In this paper, a damage detection methodology for steel frame structures under fire load using time-history acceleration and machine learning (ML) is proposed. A randomly created dataset by finite element analysis (FEA) is utilized to develop deep neural networks (DNNs). In which, the inputs of the model are the time-dependent acceleration at limited degrees of freedom (DOFs) of a steel frame structure, while the outputs are damage ratios of frame members. The damage ratio of damage elements is defined by the reduction of material Young’s modulus. The accuracy of DNNs is continuously upgraded by eradicating low-risk members after each iteration via a damage thresshold. A planar frame including damage detection scenarios with and without the fire effect programmed by Python are tested to confirm the validity of the proposed paradigm. Keywords: Damage detection
frame structures
fire
time-series acceleration
machine learning (ML)
Python.Trong bài báo này, một phương pháp chẩn đoán hư hỏng khung thép chịu lửa sử dụng chuỗi gia tốc và học máy được đề xuất. Một tập dữ liệu được tạo ra một cách ngẫu nhiên từ phân tích phần tử hữu hạn được sử dụng để xây dựng mạng thần kinh sâu (DNNs). Trong đó, dữ liệu đầu vào là gia tốc tại các bậc tự do của khung thép, trong khi đó dữ liệu đầu ra là tỉ lệ hư hỏng của các phần tử. Tỉ lệ hư hỏng của các phần tử được định nghĩa bằng cách giảm đi mô đun đàn hồi Young. Sự chính xác của các mô hình DNNs được cập nhật liên tục bằng cách loại bỏ các phần tử có nguy cơ hư hỏng thấp thông quá một ngưỡng phá hủy. Một khung phẳng được lập trình bằng Python bao gồm những kịch bản hư hỏng có và không có sự ảnh hưởng của lửa được kiểm tra để xác nhận giá trị của phương pháp pháp đề xuất. Từ khóa: Chẩn đoán hư hỏng
kết cấu khung
lửa
chuỗi gia tốc
học máy
Python.