تجزیه و تحلیل و تفسیر رفتار دینامیکی مشاهده شده

برجسته

•
تجزیه و تحلیل زمان – فرکانس برای شناسایی فرکانس طبیعی غالب مشاهده شده در یک سد قوسی بزرگ.
•
تغییرات فرکانس طبیعی ناشی از تغییرات سطح آب و دمای هوا.
•
امضای تغییرات دمای روزانه هوا در پاسخ رفتار سد سازه.

خلاصه

تجهیزات مانیتورینگ دینامیکی موجود امروزی که حسگرهای حساس کم نویز را ادغام می‌کند، فرصتی را برای پیاده‌سازی سیستم‌های پایش دینامیکی دائمی در سدها ایجاد می‌کند و مناسب بودن این سیستم‌ها برای نظارت بر چنین سازه‌های عظیمی را با هدف شناسایی آسیب ایجاد می‌کند. توصیف مداوم خواص مدال سد در طول تغییرات مهم سطح آب و دما یک نتیجه تجربی منحصر به فرد است که به ویژه برای کالیبراسیون مدل‌های عددی که برهمکنش آب-سازه را در نظر می‌گیرند جالب است.

با استفاده از یک پایگاه داده کاملا نادر جمع آوری شده در یک سد بتنی بزرگ ، سد Baixo Sabor در این مطالعه موردی، یک روش مبتنی بر تکنیک های یادگیری ماشین و محاسبات نرم برای تحلیل و تفسیر رفتار دینامیکی مشاهده شده سدهای بتنی بر اساس مدل های HST پیشنهاد شده است. هیدرواستاتیک، فصلی، زمانی). برای این مدل، دو روش، رگرسیون خطی چندگانه و شبکه عصبی پرسپترون چندلایه ، برای توصیف اثر سطح آب و اثر حرارتی مربوط به تغییرات فصلی دما در طول یک دوره یک ساله اعمال می‌شود . تجزیه و تحلیل طیفی بر اساس تبدیل موجک نیز برای توصیف اثر حرارتی تغییرات دمای روزانه ارائه شده است.

سد بایکسو سابور یک سد قوسی دو انحنای بتنی به ارتفاع 123 متر است که در شمال شرقی پرتغال واقع شده است که توسط یک سیستم مانیتورینگ دینامیکی شامل 20 شتاب سنج تک محوری نظارت می شود . نتایج مقایسه و مورد بحث قرار می گیرد. نتایج این مطالعه نشان می‌دهد که روش پیشنهادی برای درک بهتر رفتار دینامیکی مشاهده شده مناسب است و فرصت‌های جدیدی را برای فعالیت‌های کنترل ایمنی سد باز می‌کند.

کلید واژه ها

سد بتنی

رفتار پویا

نظارت پویا مستمر

فراگیری ماشین

اثرات ساختاری

1 . معرفی

مهندسان عمران از قرن گذشته به طور فزاینده ای به استفاده از تحلیل دینامیکی تجربی به عنوان ابزاری برای تجزیه و تحلیل رفتار سازه ها متوسل شده اند. پیشرفت تکنیک‌های آزمایش، پیشرفت فناوری کمک‌کننده به آزمایش‌ها، و ظرفیت‌های ذخیره‌سازی و انتقال داده‌های گسترده، همراه با توسعه الگوریتم‌های جدید و قوی‌تر، هر دو برای تحلیل مودال عملیاتی.و برای تشخیص ناهنجاری های ساختاری، درک بالاتری از رفتار دینامیکی سازه ها ایجاد شده است. علاوه بر این، ارتباط هلالی دینامیک تجربی منجر به ادغام سیستم‌های نظارت دائمی مبتنی بر ارتعاش شده است، با هدف کمک به تصمیمات مدیریتی مرتبط با عملیات بازسازی و تقویت. این سیستم‌ها با در نظر گرفتن داده‌های بلادرنگ در چندین نوع سازه از جمله پل‌ها، ساختمان‌ها، برج‌ها و سدها در دهه گذشته پیاده‌سازی شده‌اند و برای بررسی چگونگی تکامل رفتار دینامیکی آن‌ها در شرایط مختلف و تأثیر زمان استفاده می‌شوند.

به عنوان مثال، سدهای بتنی بر روی موادی ساخته می شوند که خواص آنها با گذشت زمان تغییر می کند. ایجاد رابطه بین علل و اثرات منجر به تخریب خواص سازه ای سد و سازه های وابسته برای شناسایی و توصیف فرسودگی ضروری است. علل منشأ اعمال بر روی سازه ها هستند و ممکن است بر خواص ساختاری آنها تأثیر بگذارند. آنها ممکن است به اولیه (مربوط به شرایط محلی، طراحی و ساخت) و فوری (مربوط به شرایط بهره برداری و نگهداری ) تقسیم شوند. اثرات (نشت، جابجایی، تنش، از جمله.) ممکن است بر خواص ساختاری (فرسایش، لغزش، ترک خوردن، در میان دیگران ) تأثیر بگذارد .

به طور سنتی، سیستم های نظارت بر سدهای بتنی بزرگ مبتنی بر مشاهده اقدامات اصلی و مشخص کردن پاسخ ساختاری شبه استاتیک بوده است. در سال‌های اخیر و به لطف پیشرفت‌های فنی مرتبط، چندین سیستم پایش سد با ادغام سیستم‌های پایش پویا پیوسته بهبود یافته‌اند.

در طول عملیات، بازرسی‌ها و اندازه‌گیری‌های بصری از سیستم‌های نظارت به صورت دوره‌ای انجام می‌شوند تا مطابقت بین مقادیر پیش‌بینی‌شده و پاسخ مشاهده‌شده را ارزیابی کنند، شکل 1 . فعالیت نظارتی باید به طور مداوم کفایت ساختاری را تأیید کند و علائم تغییر مضر در الگوهای رفتاری ایجاد شده را شناسایی کند [4] . در مورد خواص دینامیکی سازه، آسیب سازه یا تخریب مواد می تواند باعث تغییر آنها شود. بنابراین، امکان توصیف رفتار دینامیکی یک سد، در شرایط عادی در طول چرخه عمر آن، از طریق همبستگی با تغییرات بارهای اصلی، جنبه ضروری در فعالیت‌های ایمنی سد سازه است.[5] .

