Artificial Neural Network (ANN) telah digunakan dengan meluas bagi tujuan mengesan kerosakan dalam struktur menggunakan data–data mod dari gegaran. Walau bagaimanapun, ketidakpastian yang wujud dalam model unsur terhingga dan data dari lapangan yang tidak dapat dielakkan boleh menyebabkan kesilapan dalam meramalkan magnitud dan lokasi kerosakan. Dalam kajian ini kaedah statistik digunakan untuk mengambil kira ketidakpastian ini. ANN digunakan untuk meramalkan parameter–parameter kekukuhan dari frekuensi dan mod bentuk bagi sesebuah struktur. Untuk mengambil kira ketidakpastian dalam ramalan, kaedah statistik digunakan di mana kaedah Rossenblueth point estimation diperbandingkan dengan kaedah Monte Carlo diaplikasikan bagi mengambil kira ketidakpastian ini. Keputusan menunjukkan bahawa dengan mengambil kira ketidakpastian dalam membuat ramalan menggunakan ANN, kerosakan boleh diramalkan pada tahap keyakinan yang tinggi.
Kata kunci: Artificial neural network; ketidakpastian; kesilapan rawak
Artificial Neural Network (ANN) has been widely applied to detect damages in structures based on structural vibration modal parameters. However, uncertainties that inevitably exist in finite element model and measured vibration data might lead to false or unreliable prediction of structural damage. In this study, a statistical approach is proposed to include the effect of uncertainties in the ANN algorithm for damage prediction. ANN is used to predict the stiffness parameters of structures from measured structural vibration frequencies and mode shapes. Uncertainties in the measured data and finite element model of the structure are considered in the prediction. The statistics of the identified parameters are determined using Rossenblueth’s point estimation method and verified by Monte Carlo simulation. The results show that by considering these uncertainties in the ANN model, the damages can be detected with a higher confidence level.
Key words: Artificial neural network; uncertainties; random error
APPLICATION OF MONTE CARLO FILTER FOR COMPUTER VISION-BASED BAYESIAN UPDATING OF FINITE ELEMENT MODEL
