Development of structural health monitoring and artificial intelligence based damage detection and early warning system for truss like in-water structures

Abstract

Sürekli büyüyen endüstriyel aktiviteler için gerekli olan yüksek derecede enerji ihtiyacı, su altında kalan bölgelere de uzanılmasını gerekli kılmıştır. Açık deniz bölgelerinden elde edilecek elektrik, gaz ve petrol genellikle denizlerde ve okyanuslarda inşa edilecek platformların kullanılmasını gerektirir. Sert koşullar ve tuzlu ortamlarda bulunan bu tür yapıların denetimi ve bu yapılarda oluşabilecek hasarların erken tespiti zordur ve istenmeyen büyük felaketlere neden olabilir. Bu nedenlerden dolayı hasar tespiti bu yapılar için zorlu bir problemdir. Yapıda oluşacak herhangi bir hasarın erken tespiti olası kazaları, ekonomik kayıpları ve çevresel felaketleri önleyebilir. Bu tez çalışmasında, sudaki makas benzeri kule yapılarında oluşan hasarlar için erken hasar tespiti ve ikaz için Yapısal Sağlık İzleme (YSİ) yaklaşımı ele alınmıştır. Bu tez, kule benzeri yapılar için basit ve sofistike yöntemler (Yapay Zeka -YZ) kullanarak hasar tespit ve uyarı sistemi ile ilgili kurallar koymayı amaçlamaktadır. Dalga yükü, depolanan kütledeki değişiklikler ve hasarlı elemanlar geliştirilen izleme sisteminde düşünülmüş ve sistem küçük ölçekli bir laboratuvar modelinde test edilmiştir. Fiziksel laboratuvar modelinin sonlu elemanlar modeli statik ve dinamik deney sonuçlarına göre kalibre edilmiştir. Hasar senaryoları ve senaryoların analitik yapısal tepkisi Uygulama Programlama Ara Yüzü kullanan VBA tabanlı bir program tarafından oluşturulmuştur. Yapay zekaya dayalı bir izleme sistemi analitik olarak simüle edilmiş çok sayıda hasar ve kütle değişim senaryosu kullanılarak geliştirilmiştir. Eğitilen YSA, eğitim sırasında kullanılmayan ve sonlu elemanlar metodu ile elde edilen hasar senaryoları kullanılarak test edilmiştir. 22 hasar senaryosu fiziksel laboratuvar modelinde de uygulanmış ve her senaryoya ait dinamik ve statik özellikleri elde etmek için testler tekrarlanmıştır. Elde edilen sonuçlar, eğitilen her bir YSA için girdi olarak kullanılmış ve fiziksel laboratuvar modelinde oluşan hasarların yerlerini tahmin etmek için kullanılmıştır. Yapının mevcut haldeki yapısal sağlık izlemeleri (doğal salınım frekansları, depolanan mevcut kütle ve deplasman vb.) için kullanıcı ara yüzü geliştirilmiştir. Tespit edilen hasar olduğunda uyarı vermesi için kullanıcı ara yüzünde hasar seviyesi alarm sistemi uygulanmıştır.

Continuously growing industry necessitates substantial amount of energy which is frequently harvested in-water regions. Electricity, gas, and oil collected offshore areas generally require platforms constructed in seas and oceans. Inspection of offshore platforms is hard and it is difficult to detect damage in early stages of these structures that perform in harsh salty water environments, which might cause catastrophic failures if unattended. Damage identification of these structures is a challenging issue. Structural damage detection at its earlier stage would prevent possible collapses, economic losses, and environmental disasters. Structural Health Monitoring (SHM) approach for early damage detection and warning for truss-like tower structures in water is investigated in this thesis study. This thesis targeted to set rules about damage detection and warning system using simple and sophisticated methods (Artificial Intelligence – AI) for tower like structures. Wave loading, stored mass changes, and damaged members are considered in the developed monitoring system, which is verified by tests on a small scale laboratory model. Finite Element Model (FEM) of the lab model is calibrated using static and dynamic test results. Damage scenarios are generated using a VBA based program through Application Programming Interface (API) to generate analytical structural response of damage scenarios. An artificial intelligence (AI) based monitoring system is developed using a large number of analytically simulated damage and mass change scenarios. The trained ANN is tested using FEM generated structural response that are not used during training. Total of 22 damage scenarios are also implemented on the physical lab model and tests are conducted to obtain dynamic and static properties which are then fed into the trained ANNs to see if damage locations can be identified. A Graphical User Interface (GUI) is also developed to show the current health status of the structure including specific details such as natural vibration frequencies, current mass in the tank, displacements, etc. A damage level warning system is also implemented on the GUI to alarm for any detected damage.