Detection of structural damage using one-class support vector machine

Abstract

Support vector machines (SVMs) are a set of supervised machine learning methods that have recently been applied for structural damage detection. In this thesis, the one-class SVM that requires data only from the undamaged state of the structure for which the damaged data is not available a priori is utilized to train a model for damage detection. The proposed one-class kernel classifier utilizes the autoregressive model with exogeneous input (ARX) parameters and modal frequencies of the intact structure as the training feature to detect structural damage. The trained classifier can then be used with the data obtained from the same structure at different states to classify the structure as damaged or undamaged. The proposed methodology is evaluated using simulated acceleration data of one node from each floor via a finite element model of three-story moment resisting frame under various damage cases. In this study the features selected as damage sensitive feature are ARX model coefficients of related nodes, residual mean errors between prediction accelerations and accelerations obtained from finite element model of related nodes, standard deviations of residual errors and natural frequencies of system. The acceleration signals obtained from sensor locations are processed using Eigensystem Realization algorithm to extract the modal properties of the structure. Reduction in elastic modulus of material and reduction in rigidity of six different connections of structural elements are employed as damage case. The results show that success of model in damage detection varies depending on structural feature used and damage case. While highest damage detection ratios were obtained from SVM-model created with modal frequencies, the performance of SVM-model created with ARX model parameters is also satisfactory.