شناسایی پارامترهای مودال سیستم‌های دینامیکی بر اساس پاسخ آن‌ها به تحریک محیطی را می‌توان با توسل به چندین روش با اصول کاری متفاوت انجام داد [6] ، [7] . برخی از متداول‌ترین روش‌های شناسایی مورد استفاده در مانیتورینگ مبتنی بر ارتعاش سازه‌های مهندسی عمران شامل تجزیه دامنه فرکانس (FDD) [8] ، دامنه فرکانس پیچیده چند حداقل مربعی (p-LSCF) [9] و هر دو داده است. روش‌های شناسایی زیرفضای تصادفی مبتنی بر کوواریانس و محور (SSI-Data و SSI-Cov) [10] ، [11]. اخیراً روش‌های جدیدی برای شناسایی ویژگی‌های مودال پیشنهاد شده و با داده‌های تجربی ثبت‌شده در سدهای قوسی بتنی اعتبارسنجی شده است [12] ، [13] ، [14] . با این حال، باید توجه داشت که در مورد نظارت دائمی، شناسایی ویژگی‌های مودال باید به‌طور متوالی برای هر مجموعه جدیدی از سری‌های زمانی شتاب‌های ثبت‌شده در محل انجام شود، که مستلزم استفاده از الگوریتم‌هایی است که ردیابی مودال را خودکار می‌کند [15 ] ، [16] .

در سال‌های اخیر، معرفی محاسبات نرم، یادگیری ماشین، و تکنیک‌های یادگیری عمیق ، مانند شبکه‌های عصبی مصنوعی و حافظه کوتاه‌مدت بلند مدت (LSTM)، در میان سایر موارد، فرصت‌های جدیدی را در مطالعات HST و HTT و در توصیف رفتار مشاهده شده در سدها _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ ] ، [28] ، [29] ، [30] ، [31]. به عنوان مثال، سالازار و حریری [20] کاری را ارائه کردند که در آن نتایج شبیه‌سازی‌های اجزای محدود تصادفی با یک تکنیک یادگیری ماشینی ، جنگل تصادفی، برای پیش‌بینی آسیب‌پذیرترین مکان‌های یک سد گرانشی تحت توزیع مواد ناهمگن و برانگیختگی لرزه‌ای ترکیب شدند. برای مثال، بر اساس نتایج شبیه‌سازی‌ها، می‌توان تشخیص زودهنگام سناریوهای آسیب در حال توسعه را توسعه داد.

پذیرش این تکنیک ها به تفسیر سایر مقادیر فیزیکی مرتبط نظارت شده در سدهای بتنی، مانند نشتی [26] ، فشارهای بالابر [17] ، [25] و حرکات مفصل [32] گسترش یافت .

رویکردهای جدید مبتنی بر ادغام اطلاعات چند متغیره (بر اساس مدل‌های اجزا محدود و اندازه‌گیری چند کمیت فیزیکی) بر روی مدل‌های مبتنی بر داده نیز در کارهای تحقیقاتی جدید پدیدار شده‌اند [33] ، [34] ، [35] ، [36]. ] ، همانطور که مورد مطالعه ارائه شده توسط لیو و همکاران است. [34] که در آن یک مدل ترکیبی چند نقطه ای برای پایش سلامت جابجایی سد قوسی RCC با در نظر گرفتن رابط ساخت و ساز و نشت آن ارائه شد. برای نشان دادن رفتار تغییر شکل کلیاز سدها، یک مدل ترکیبی مکانی-زمانی برای تغییر شکل سدهای قوسی بتنی ایجاد شده با روش اجزای محدود پیشنهاد شد، که لازم است مدل ترکیبی PSO-SVM را برای در نظر گرفتن تأثیر عوامل نامشخص بر تغییر شکل سد از سری‌های باقی‌مانده اضافه کنیم [37 ] .

امروزه، تنها مطالعات کمی در مورد رفتار دینامیکی در سدهای بتنی با کمک محاسبات نرم و تکنیک های یادگیری ماشین وجود دارد. فانگ و همکاران [38] مطالعه‌ای را انجام داد که چارچوب نظارت بر سلامت ساختاری مبتنی بر یادگیری عمیق (SHM) را بر اساس LSTM برای ارزیابی سریع انفجارهای زیر آب تجربه شده سد از طریق داده‌های پایش ناشی از انفجار ارائه می‌کند.

کاربردهای اضافی برای سدها و سایر سازه های مهندسی عمران را می توان در [39] و [40] یافت .

رویکرد HST عمدتاً برای کمیت‌های فیزیکی شبه استاتیک (بیشتر در جابجایی‌های افقی که از طریق روش آونگ اندازه‌گیری می‌شوند) استفاده شده است. یکی از نوآوری‌ها به توصیف کلی الگوی فرکانس طبیعی با اثرات اصلی با مدل‌های مبتنی بر داده مربوط می‌شود، بنابراین امکان جابجایی رویکرد HST را برای توصیف رفتار پویا فراهم می‌کند. این واقعیت که یک تاریخچه غنی از فرکانس های طبیعی سد در دسترس است که به عنوان مطالعه موردی پیشنهاد می شود، سد بایکسو سابور، با امکان داشتن داده هایی با کیفیت خوب و با تناوب ساعتی رکوردها، به ما امکان انجام تحلیل طیفی و تغییرات روزانه در مقادیر دینامیکی مورد مطالعه را شناسایی کنید. مقایسه روش‌های MLR و NN ما را قادر می‌سازد تا برخی از مزایای NN را در دستیابی به عملکرد بهتر نشان دهیم.

بنابراین، اهداف اصلی این کار تحقیقاتی عبارتند از: (1) تشخیص اینکه آیا روش‌های مبتنی بر داده به کار رفته در تجزیه و تحلیل کمیت‌های فیزیکی شبه استاتیک برای تجزیه و تحلیل ویژگی‌های دینامیکی سد نیز معتبر هستند یا خیر و (ii) برای تعیین کمیت اثرات بارهای اصلی (مانند سطح آب و تغییرات دما) بر فرکانس های طبیعی.

2 . تجزیه و تحلیل و تفسیر رفتار ساختاری مشاهده شده سدهای بتنی – یک مرور کلی

فعالیتهای کنترل ایمنی سد مستلزم شناخت دقیق هر سد خاص برای تعریف و توجیه قضاوت در مورد رفتار سازه ای آن است . این کار عمدتاً توسط اعتبارسنجی متقابل بین مدل‌های شبیه‌سازی، اندازه‌گیری‌های ارائه شده توسط سیستم‌های نظارت و پارامترهایی که رفتار سد را مشخص می‌کنند، پشتیبانی می‌شود. هدف اصلی ارزیابی رفتار ساختاری واقعی در شرایط واقعی است که می‌تواند برای تشخیص هر گونه ناهنجاری و/یا سوء عملکرد از قبل مورد استفاده قرار گیرد.

