Hybrid Computational Intelligence Approach for Defect Identification in Vietnamese Structures

Promovendus/a
Ho, Viet Long
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Elektromechanica, Systeem- en Metaalengineering
Curriculum
Master Bridge and Tunnel Engineering, University of Transport and Communications, Vietnam, 2013
Academische graad
Doctor in de ingenieurswetenschappen: bouwkunde
Taal proefschrift
Engels
Vertaling titel
Hybride computationele intelligentiebenadering voor identificatie van defecten in Vietnamese structuren
Promotor(en)
prof. Magd Abdel Wahab, vakgroep Elektromechanica, Systeem- en Metaalengineering - prof. Tien Thanh Bui (University of Transport and Communications, Vietnam) - em. prof. Guido De Roeck (KU Leuven)
Examencommissie
voorzitter prof. Patrick De Baets (decaan) - prof. Magd Abdel Wahab (vakgroep Elektromechanica, Systeem- en Metaalengineering) - prof. Tien Thanh Bui (University of Transport and Communications, Vietnam) - em. prof. Guido De Roeck (KU Leuven) - dr. Samir Khatir (vakgroep Elektromechanica, Systeem- en Metaalengineering) - dr. ir. Yong Ling (vakgroep Elektromechanica, Systeem- en Metaalengineering) - prof. Timon Rabczuk (Bauhaus-Universität Weimar, Germany) - prof. Hung Nguyen Xuan (Ho Chi Minh City University of Technology, Vietnam)

Korte beschrijving

Onderhoudskosten en levensduur van bestaande bruggen zijn zware uitdagingen voor brugbeheerders. In operationele toestand kan overal schade van onbekende omvang ontstaan. Dit kan leiden tot algeheel falen of tot verkorting van de levensduur. Om dit te vermijden is vroege detectie van schade van het grootste belang. Op trillingen gebaseerde structurele schadedetectie (VBSDD) is een wereldwijde techniek die kan worden gebruikt om de structurele veiligheid en integriteit van de gemonitorde constructies te beoordelen. De aanwezigheid van schade wijzigt structurele parameters, d.w.z. stijfheid, massa, flexibiliteit of energiedissipatie van de beschouwde structuren en resulteert vervolgens in veranderingen van frequentieresponsfuncties, modale parameters (d.w.z. natuurlijke frequentie, modevorm en demping). VBSDD identificeert de modale eigenschappen om te waarschuwen voor structurele schade. Om de kwaliteit van schadedetectie bij VBSDD toepassingen te verbeteren, wordt in dit proefschrift een hybride “rekenkundige intelligentie” methode ontwikkeld, bestaande uit optimalisatie-algoritmen (OA's) en/of machine learning (ML). Om de prestaties van machine learning-algoritmen voor schade-identificatie te verbeteren, worden globale zoekmogelijkheden van nieuwe optimalisatie-algoritmen gebruikt, d.w.z. Feedforward neuraal netwerk (FNN) en kunstmatig neuraal netwerk (ANN). De bevindingen bevestigen de haalbaarheid en betrouwbaarheid van de voorgestelde methoden, een combinatie van de VBSDD en hybride intelligentiebenadering, voor gezondheidsmonitoring van bruggen.

Praktisch

Datum
Woensdag 1 juni 2022, 13:00
Locatie
auditorium P Jozef Plateau, gelijkvloers, Jozef Plateaustraat 22, 9000 Gent
Livestream
Volg online

Meer info

Contact
doctoraat.ea@ugent.be