Yapılar belirli bir kullanım süresi gözetilerek tasarlanırlar. Bu kullanım süreleri boyunca da deprem, nem, rüzgar gibi dış etkilere maruz kalırlar. Bu dış etkilerden veya tasarım aşamasında göz önünde bulundurulan sürekli yüklerin yarattığı yorulma gibi etkilerden dolayı bir süre sonra kullanılmaları tehlikeli hale gelir. Bu tehlikeli halin ne zaman olduğunu tam olarak bulmak için de yapının tepkileri ölçülerek durumu analiz edilir. Bu işleme ise yapı sağlığı izleme adı verilmiştir. Asıl olarak yapının dinamik verilerinin takibi ve analizi anlamına gelen yapı sağlığı izleme yapının eğimi, çatlak durumu veya yerdeğiştirmesi gibi statik etkilerinin takibini de kapsamaktadır. Dinamik özelliklerin değişiminden yola çıkarak yapıda meydana gelmiş ya da gelebilecek olan hasarın tespitini, lokalizasyonunu ve şiddetini ölçmeyi amaçlar. Makine öğrenme yöntemleri ise yapıdan toplanan dinamik verilerin analiz aşamasında kullanılır. Bu yöntemlerin en büyük avantajı oluşturulan analiz modelinin sadece yapıdan toplanan dataya odaklı olması ve her yapı için ayrı bir analiz modeli gereksinimini ortadan kaldırmasıdır. Yapay sinir ağı ve destek vektör makineleri yöntemleri bu alanda en çok kullanılan makine öğrenme yöntemleridir. Bu çalışmada kullanılan destek vektör makineleri ilk olarak çoklu sınıflandırma için geliştirilmiş bir algoritmadır. Tek-sınıflı destek vektör makineleri ise bu yöntemin özel bir halidir. Bu yöntemle tek bir duruma ait verilerle sınıflandırıcı bir model oluşturularak yapıdaki beklenmedik durumların tespiti yapılabilir. Bu tezde, tek-sınıflı destek vektörleri ile hasar tespiti için geliştirilen modelde yapının sadece hasar görmemiş durumundan gelen veriler kullanılmıştır. Önerilen bu tek-sınıflı kernel sınıflandırıcı modeli, yapısal hasar tespiti için hasarsız yapının ARX (autoregressive model with exogeneous input) parametrelerini ve modal frekanslarını kullanmaktadır. ARX parametreleri herhangi bir sistemde girdiler ve çıktılar arasındaki lineer bağıntıyı ifade etmede kullanılan katsayılardır. Bu çalışmada, yapıya etkitilen yer hareketi ivme kaydı ile bunun sonucunda yapının düğüm noktalarında oluşan ivmeler arasındaki bağıntının katsayıları ARX parametreleri olarak kullanılmıştır. Modal frekansları ise, yapıdan elde edilen ivme verilerinden Özdeğer Sistem Gerçekleştirme Algoritması (Eigensystem Realization Algorithm - ERA) kullanılarak elde edilmiştir. ERA temel olarak yapıya etkiyen girdi verilerini ve yapının tepkisini oluşturan çıktı verilerini kullanarak oluşturduğu numerik modeli kullanarak modal tanımlama işlemidir. Bu çalışmada numerik veriler elde etmek için sonlu elemanlar yöntemi ile oluşturulmuş iki açıklıklı, üç katlı ve iki boyutlu bir yapı kullanılmıştır. İlk olarak yapının hasarsız durumuna bir deprem yer hareketi etkitilerek her kata ait bir düğüm noktasından ivme kayıtları toplanmıştır. Seçilen deprem yer hareketi ölçeklendirilerek yapının lineer kalması hedeflenmiştir. Elde edilen düğüm noktaları ivmelerinden toplamda altı farklı hasara duyarlı özellik çıkarılmıştır. Bunlar, ilgili düğüm noktasına ait ARX model katsayıları, ilgili düğüm noktası için tahmin edilen ivme değerleri ile sonlu eleman modelinden alınan ivme değerleri arasındaki ortalama hata değeri, hata değerlerinin standart sapmaları ve yapının doğal frekanslarıdır. Hata değerleri ve hata değerlerinin standart sapmalarının bulunması amacı ile yapıya başka bir deprem yer hareketi de etkitilmiştir. Destek vektör makineleri yöntemi ile sınıflandırıcı bir model oluşturabilmek için elde edilen hasara duyarlı özelliklerin çeşitlendirilmesi gerekmektedir. Sonlu eleman modelinden saptanan ivme kayıtlarına hem çıkarılan özelliklerin bir model oluşturabilmesi hem de sahada yapılan uygulamalara yakınsaması için farklı seviyelerde rastgele gürültü eklenmiştir. Bu sayede her bir hasara duyarlı özellik grubundan eklenen gürültü seviyesine göre birbirinden farklılaşmış 300 simülasyon elde edilmiştir. Elde edilen bu simülasyon verileri MATLAB programı yardımıyla altı farklı tek-sınıflı kernel sınıflandırıcı modeli oluşturmak için kullanılmıştır. Önerilen metodoloji çeşitli hasar senaryoları altında farklı yapısal özelliklerin hasar tespitindeki başarısının kıyaslanmasını içerir. Buna uygun olarak, hasar durumlarını temsil etmek için bir global hasar ve altı lokal hasar olmak üzere toplam 7 adet hasar senaryosuna ait ivme verileri sonlu elemanlar yöntemiyle bulunmuştur. Hasarlı durum senaryoları oluşturmak için yapıda kullanılan malzemenin elastisite modülünde ve altı farklı eleman birleşiminin rijitliğinde azaltma yapılmıştır. Altı farklı birleşimin ilk üç tanesi kiriş-kolon bağlantısı ile diğerleri kolon-kiriş bağlantısı ile ilgilidir. Elastisite modülünde azaltım işlemi her adımda %1 uygulanarak on dokuzuncu adımda başlangıç elastisite modülünün %80'ine ulaşıldığında tamamlanmıştır. Birleşimin rijitliğinde azaltım işlemi ise her adımda %10 uygulanarak onuncu adımda bağlantı moment aktaramayacak duruma geldiğinde tamamlanmıştır. Tüm hasarlı durumlara ait ivme verilerine de gürültü eklenerek altı farklı hasara duyarlı özellik grubuna ait üç yüzer adet simülasyon verisi elde edilmiştir. Hasarlı duruma ait bu veriler, ilgili sınıflandırıcı model yardımıyla hasarlı veya hasarsız olarak sınıflandırılarak modelin başarısı ölçülmeye çalışılmıştır. Sonuçlar bize gösteriyor ki sınıflandırıcı modelin hasar tespitindeki başarısı kullanılan yapısal özelliğe ve yapıda meydana gelen hasar tipine göre değişmektedir. En alt kattaki düğüm noktası ivmeleri kullanılarak hesaplanan ARX katsayıları ile oluşturulan model kendisine yakın kolon bağlantısının rijitliğinin azaltılması hariç diğer hasar tiplerini tespit etmede başarılı olamamıştır. Hasara duyarlı özellik olarak orta kattaki düğüm noktaları ivme değerlerinden elde edilen ARX katsayılarının kullanıldığı model ise hasar tespitinde daha başarılı olmuştur. Bu model ile elastisite modülündeki kademeli azalmanın son adımında elde edilen verilerin yaklaşık %70'i hasarlı olarak sınıflandırılabilmiştir. Ek olarak, modelde kullanılan ivmelerin alındığı düğüm noktasına yakın kolonun rijitliğinin azaldığı hasar tipi de yüksek doğruluk oranıyla tespit edilebilmiştir. ARX katsayıları kullanılarak oluşturulan modellerden en başarılısı en üst katın ivme verilerine ait parametrelerin kullanıldığı modeldir. Bu model yardımıyla en alt kattaki kolon bağlantısının rijitliğinin azaltıldığı durum hariç diğer tüm hasar tipleri %80 üzerinde başarı oranıyla tespit edilebilmiştir. Ortalama hata değerleri ve standart sapmanın kullanıldığı sınıflandırıcı modeller ise her ne kadar elastisite modülünün azalması ve kolon-kiriş birleşiminin rijitliğinin azaltılması durumlarında umut verici sonuçlar verse de kiriş-kolon birleşim rijitliğinin azaltıldığı durumda sağlıklı sonuçlar vermediği için güvenilir bir hasar tespit özelliği olarak kabul edilmemiştir. Modal frekansların hasar durumlarının son adımında tüm verileri doğru şekilde sınıflandırdığı ve hasar tespitinde kullanılabilecek en başarılı yapısal özellik olduğu görülmüştür. Sonuçlara genel olarak bakılırsa, her adımda yapıya uygulanan hasar şiddeti ile hasar tespitinin orantılı şekilde artması ve hasardan daha çok etkilenmesi beklenen üst katlara ait özellik gruplarının hasar tespitinde daha başarılı olması, önerilen metodolojinin mühendislik bilgileriyle uyumlu olduğunu göstermiştir. Yine de kullanılan tüm veriler sonlu elemanlar yöntemi ile sanal ortamda elde edildiğinden çalışmanın laboratuvar ortamında ve tam ölçekli saha deneyleriyle de test edilmesi gerekmektedir.