تغییرات فشار و دما هیدرواستاتیکی اقدامات اصلی هستند که باید در هنگام تجزیه و تحلیل پاسخ ساختاری شبه استاتیکی سد مورد توجه قرار گیرند، مانند جابجایی در بدنه سد و تغییر شکل‌ها در پی سنگی سد. اثرات همزمان تغییرات فشار هیدرواستاتیک و دما یک اثر مشاهده شده ناشی از هر دو بار را ایجاد می کند. هنگام تفسیر رفتار یک سد بتنی، بررسی هر گونه تأثیر بارها به طور جداگانه ضروری است. هنگامی که تغییر تنها یک بار بین فصل ها ظاهر می شود، می توان به سرعت چنین جدایی را به دست آورد.

فرمول مورد استفاده در این کار در نظر می گیرد که اثرات مرتبط با یک دوره زمانی محدود در یک نقطه خاص را می توان با تقریب $E (h, θ, t) = E_{h} + E_{θ} + E_{t}$ جایی که $E (h, θ, t)$ اثر مشاهده شده است. $E_{h}$ اثر کشسانی فشار هیدرواستاتیک است. $E_{θ}$ اثر الاستیک دما بسته به شرایط حرارتی است. $E_{t}$ نشان دهنده اثراتی است که تابعی از زمان هستند و غیر قابل برگشت در نظر گرفته می شوند.

این رویکرد مبتنی بر چندین فرض ساده کننده در مورد رفتار مواد است، مانند (1) اثرات تجزیه و تحلیل شده به دوره ای از عمر یک سد بتنی اشاره دارد که برای آن تغییرات ساختاری مربوطه وجود ندارد. (2) دو عامل می توانند در تأثیرات بر رفتار سازه برای شرایط عملیاتی عادی نقش داشته باشند: یک سهم ماهیت ارتجاعی (برگشت پذیر و آنی، ناشی از تغییرات فشار و دما هیدرواستاتیک) و دیگری از ماهیت غیرالاستیک (غیر قابل برگشت) مانند به عنوان تابع زمان؛ (iii) اثرات فشار هیدرواستاتیک و تغییرات دما را می توان جدا کرد.

اثرات تغییرات فشار هیدرواستاتیک، $E_{h} (h)$ معمولاً با چندجمله ای ها، وابسته به ارتفاع آب در مخزن نشان داده می شوند $h$ .

اثر تغییرات دما را می توان به عنوان تضعیف متناسب تغییرات دمای هوا با تغییر فاز در نظر گرفت که به عمق در امتداد بخش مورد تجزیه و تحلیل بستگی دارد. مدل های ساده مبتنی بر داده معمولاً از اندازه گیری دما استفاده نمی کنند زیرا فرض می شود که اثر حرارتی $E_{θ} (d)$ را می توان با مجموع توابع سینوسی با دوره های یک ساله و شش ماهه نشان داد [41] ، [42] – به اصطلاح $H S T$ رویکرد (هیدرواستاتیک، فصلی، زمانی). بنابراین، اثر تغییرات دما با ترکیبی خطی از توابع سینوسی تعریف می‌شود که فقط به روز سال بستگی دارد. رویکرد اصلی دیگر برای نمایش اثر حرارتی، رویکرد HTT (هیدرواستاتیک، دما، زمان) است. رویکرد HTT نشان دهنده اثر حرارتی از طریق اطلاعات ثبت شده در دماسنج های تعبیه شده در بدنه سد بتنی است. معمولاً عملکرد بهتری بر اساس رویکرد مدل‌های HTT نسبت به مدل‌های HST انتظار می‌رود. با این حال، داده های اضافی (دما در بدنه سد) برای انجام مدل های HTT مورد نیاز است. رویکرد HTT در این کار ارائه نشده است زیرا اطلاعات دمای بتن کافی در دسترس نیست.

برای نمایش اثرات زمان، $E_{t} (t)$ ، معمولاً توابع وابسته به زمان را در نظر می گیریم که در آن زمان $t$ با تعداد روزهای پس از شروع تجزیه و تحلیل نشان داده می شود. نمونه هایی از اصطلاحات ممکن هستند $t$ ، $t^{2}$ و $e^{- t}$ .

نمونه ای از فرمول مدل سنتی HST برای تفسیر رفتار سد از یک کمیت نظارت شده $δ$ در معادله ارائه شده است. (1) ، جایی که $β_{i}$ ( $i = 0, 1, \dots, 4$ ) پارامترهایی هستند که به منظور نمایش دقیق ترین اثرات مربوطه محاسبه می شوند. $h$ ارتفاع آب است، $d = \frac{2 π \cdot j}{365}$ ، $j$ نشان دهنده تعداد روزها از آغاز سال (1 ژانویه) تا تاریخ مشاهده ( $0 \leq j \leq 365$ ) و $t$ تعداد روزهای پس از شروع تجزیه و تحلیل است.(1) $δ_{H S T} = \underset{Hydrostatic effect}{\underset{︸}{β_{1} \cdot h^{4}}} + \underset{Seasonal effect (Thermal effect)}{\underset{︸}{β_{2} \cdot s i n (d) + β_{3} \cdot c o s (d)}} + \underset{Time effect}{\underset{︸}{β_{4} \cdot t}} + β_{0}$

روش های آماری عمومی ترین راه برای تفکیک این اثرات هستند. این روش‌ها برای تعداد زیادی از مشاهدات به کار گرفته شد و اجازه می‌داد تا همبستگی بین رفتار مشاهده‌شده و بارهای مربوطه برقرار شود.

رگرسیون خطی چندگانه (MLR) یکی از تکنیک های آماری است که به طور گسترده برای تجزیه و تحلیل اثرات چند عاملی استفاده می شود. با این حال، یک مدل MLR یک تکنیک آماری برای بررسی و مدل‌سازی رابطه بین متغیرها است [43] و [44] . در مهندسی سد ، مدل‌های MLR سابقه طولانی کاربرد دارند و در ابتدا به عنوان مدل‌های تجزیه و تحلیل کمی شناخته می‌شدند [45] ، زیرا MLR دلالت بر رابطه علت و معلولی بین متغیرها ندارد. تقریباً در تمام کاربردهای رگرسیون، معادله رگرسیون فقط رابطه مناسب بین متغیرها را تقریب می‌کند.

در سال های اخیر، هوش مصنوعی ابزارهایی را برای انجام وظایف شناختی مانند تشخیص الگو و تقریب عملکرد معرفی کرده است [46] . این مورد از مدل‌های شبکه عصبی پرسپترون چندلایه (MLP) (NN) مورد استفاده در این کار است. مدل‌های MLP با یک فرآیند تکراری یاد می‌گیرند و «وزن‌ها» را برای یادگیری صحیح داده‌های آموزشی و در نتیجه پیش‌بینی داده‌های ناشناخته، همانطور که در شکل 2 نشان داده شده است، تنظیم می‌کنند .

