های نامعلوم را دارد.}, keywords_fa = {شبکه‌های عصبی مصنوعی,پایش سلامت سازه ای,امواج فراصوت هدایت شده,ورق‌های کامپوزیتی,تبدیل موجک}, url = {https://jstc.iust.ac.ir/article_30797.html}, eprint = {https://jstc.iust.ac.ir/article_30797_edc6d1d52329db866b0c552f60627846.pdf} }