Kafes ve çerçeve sistemlerde SAP2000-MATLAB entegrasyonu ile titreşim tabanlı hasar tespiti

Öz

Yapıların güvenli, dayanıklı ve uzun ömürlü olmasını sağlamak için yapı sağlığının düzenli olarak izlenmesi büyük önem taşımaktadır. Bu bağlamda, optimizasyon algoritmaları kullanılarak titreşim verilerine dayalı hasar tespit yöntemleri, günümüzde üzerinde araştırmaların sürdüğü yenilikçi yaklaşımlar arasında yer almaktadır. Bu çalışmada, kafes ve çerçeve taşıyıcı sistemlerde titreşim verileri kullanılarak optimizasyon tabanlı bir hasar tespit yöntemi önerilmiştir. SAP2000 yazılımında modellenen yapıların modal analiz sonuçları, SAP2000-OAPI özelliği aracılığıyla MATLAB ortamına aktarılmış ve Öğretme-Öğrenme Tabanlı Optimizasyon (TLBO) algoritmasıyla işlenerek referans modele en yakın yapısal durum elde edilmeye çalışılmıştır. Yöntem, 47 elemanlı çelik düzlem kafes, 36 elemanlı çelik uzay kafes ve 24 elemanlı üç boyutlu betonarme çerçeve sistemler üzerinde, farklı hasar senaryoları ve hem gürültüsüz hem gürültülü ortam koşulları altında test edilmiştir. Hasar tespit performansı, I₁, I₂ hata indisleri ve RMS hata (RMSE) değerleri ile nicel olarak değerlendirilmiştir. Gürültüsüz analizlerde, RMSE değerleri düzlem kafes sistem için 0.00082–0.00634, uzay kafes sistem için 0.00016–0.00144 ve çerçeve sistem için 0.00004–0.00925 aralığında kalmıştır. Gürültülü ortamlarda ise RMSE değerleri sırasıyla 0.00301–0.01327, 0.00362–0.01034 ve 0.00158–0.01706 değerlerine yükselmiştir. I₁ ve I₂ hata indisleri de benzer şekilde artmakla birlikte, her durumda hasarlı elemanların konumu ve hasar şiddeti başarıyla belirlenmiştir. Elde edilen sonuçlar, önerilen yöntemin hem gürültüsüz hem de gürültülü koşullarda yeterli doğruluk ve güvenilirlik sunduğunu ortaya koymaktadır. Ayrıca, yöntemin farklı yapı tiplerinde ve senaryolarda tutarlı sonuçlar üretmesi, geniş bir uygulama potansiyeli taşıdığını göstermektedir. Yapı Sağlığı İzleme alanında katkı sunan bu yaklaşımın, gerçek zamanlı verilerle ve hibrit optimizasyon teknikleriyle desteklenerek mühendislik uygulamalarında daha da geliştirilebileceği değerlendirilmektedir.

Anahtar Kelimeler

• Titreşim
• Hasar tespiti
• Sonlu elemanlar yöntemi
• Öğretme-öğrenme tabanlı optimizasyon (TLBO)

Vibration-based damage detection in truss and frame systems using SAP2000-MATLAB integration

Öz

Regular monitoring of structural health is crucial to ensure the safety, durability, and longevity of engineering structures. In this context, vibration based damage detection methods using optimization algorithms have emerged as innovative approaches that are still under active research. This study proposes an optimization based damage detection method for truss and frame structures using vibration data. The structures are modeled in SAP2000, and the results of modal analysis are transferre d to MATLAB using the SAP2000 OAPI interface. The structural condition is then optimized using the Teaching Learning Based Optimization (TLBO) algorithm to match the reference (undamaged) model as closely as The method was tested on three differe nt structural models: a 47 element planar steel truss, a 36 element spatial steel truss, and a 24 element three dimensional reinforced concrete frame, under both noise free and noisy conditions. Various damage scenarios were defined for each case, and five independent runs were performed per scenario. The accuracy of the proposed method was quantitatively evaluated using I₁ and I₂ error indices along with the root mean square error (RMSE). In noise free analyses, RMSE values ranged from 0.00082 to 0.00634 f or the planar truss, from 0.00016 to 0.00144 for the spatial truss, and from 0.00004 to 0.00925 for the frame system. Under noisy conditions, these values increased to between 0.00301 0.01327, 0.00362 0.01034, and 0.00158 0.01706, respectively. Despite the expected rise in error metrics under noise, the method consistently succeeded in identifying the damaged elements and estimating their damage severity with satisfactory precision. The findings demonstrate that the proposed method offers adequate accuracy and robustness in both ideal and disturbed measurement environments. Furthermore, its consistent performance across different structure types and damage scenarios highlights its broad applicability. This optimization based approach contributes to the field of Structural Health Monitoring and can be further improved through integration with hybrid optimization algorithms and real time data applications for practical engineering use.