هر دو مدل MLR و NN از داده های مشاهده شده یاد می گیرند. همانطور که در [48] اشاره شد ، برای اینکه تجزیه و تحلیل آماری تغییرات معمولی متغیرهای حاکم را پوشش دهد، باید تعداد کافی مشاهدات وجود داشته باشد.

این روش‌های یادگیری ماشینی ثابت کرده‌اند که ابزار جالب و مناسبی برای توسعه مدل‌های مبتنی بر داده هستند که عمدتاً زمانی که مقدار اطلاعات با تاریخچه اندازه‌گیری افزایش می‌یابد، به طور فزاینده‌ای مرتبط هستند. مانند هر ابزار دیگری، این ابزار باید توسط متخصصانی با دانش گسترده از نحوه کارکرد آن استفاده شود تا مدل‌های مبتنی بر داده‌ها را که نیازهای فعالیت‌های کنترل ایمنی سد را برآورده می‌کنند، به دست آورند [31] .

3 . روش پیشنهادی برای تحلیل و تفسیر رفتار دینامیکی مشاهده شده سدهای بتنی

رفتار ساختاری مشاهده شده سد ناشی از یک فرآیند پیچیده بسته به عناصر اصلی سیستم مخزن-سد-فند مربوط به شرایط مختلف است که می تواند در طول زمان تغییر کند. سنت طولانی اتخاذ مدل‌های مبتنی بر داده (عمدتاً مبتنی بر روش‌های رگرسیون) برای کمیت‌های شبه استاتیکی که برای فعالیت‌های ایمنی سد نظارت می‌شوند، وجود دارد. این نوع تجزیه و تحلیل برای کمیت‌هایی با فرکانس اندازه‌گیری معمولاً برابر یا بیشتر از یک هفته انجام می‌شود، زیرا فرآیند اندازه‌گیری دستی هنوز رایج است که بسیار زمان‌بر است. امروزه، تعداد فزاینده‌ای از سدهای بتنی با سیستم‌های نظارت خودکار برای اندازه‌گیری کمیت‌های فیزیکی شبه استاتیک و با سیستم‌های نظارت دینامیکی پیوسته وجود دارد، همانطور که مطالعه موردی در این کار تحقیقاتی اتخاذ شده است.

در مورد پارامترهای مودال ، سوابق با دوره های زمانی طولانی برای فرموله کردن رویکردهای داده محور که امکان تجزیه و تحلیل اثر بارهای اصلی در پاسخ دینامیکی سد را فراهم می کند، در دسترس است. روش پیشنهادی بر توسعه مدل‌های مبتنی بر داده‌های جدید مبتنی بر تکنیک‌های یادگیری ماشین و محاسبات نرم تمرکز دارد، که وقتی برای رفتار ساختاری دینامیکی مشاهده‌شده اعمال می‌شود، امکان کمی‌سازی اثرات بارهای اصلی را با در نظر گرفتن تغییرات سطح آب و دما فراهم می‌کند. روش پیشنهادی بر اساس مراحل زیر است که در شکل 3 نشان داده شده است :

•
پیش پردازش داده ها – این مرحله شامل دریافت و پیش پردازش داده های خام از سیستم نظارت پویا است. پارامترهای مودال (فرکانس‌های طبیعی، نسبت‌های میرایی و شکل‌های حالت) با اتخاذ یک پنجره با دوره زمانی مشخص و منظم (مانند 30 دقیقه سری داده) شناسایی می‌شوند. سپس، میانگین متحرک مقادیر برآورد شده انجام می شود (مثلاً یک پنجره زمانی 6 ساعت پیشنهاد می شود، که به معنای در نظر گرفتن 13 رکورد 30 دقیقه از یکدیگر است). در صورت لزوم، حذف موارد دور از دسترس توصیه می شود.
•
فرمولاسیون مدل – ورودی های اصلی انتخاب شده اند (مثلاً $h^{4}$ ، $s i n (d)$ ، $c o s (d)$ ، $t$ ) و روش یادگیری ماشینی اتخاذ شده است (به عنوان مثال MLR، NN، در میان دیگران). برازش مدل انجام می شود و متخصصان ایمنی سد باید ارزیابی کنند که آیا مدل به دست آمده برای تفسیر رفتار سد مناسب است یا خیر. اگر مدل پذیرفته شود، باقیمانده ها باید تجزیه و تحلیل شوند.
•
تجزیه و تحلیل باقیمانده ها – این یک جنبه مهم پذیرش هر مدل است. در صورت مشاهده برخی روندها یا مقادیر غیرعادی، باید علل را شناسایی کرد. یکی دیگر از جنبه های مهم این است که مشخص شود آیا برخی از الگوها در باقیمانده ها وجود دارد یا خیر. این الگوها می توانند مربوط به بارهایی باشند که در ورودی ها نشان داده نمی شوند، مانند مورد تغییرات ناشی از نوسانات روزانه دما.
•
تجزیه و تحلیل طیفی – استفاده از تبدیل فوریه کوتاه مدت یا تحلیل موجک برای بازسازی سیگنال (از باقیمانده ها) توصیه می شود. $ϵ_{H S_{1 y e a r} T}$ ) با دوره یک روزه به منظور تعیین کمیت تغییرات روزانه فرکانس های طبیعی.
•
مدل نهایی – پس از انجام مراحل قبلی، مدل نهایی به دست می آید و اثرات بارهای اصلی به خوبی قابل نمایش است. در مورد اثر حرارتی، تغییرات فصلی ناشی از تغییرات دمای سالانه نشان داده می‌شود $E (S_{1 y e a r})$ و اثر تغییرات روزانه با نشان داده می شود $E (S_{1 d a y})$ در مواردی که تحلیل طیفی مناسب این ویژگی را مشخص می کند.

4 . مطالعه موردی – سد Baixo Sabor

سد بایکسو سابور ( شکل 4 ) یک سد قوسی بتنی به ارتفاع 123 متر، به طول 505 متر در تاج است که توسط Energias de Portugal (EDP) طراحی و ساخته شده است، در حال حاضر توسط Movhera و Engie اداره می شود و در شمال شرقی پرتغال در رودخانه سابور (یکی از شاخه های رودخانه دورو). اولین پرکردن مخزن آن، با حجم حدود 1095 میلی متر $^{3}$ ، بین دسامبر 2015 و آوریل 2016 رخ داد.

4.1 . سیستم نظارت

بر اساس بهترین شیوه‌های فنی، سیستم نظارت سد Baixo Sabor به ارزیابی بارها، مشخص کردن خواص رئولوژیکی، حرارتی و هیدرولیکی مواد و ارزیابی پاسخ ساختاری سد می‌پردازد. سیستم مانیتورینگ سد بایکسو سابور از چندین دستگاه تشکیل شده است که اندازه گیری (به صورت دستی و در بسیاری موارد به صورت خودکار) مقادیری مانند دمای بتن و هوا، سطح آب مخزن، نشت و نشت، جابجایی در سد و شالوده آن، حرکات مفصل ، کرنش‌ها و تنش‌ها در بتن، و فشارها، از جمله [49] ، [50]. سیستم مورد استفاده برای اندازه گیری سطح آب مخزن شامل یک فشارسنج با دقت بالا است که رکوردی از ارتفاع آب در طول زمان و مقیاس سطح را ارائه می دهد. دما و رطوبت هوا در یک ایستگاه هواشناسی خودکار اندازه گیری می شود.

برای اطمینان از توصیف خوب رفتار دینامیکی سد Baixo Sabor، 20 شتاب سنج تک محوری به صورت شعاعی در امتداد سه گالری فوقانی نصب شد [51] . شکل 5 موقعیت شتاب سنج ها را مشخص می کند که با رنگ قرمز مشخص شده اند.

در گالری GV1، 12 شتاب سنج به دو گروه شش تایی تقسیم می شوند که در هر طرف سرریز قرار می گیرند . هر یک از این شش گروه به یک دیجیتایزر متصل است که به یک کامپیوتر میدانی متصل است. هشت شتاب سنج در دو گالری پایینی به مجموعه متفاوتی از دو دیجیتایزر متصل هستند . تمام تجهیزات توسط فیبر نوری به هم متصل می شوند و همگام سازی داده های ثبت شده توسط هر دیجیتایزر با آنتن های GPS تضمین می شود . کامپیوتر میدان اصلی به شبکه فیبر نوری متصل استبین سد و نیروگاه، امکان دسترسی از راه دور به داده های به دست آمده را فراهم می کند. همه شتاب‌سنج‌های نصب‌شده تک محوری و موازنه نیرو هستند، که برای اندازه‌گیری در محدوده ۰.۲۵- گرم و ۰.۲۵ گرم پیکربندی شده‌اند تا امکان توصیف دقیق سیگنال‌های شتاب بسیار پایین را فراهم کنند. سیستم مانیتورینگ پویا به گونه‌ای پیکربندی شده است که سری‌های زمانی شتاب را با نرخ نمونه‌برداری 50 هرتز و مدت زمان 30 دقیقه در تمام نقاط ابزار دقیق ثبت کند، بنابراین 48 گروه سری زمانی در روز تولید می‌کند.

4.2 . داده های تحلیل شده

این مطالعه موردی هشت فرکانس طبیعی اول سازه را تحلیل می‌کند. داده های جمع آوری شده به طور مداوم توسط سیستم نظارت پویا به طور مستقل توسط ViBest/FEUP (با نرم افزاری به نام DynaMo [52] ، [53] ) و LNEC (با نرم افزاری به نام OMA-SSI [54] ) پردازش می شود. این مقاله پردازش توسعه یافته توسط LNEC را ارائه می دهد. سیستم مانیتورینگ سری های زمانی شتاب جمع آوری شده پیوسته را در فایل هایی با 30 دقیقه سازماندهی می کند که به طور منظم از طریق یک اتصال FTP به کامپیوتر میدان اصلی دانلود می شوند. سپس این فایل ها توسط نرم افزار OMA-SSI مدیریت می شوند.

شناسایی خودکار پیوسته پارامترهای مدال با ترکیب شناسایی زیرفضای تصادفی مبتنی بر کوواریانس (SSI-Cov) [10] ، [11] با یک روال برای تفسیر خودکار نتایج بر اساس تخمین چند مرتبه، فرکانس و حالت به دست آمد. شباهت مبتنی بر شکل و تجزیه و تحلیل خوشه ای. شرح این رویکرد را می توان در Ref. [52] . کیفیت تخمین‌های به‌دست‌آمده و توانایی آن‌ها برای توصیف اثرات کوتاه‌مدت دما در مطالعات قبلی، مانند [55] ، [56] مشخص شده بود.. در حالت اول، عدم قطعیت‌های مرتبط با ویژگی‌های مودال برآورد شده کمی‌سازی شده‌اند و میانگین انحرافات استاندارد کمتر از 0.02 هرتز برای فرکانس‌های طبیعی تخمین زده‌شده اکثر حالت‌ها به‌دست آمد. در حالت دوم، یک زوم طولانی 12 روزه بر روی تکامل فرکانس حالت های 6 و 7، تأثیر روزانه دما را بر نوسانات فرکانس نشان می دهد.

در مطالعه موردی حاضر، روش‌های ذکر شده برای تقریباً چهار سال داده‌های ثبت‌شده توسط سیستم نظارت دینامیکی برای شناسایی پارامترهای مودال سازه، فرکانس‌های طبیعی، نسبت‌های میرایی مودال و شکل‌های مد برای هشت حالت ارتعاشی اول اعمال شد . نمایش های سه بعدی شش پیکربندی مودال اول در شکل 6 ارائه شده است . حالت اول و سوم و پنجم تقریباً متقارن و حالت دوم و چهارم و ششم ضد متقارن هستند.

داده‌های تحلیل‌شده با محاسبات نرم و تکنیک‌های یادگیری ماشین مربوط به دوره زمانی بین دسامبر ۲۰۱۵ و اکتبر ۲۰۱۹ است. تکامل زمانی فرکانس‌های طبیعی تخمین زده‌شده، سطح آب مخزن و دمای هوا در شکل ۷ ارائه شده‌اند . تناوب رکوردهای سطح آب و دمای هوا 30 دقیقه بود، به دنبال تناوب فرکانس های طبیعی تخمین زده شده (بر اساس رکوردهای 30 دقیقه). نقاط دورافتاده ناخالص حذف شدند، و میانگین متحرک 13 رکورد (در شکل 7 تعیین شده MA13 )، مربوط به یک پنجره زمانی 6 ساعت، برای فرکانس های طبیعی و برای رکوردهای دمای هوا به کار گرفته شد.