Anahtar Kelimeler

• Vibration
• Damage detection
• Finite element method
• Teaching-learning based optimization (TLBO)

Kaynakça

1. [1] Rao MA, Srinivas J, Murthy B. “Damage detection in vibrating bodies using genetic algorithms”. Computers & Structures, 82(11-12), 963-968, 2004.
2. [2] Huynh D, He J, Tran, D. “Damage location vector: A non-destructive structural damage detection technique”. Computers & Structures, 83(28-30), 2353-2367, 2005.
3. [3] Jaishi B, Ren WX, Zong ZH, Lin JH. “Finite element model updating for structural damage detection using natural frequency and mode shape residuals”. Journal of Sound and Vibration, 290(1-2), 369-395, 2006.
4. [4] Yun GJ, Ogorzalek KA, Dyke SJ, Song W. “A two-stage damage detection approach based on subset selection and genetic algorithms”. Smart Structures and Systems, 5, 1–21, 2009.
5. [5] Kang F, Li JJ, Xu Q. “Damage detection based on improved particle swarm optimization using vibration data”. Applied Soft Computing, 12, 2329–2335, 2012.
6. [6] Kaveh A, Zolghadr A. “An improved CSS for damage detection of truss structures using changes in natural frequencies and mode shapes”. Advances in Engineering Software, 80, 93–100, 2015.
7. [7] Gomes GF, Mendez AD, Alexandrio PSL, Cunha SS, Ancelotti AC. “A review of vibration based inverse methods for damage detection and identification in mechanical structures using optimization algorithms and ANN”. Archives of Computational Methods in Engineering, 26, 883-897, 2019.
8. [8] Mishra M, Barman SK, Maity D, Kumar D. “Ant lion optimization algorithm for structural damage detection using vibration data”. Journal of Civil Structural Health Monitoring, 9, 117-136, 2019.

9. [9] Ho VL, Nguyen HD, Mousavi M, De Roeck G, Bui-Tien T, Gandomi AH, Abdel Wahab M. “A hybrid computational intelligence approach for structural damage detection using Marine Predator Algorithm and Feedforward Neural Networks”. Computers & Structures, 252, 106568, 2012.
10. [10] Abdolkhani A, Raoufi M. “A genetic optimization algorithm for automated modal parameter identification and damage detection in structures”. Engineering Structures, 280, 115986, 2023.
11. [11] Zacharakis I, Giagopoulos D. “Vibration-based damage detection using finite element modeling and the metaheuristic particle swarm optimization algorithm”. Sensors, 22(14), 5079, 2022.
12. [12] Ding Z, Li L, Wang X, Yu T, Xia Y. “Vibration-based FRP debonding detection using a Q-Learning Evolutionary Algorithm”. Engineering Structures, 275, 115254, 2023.
13. [13] Zar A, Hussain Z, Akbar M, Rabczuk T, Lin Z, Li S, Ahmed B. “Towards vibration-based damage detection of civil engineering structures: overview, challenges, and future prospects”. International Journal of Mechanics and Materials in Design, 20, 591-662, 2024.
14. [14] SAP2000. “Structural Analysis Program: Statik and Dynamic Finite Element Analysis of Structures”. Version: 21. Computers and Structures. Berkeley, CA. 2021.
15. [15] MATLAB. “The Language of Technical Computing”. Version: R2015a. MathWorks, Natick, Massachusetts, 2015.
16. [16] Qu ZQ. Model Order Reduction Techniques. 1st ed. London, England, Springer London, 2004.
17. [17] Li D. “Discussion of model reduction and reservation”. Procedia Engineering, 188, 354–361, 2017.
18. [18] Guyan RJ. “Reduction of stiffness and mass matrices”. AIAA Journal, 3, 380–380, 1965.
19. [19] O’Callahan JC. “A procedure for an improved reduced system (IRS) model”. In: Proceedings of the 7th International Modal Analysis Conference, Las Vegas, United States of America, 30 January-2 February, 1989.
20. [20] Friswell MI, Mottershead JE. Finite Element Model Updating in Structural Dynamics, 1st ed. Dordrecht, Netherlands, Springer, 1995.
21. [21] Rao RV, Savsani VJ, Vakharia DP. “Teaching–learning-based optimization: A novel method for constrained mechanical design optimization problems”. Computer-Aided Design, 43(3), 303-315, 2011.
22. [22] Das S, Dhang N. “Damage identification of structures using incomplete mode shape and improved TLBO-PSO with self-controlled multi-stage strategy”. Structures, 35, 1101–1124, 2020.
23. [23] Kahya V, Şimşek S, Adıyaman G, Toğan, V. “Damage detection in anisotropic-laminated composite beams based on incomplete modal data and Teaching–learning-based optimization”. Structural and Multidisciplinary Optimization, 65(11), 1-17, 2022.
24. [24] Şimşek S. Tabakalı Kompozit Kirişlerde Titreşim Verileri Yardımıyla Optimizasyon Tabanlı Hasar Tespiti. Ph.D. Thesis, Karadeniz Technical University, Trabzon, Türkiye, 2024.
25. [25] Sepil LD. Kafes ve Çerçeve Taşıyıcı Sistemlerde Titreşim Verileri Kullanılarak Optimizasyon Tabanlı Hasar Tespiti. M.Sc. Thesis, Karadeniz Technical University, Trabzon, Türkiye, 2024.
26. [26] Vaez HSR, Fallah N. “Damage detection of thin plates using GA-PSO algorithm based on modal data”. Arabian Journal for Science and Engineering, 42, 1251–1263, 2017.