عدم وجود رکوردهای فرکانس طبیعی در پایان سال 2015 و در ماه های اول سال 2016 (عمدتاً در ماه مارس) به دلیل یک مشکل فنی در سیستم ( شکل 7 ) بود، همچنین امکان تأیید وجود نداشت: کمبود داده در حالت 3 در ماه‌های گرم، تغییرات مطلق قابل‌توجهی در حالت‌های 5 تا 8، و تغییرات کوتاه‌مدت مهم‌تر (روزانه) در حالت‌های بالاتر نسبت به حالت‌های مرتبه پایین‌تر تأیید شد.

5 . تحلیل و تفسیر رفتار دینامیکی مشاهده شده سد Baixo Sabor

یک رویکرد HST برای توصیف رفتار الگوی هشت فرکانس طبیعی اول در رابطه با تغییرات سطح آب و دما اتخاذ شد.

همانطور که قبلا ذکر شد، رویکرد HST به طور گسترده ای برای توصیف مقادیر فیزیکی شبه استاتیک پاسخ سد سازه، مانند جابجایی های افقی اندازه گیری شده در خطوط شاقول استفاده می شود. با این حال، استفاده از آنها برای توصیف فرکانس های طبیعی گام مهمی در توصیف رفتار سد مشاهده شده است. در این مطالعه موردی، توابع چند جمله ای ارتفاع آب برای نشان دادن اثر سطح آب و توابع سینوسی با دوره یک ساله برای نشان دادن اثر تغییرات دمای سالانه اتخاذ شدند.

محاسبات ریاضی و نمایش گرافیکی ارائه شده در بخش‌های زیر توسط نرم‌افزار پروژه R و چندین بسته پشتیبانی می‌شوند [57] ، [58] ، [59] .

5.1 . مدل رگرسیون خطی چندگانه

مدل MLR با بهترین عملکرد برای فرکانس های طبیعی، $y_{M L R}^{H S T}$ به عنوان مجموع شرایط فشار هیدرواستاتیک به دست آمد $β_{1} \times h^{4}$ و $β_{2} \times h$ (که در آن h ارتفاع سطح آب مخزن است و می تواند بین 0 تا 123 متر متغیر باشد) و شرایط دما $β_{3} \times s i n (d) + β_{4} \times c o s (d)$ برای نشان دادن اثر تغییرات حرارتی سالانه دما، جایی که $d = \frac{2 π j}{365}$ و $j$ تعداد روزهای بین آغاز سال و $β_{0}$ اصطلاح رهگیری است. این در برازش های اولیه مدل MLR، از جمله شرایط وابسته به زمان، تأیید شد. نتایج تأثیر ناچیز زمان را تأیید می کند. مقادیر پیش بینی شده برای هر فرکانس طبیعی در شکل 8 نشان داده شده است و ضرایب رگرسیون در جدول 1 ارائه شده است .

مدل‌های به‌دست‌آمده برای هشت حالت عملکرد فوق‌العاده‌ای دارند، با مقادیر کم برای مقدار میانگین باقیمانده‌ها، ${| ϵ |}_{M e a n}$ ، برای مقدار نسبی مربوطه در مورد دامنه اندازه گیری ها، $R E_{m e a n}$ برای حداکثر مقدار باقیمانده، ${| ϵ |}_{M a x}$ و برای انحراف استاندارد باقیمانده ها، $σ$ و مقادیر بالایی برای ضریب تعیین، $R^{2}$ همانطور که در جدول 2 ارائه شده است . این $R^{2}$ مقادیر بیشتر از 80٪ هستند و این مقادیر برای حالت های پایین تر افزایش می یابد.

جدول 1 . ضرایب مدل MLR .

حالت	$β_{1}$	$β_{2}$	$β_{3}$	$β_{4}$	$β_{0}$
سلول خالی	$(\times 1 0^{- 8})$	$(\times 1 0^{- 2})$	$(\times 1 0^{- 3})$	$(\times 1 0^{- 2})$	$(-)$
1	-0.62	2.06	0.78-	1.78	1.30
2	0.75-	2.53	−1.77	-2.71	1.15
3	−1.32	4.78	4.53	-4.60	0.41
4	-1.72	6.83	3.42	4.98	0.59-
5	−2.32	9.92	-8.92	9.99-	−2.19
6	-3.22	14.4	-13.6	−10.1	-5.11
7	-5.92	28.7	-6.53	-14.3	−15.78
8	-3.40	16.0	7.51	−11.7	-4.43

جدول 2 . $H S T^{M L R}$ – پارامترهای عملکرد

حالت	${\|ϵ\|}_{M e a n}$	$R E_{m e a n}$	${\|ϵ\|}_{M a x}$	$σ (\times 1 0^{- 2})$	$R^{2}$
سلول خالی	[هرتز]	$[%]$	[هرتز]	[هرتز]	$[-]$
1	0.007	2.2	0.06	0.85	0.97
2	0.008	2.2	0.05	0.97	0.97
3	0.011	2.1	0.24	1.65	0.97
4	0.013	2.2	0.12	1.60	0.97
5	0.021	3.6	0.12	2.64	0.94
6	0.033	3.0	0.70	4.70	0.88
7	0.042	4.7	0.25	5.15	0.92
8	0.040	6.0	0.41	5.14	0.82

5.1.1 . خصوصیات اثرات هیدرواستاتیک

برای نشان دادن اثر تغییر سطح آب بر فرکانس های طبیعی، توابع چند جمله ای ارتفاع آب اتخاذ شد. $β_{1} \times h^{4} + β_{2} \times h$ ، نتایج به دست آمده اضافه شده توسط $β_{0}$ در شکل 9 ارائه شده است . محدوده تغییرات فرکانس ها در هر حالت فرکانس برای محدوده تغییرات سطح آب در جدول 3 ارائه شده است .

5.1.2 . خصوصیات اثرات حرارتی

یک منحنی سینوسی با یک دوره یک ساله برای نشان دادن اثر حرارتی بر رفتار مشاهده شده اتخاذ شد. این گزینه معمولاً در سدها در حالت عادی و در کشورهایی که میانگین تغییرات دمای روزانه هوا نیز از تغییراتی شبیه به موج سینوسی پیروی می کند، استفاده می شود. در این مطالعه موردی، اولین پرکردن در اواخر سال 2015 آغاز شد و برخی اثرات دمایی ناشی از گرمای هیدراتاسیون انباشته شده در بدنه سد پذیرفته شد. این عوامل می‌توانند مسئول برخی عملکرد پایین‌تر مدل، عمدتاً در سال‌های اول باشند.

تغییرات سالانه فرکانس های طبیعی سد به دلیل اثر حرارتی (تغییرات سالانه دمای هوا) در شکل 10 ارائه شده است . بر اساس شرایط به دست آمده، دامنه، $A$ و فاز، $ϕ$ از پاسخ به اثر موج حرارتی سالانه، $A \times c o s (d + ϕ)$ ، برای هر حالت، در جدول 3 ارائه شده است .

جدول 3 . خصوصیات اثرات هیدرواستاتیک و حرارتی.

حالت	اثر هیدرواستاتیک + $β_{0}$	اثر حرارتی
سلول خالی	$h \in [98; 123] m$	سلول خالی	سلول خالی
سلول خالی	دامنه	$A m p l i t u d e, A$	$P h a s e,$ $ϕ$
سلول خالی	[هرتز]	[هرتز]	$[d a y s]$
1	$[2.442; 2.752]$	0.018	185
2	$[2.568; 2.936]$	0.027	186
3	$[3.325; 3.883]$	0.046	177
4	$[3.926; 4.519]$	0.050	179
5	$[4.769; 5.419]$	0.100	188
6	$[5.348; 6.123]$	0.102	190
7	$[6.113; 7.171]$	0.143	185
8	$[7.609; 8.285]$	0.117	179

5.2 . مقایسه عملکرد مدل‌های HST به‌دست‌آمده از رگرسیون خطی چندگانه و شبکه عصبی پرسپترون MultilLayer

یک مدل شبکه عصبی پرسپترون چندلایه برای هر حالت ارتعاش ایجاد شد . مدل MLP-NN اتخاذ شده شامل یک لایه ورودی با چهار ورودی (همان مورد استفاده در مدل‌های MLR)، یک لایه پنهان و یک لایه خروجی (برای نمایش فرکانس) است. هر نورون به طور کامل با هر نورون لایه بعدی مرتبط است. یک تابع انتقال سیگموئید به عنوان تابع فعال سازی برای لایه پنهان انتخاب شده است، در حالی که یک تابع خطی برای لایه خروجی استفاده می شود. در فرآیند آموزش از الگوریتمقاعده یادگیریدلتای پس انتشار عمومی استفاده شد [46].

اعتبار متقابل معیار توقف اتخاذ شده بود. تصادفی سازی مجموعه آموزشی قبلا انجام شده بود که امکان تعریف مجموعه آموزشی، مجموعه اعتبار سنجی متقاطع و مجموعه تست را با تعدادی مثال معادل 65%، 15% و 20% مجموعه آموزشی را ممکن ساخت. ، به ترتیب.

مقادیر پیش بینی شده برای هر حالت ارتعاش در شکل 11 ارائه شده است . شاخص های عملکرد مدل ها برای هشت حالت در جدول 4 ارائه شده است .

روش‌های MLR و MLP-NN در پیش‌بینی فرکانس‌های طبیعی به خوبی عمل کردند. با مقایسه جدول 2 ، جدول 4 ، عملکردهای مشابه با یک مزیت جزئی نسبت به MLP-NN به دست آمد. روش MLR این مزیت را دارد که برای اثر جداسازی، یعنی اثرات فشار هیدرواستاتیک و دما، نسبت به رویکرد شبکه عصبی آسان‌تر است.. به نوبه خود، مدل‌های NN، با توجه به پردازش موازی که ذاتی آنهاست، امکان انعطاف‌پذیری بیشتری را در یادگیری الگوی رفتار مشاهده‌شده فراهم می‌کند. توانایی یادگیری بهتر و تناسب با الگوی مشاهده شده می تواند عملکرد بهتر مدل های NN را توجیه کند. با این حال، لازم به یادآوری است که هر دو مدل MLR و NN برای دامنه ای از تغییرات بارهای اصلی کالیبره شده اند. بنابراین، استفاده از این مدل ها در زمینه برون یابی باید اجتناب شود یا با دقت زیادی انجام شود، زیرا این واقعیت در مدل های NN مرتبط تر است.

جدول 4 . $H S T^{N N}$ – پارامترهای عملکرد

حالت	${\|ϵ\|}_{M e a n}$	$R E_{m e a n}$	${\|ϵ\|}_{M a x}$	$σ (\times 1 0^{- 2})$	$R^{2}$
سلول خالی	[هرتز]	$[%]$	[هرتز]	[هرتز]	$[-]$
1	0.006	1.9	0.05	0.77	0.99
2	0.007	1.9	0.05	0.96	0.96
3	0.011	2.1	0.24	1.65	0.98
4	0.012	2.0	0.12	1.44	0.98
5	0.016	2.7	0.11	2.10	0.98
6	0.030	2.8	0.80	4.27	0.95
7	0.026	2.9	0.34	3.35	0.98
8	0.037	5.5	0.37	4.80	0.91

توصیف اثر تغییرات دمای روزانه بر رفتار دینامیکی مشاهده شده بر اساس روش‌های MLR و MLP-NN در بخش 5.3 ارائه شده است. , 5.4 مشخصه اثر تغییرات روزانه دما بر رفتار دینامیکی مشاهده شده بر اساس باقیمانده های .

5.3 . توصیف اثر تغییرات روزانه دما بر رفتار دینامیکی مشاهده شده بر اساس باقیمانده $H S T^{M L R}$ مدل ها

باقیمانده‌های مدل‌های MLR به منظور شناسایی اینکه آیا تغییرات روزانه دمای هوا تأثیر (قابل اندازه‌گیری) بر فرکانس‌های طبیعی دارد یا خیر، تجزیه و تحلیل شدند. هدف استخراج اطلاعات در باقیمانده‌های به‌دست‌آمده از مدل‌های MLR است که در آن اثر حرارتی معمولاً با یک موج حرارتی سالانه نشان داده می‌شود، بدون در نظر گرفتن اثر موج حرارتی با تغییرات روزانه. تجزیه و تحلیل موجک بر روی باقیمانده ها انجام شد تا ارزیابی شود که آیا در هر حالت، الگویی در فرکانس وجود دارد که می تواند با تغییرات دمای روزانه توضیح داده شود.

تجزیه و تحلیل موجک می تواند برای شناسایی تناوب های غالب در سری های زمانی که دارای توان غیر ثابت در فرکانس های مختلف هستند استفاده شود [60] ، [61] . با تجزیه نوسانات سری های زمانی به مجموعه ای از موجک های محلی (که به صورت طیف توان موجک محلی بیان می شوند)، فرکانس (تناوبی) و زمان نوسانات را می توان تجزیه و تحلیل کرد. در نتیجه، موجک ها سیگنال را به مجموعه ای از “باندهای فرکانس” (که به آنها مقیاس می گویند) تجزیه می کنند و سیگنال را بر روی مجموعه ای از توابع اساسی به نام موجک می فرستند.

موجک مورلت در این کار استفاده شد زیرا تعادل خوبی بین زمان و مکان‌یابی فرکانس فراهم می‌کند [62] .

سری زمانی تجزیه و تحلیل شده باقیمانده ها حاوی برخی شکاف های داده است. سال 2018، با درصد کمتر شکاف، برای انجام تحلیل موجک باقیمانده ها انتخاب شد، شکل 12 . شکاف ها با درون یابی خطی پر شدند تا توصیف کامل تری از الگوی رفتاری باقیمانده ها به دست آید. در فرکانس حالت سوم شکاف های زیادی بین ماه می و اکتبر 2018 وجود دارد که بر نتایج تأثیر می گذارد. بنابراین اینها برای تجزیه و تحلیل تغییرات دمای روزانه در حالت در نظر گرفته نشدند.

سطح آب و دمای هوا اندازه‌گیری شده در ژوئن 2018، و همچنین طیف‌های توان موجک برای سه زیر مجموعه از سری‌های زمانی فرکانس‌های طبیعی (حالت‌های 1، 4 و 7) با روند حذف شده در شکل 13 ، شکل 14 نشان داده شده است . این ارقام نشان می‌دهند که محتوای انرژی مرتبط با دوره‌های 24 ساعته در ماه ژوئن، یک ماه تابستان، سازگارتر است و امکان انجام بازسازی سری‌های زمانی، اضافه کردن تجزیه موجک به مدل HST وجود دارد. توضیح احتمالی برای این پدیده، که معمولاً در فعالیت های نظارتی سدهای بتنی دیده نمی شود، به این واقعیت مربوط می شود که درزهای انقباضی در فصول گرم سال بسته تر هستند ( شکل 15).، اجازه می دهد تا اثر تداوم ساختاری قوی داشته باشد، در نتیجه اثر تغییرات حرارتی روزانه تأثیر بیشتری بر رفتار سد سازه دارد. با این حال، برای تایید این توجیه احتمالی، یک شبیه‌سازی عددی که رفتار سازه‌ای سد شامل الگوی مشاهده‌شده در حرکات اتصالات را نشان می‌دهد، مورد نیاز است. این مدل عددی خاص در دسترس نیست و هدفی برای نویسندگان برای کارهای بعدی خواهد بود.

5.4 . توصیف اثر تغییرات روزانه دما بر رفتار دینامیکی مشاهده شده بر اساس باقیمانده $H S T^{N N}$ مدل ها

باقی مانده از $M L P - N N$ مدل‌ها نیز برای شناسایی اثر تغییرات روزانه دمای هوا بر فرکانس‌های طبیعی مورد تجزیه و تحلیل قرار گرفتند. همان رویکرد مبتنی بر تجزیه و تحلیل موجک، همانطور که در بخش قبل ارائه شد، اتخاذ شد. در این مورد، نتایج به‌دست‌آمده مربوط به تغییرات روزانه برای هر هشت حالت فرکانس طبیعی مشابه آنچه در بخش قبل به دست آمده است، همانطور که در شکل 16 نشان داده شده است .

با توجه به عملکرد بهتر به دست آمده در مدل های MLP-NN، انتظار می رود دقت بهتری از $H S (1 y + 1 d) T$ مدل مبتنی بر رویکرد MLP-NN در مقایسه با $H S (1 y + 1 d) T$ مدل مبتنی بر رویکرد MLR. شکل 17 نتایج اصلی هر دو مدل را در ژوئن 2018 نشان می دهد که در این مثال از طریق یک دایره آبی برجسته شده است، دوره ای که این شواهد بهبود قابل مشاهده است.

6 . اظهارات پایانی

در طول مراحل عمر یک سد، مدل‌های مورد استفاده برای تفسیر رفتار ساختاری سد به‌روزرسانی می‌شوند تا رفتار مشاهده‌شده سد را از طریق سیستم‌های پایش در نظر بگیرند. در این کار، از جنبه‌های دینامیکی اصلی (فرکانس‌های طبیعی) برای توسعه مدل‌های مبتنی بر داده برای شبیه‌سازی رفتار دینامیکی سد در گذشته استفاده می‌شود. سپس مدل بدست آمده ممکن است برای ارزیابی وضعیت سد و پیش بینی رفتار آینده آن به کار گرفته شود.

این مقاله پایش دینامیکی مستمر سد قوسی بایکسو سابور و نتایج آن را بین دسامبر 2015 و اکتبر 2019 ارائه می‌کند.

مدل‌های مبتنی بر داده می‌توانند به ویژه برای تجزیه و تحلیل پارامترهای دینامیکی رفتار سد مفید باشند و در نتیجه، برای شناسایی نوآوری‌ها در رفتار مشاهده‌شده، پس از آن برای بررسی احتمال برخی رفتارهای غیرعادی ضروری هستند. با این حال، برای به دست آوردن مدل های داده محور مناسب، باید داده های خوب و کافی جمع آوری شود و روش های یادگیری ماشینی مناسب اتخاذ شود.

بر اساس کار انجام شده، می توان چندین بیانیه برای کمیت های دینامیکی ارائه و به شرح زیر خلاصه کرد:

•
روش پیشنهادی به ایجاد مدل‌هایی برای پیش‌بینی رفتار دینامیکی به دنبال رویکرد HST با مزیت توانایی کمی‌سازی اثر تغییرات دمای روزانه، به حداقل رساندن مؤلفه‌ای که توسط مدل‌های HST سنتی توضیح داده نشده است، اجازه می‌دهد.
•
یکی از مزایای مدل‌های HST این است که می‌توان آنها را بدون آگاهی صریح از دماهایی که سازه تحت آن قرار می‌گرفت، توسعه داد و عملکرد بسیار خوبی در نتایج به‌دست‌آمده مشاهده شد.
•
مدل HST را می توان با استفاده از تکنیک های ML مانند MLR و ANN توسعه داد.
•
اثر موج گرمای سالانه بر رفتار دینامیکی را می توان با یک تابع سینوسی دوره سالانه نشان داد. این گزینه قابل قبول است زیرا تغییرات دمای سالانه عملاً ثابت در نظر گرفته می شود.
•
اثر موج گرمای روزانه بر رفتار دینامیکی را نمی توان با یک دوره سینوسی روزانه نشان داد زیرا تغییرات دمای روزانه به شدت غیر ثابت هستند.
•
اثر موج حرارتی روزانه را می توان از طریق امواج غیر ثابت دوره روزانه (24 ساعت) با استفاده از روش های تحلیل زمان-فرکانس و حذف تنها جزء دوره روزانه در نظر گرفت.