مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. ارزیابی قابلیت اطمینان
ارزیابی احتمال عدم موفقیت (Pf) یک مسئله اساسی در تحلیل قابلیت اطمینان ساختارها است. در این بخش روشهای مختلف کلاسیک این تئوری بیان شده است. در این روشها، عدم قطعیت های احتمالی به عنوان متغیرهای تصادفی در مدل طراحی در نظر گرفته می شوند. عملکرد هر ساختار را می توان با عملکرد متغیرهای تصادفی اساسی سازه، بنام عملکرد محدود Limit (LSF) بیان کرد به طوری که مقدار مثبت عملکرد حالت حد، بیانگر ایمنی و ارزش منفی حد است. عملکرد نشانگر عدم موفقیت است. در تجزیه و تحلیل یک سیستم ، منطقه شکست توسط تابع تعریف می شود. که در آن R و Q به ترتیب مقادیر مقاومت و اثرات بار بر روی سازه را نشان می دهد.
بدست آوردن پاسخ مستقیم به این انتگرال به دلیل پیچیدگی عملکرد چگالی احتمال مشترک (خصوصاً برای متغیرهایی که توزیع غیر عادی دارند) دشوار است و در بیشتر موارد با استفاده از فرضیات ساده انجام می شود. این فرضیات در دو روش تقریبی و شبیه سازی ارائه شده است. روش های تقریب بر اساس شاخص اعتبار، در تیلور درجه اول و دوم از عملکرد حالت حد استفاده می کنند. روش های مبتنی بر شبیه سازی احتمال خرابی را به طور مستقیم و با استفاده از نمونه گیری محاسبه می کنند.
یکی از ساده ترین و ابتدایی ترین روش های تخمین مرتبه اول برای قابلیت اطمینان توسط کرنل [3] در سال 1967 ارائه شده است. این روش مبتنی بر تفکیک منطقه (g> 0) و ناحیه خرابی (g , 0) و گسترش خطی تابع حالت حد در حدود نقطه میانگین است.
در سال 1974، هاسوفر و لیند [4] یک شاخص قابلیت اطمینان جدید را با استفاده از فرم خطی عملکرد حالت حد در ترکیب با یک نقشه برای انتقال متغیرهای تصادفی از فضای طراحی به فضای عادی استاندارد (با میانگین صفر و انحراف استاندارد واحد) بر اساس ایده کرنل ارائه دادند و این شاخص به عنوان حداقل فاصله هندسی بین مبدا و عملکرد حالت کاهش یافته تعریف شده است. مطابق تعریفی که هاسوفر و لیند ارائه داده اند، نقطه طراحی نقطه ای از عملکرد حالت حد (g = 0) است که کمترین فاصله را از مبدا در فضای عادی استاندارد دارد. این نقطه همچنین به عنوان نقطه احتمالی شکست در نظر گرفته می شود (احتمالی ترین تقطه MPP). فاصله از این نقطه تا مبدأ به عنوان یک شاخص قابلیت اطمینان در نظر گرفته شده است که تخمین احتمال شکست ساختاری توسط معادله Pf = Φ (-β) که در آن Φ عملکرد توزیع عادی عادی استاندارد است. بنابراین، یک مشکل بهینه سازی باید مطابق با معادله اعمال شود.
در این معادله ، μex ، σex ، fx و Fx به ترتیب نشان دهنده میانگین نرمال معادله، انحراف استاندارد معادله عادی ، عملکرد چگالی احتمال (PDF) و عملکرد توزیع تجمعی (CDF) متغیر * x است در حالی که پارامترهای ϕ و Φ به ترتیب PDF را برای توزیع عادی استاندارد و CDF برای توزیع عادی استاندارد را نشان می دهد. من اگر متغیر دارای عملکرد توزیع غیر عادی باشد، روش فوق با استفاده از نقشه متغیر را به یک فضای عادی استاندارد منتقل می کند. این باعث افزایش قابل توجهی در میزان غیر خطی بودن عملکرد حالت حد و متعاقباً دقت حسابگر را کاهش می دهد.
در این مقاله، به منظور اعمال نوع توزیع متغیرها، فضای جستجوی مسئله بهینه سازی برای n نمونه های هر متغیر مطابق شکل ایجاد می شود. الگوریتم بهینه سازی برای جستجوی راه حل بهینه، بردار تولید می کند که ابعاد آن تعداد کل متغیرهای تصادفی (NRV) اعداد صحیح در فاصله [1 ، n] است. با توجه به مقادیر این بردار و معادله 5، بردار U در معادله 4 از فضای جستجوی مسئله ایجاد می شود (ماتریس SearchSpace). برای بررسی کارآیی روش پیشنهادی برای محاسبه شاخص قابلیت اطمینان، حد فرکانس حالت اول سازه به عنوان محدودیت احتمالی انتخاب شده است. بر این اساس در معادله 3، R مقدار فرکانس مجاز، همه در rad/s (سقوط هرتز) است که در هر مشکل به طور جداگانه ذکر شده است .همچنین Q مقدار فرکانس موجود، ω در rad / s (f در هرتز)، در ساختار خرپا را نشان می دهد. این پارامتر از آنالیز معین بدست می آید.جلوگیری از سر و صدا در تست های دینامیکی واقعی غیرممکن است، بنابراین باید استحکام رویکرد پیشنهادی مورد بحث قرار گیرد. این موضوع با ایجاد انحراف کوچک در پارامترهای دینامیکی تجربی (معادله (7)) بررسی شده و استحکام این رویکرد نیز برای کلیه مشکلات بررسی شده است.
در معادله (7) ، α یک عدد تصادفی در فاصله [-1 ، 1] است و نویز انحراف فرکانس های طبیعی است. ω حاکی از فرکانس با مقدار پر سر و صدا است.

3. الگوریتم های بهینه سازی فراابتکاری
3.1. بهینه سازی تبخیر آب
الگوریتم بهینه سازی تبخیر آب (WEO) توسط کاوه و بخش پوری [29] با الهام از روند تبخیر مولکول های آب از سطح اجسام جامد در مقیاس میکروسکوپی و بر اساس معادلات ارائه شده توسط وانگ و همکاران ارائه شده است. [30] الگوریتم WEO از دو مرحله مجزا به نام تبخیر تک لایه و قطره تشکیل شده است.
اگر مقدار عملکرد هدف هر مولکول تبخیر شده (WM (t+1)) بهتر از عملکرد مولکول آب جاری (WM (t)) باشد، مولکول آب جاری با مولکول تبخیر شده جایگزین می شود. در غیر این صورت تغییری در مولکول آب جاری مشاهده نمی شود. بهترین مولکول آب که تاکنون پیدا شده ذخیره شده و گزارش شده است.

3.2 بهینه سازی تبخیر آب با شتاب
الگوریتم بهینه سازی تبخیر آب (AWEO) نسخه ای از WEO است که توسط کاوه و بخش پوری ارائه شده است. همانطور که اشاره شد، روند الگوریتم WEO در دو مرحله مجزا صورت می گیرد. به عبارت دیگر، نیمی از فرآیند بهینه سازی با توجه به مرحله تبخیر تک لایه و نیمه دیگر مطابق با مرحله تبخیر قطرات انجام می شود. با این حال، در فرآیند الگوریتم AWEO ، از این دو مرحله بطور همزمان در هر تکرار استفاده می شود

 مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی
خطاهای سیم پیچ استاتور معمولاً با عوامل مختلفی از جمله گرمای بیش از حد، اضافه بار الکتریکی، تخلیه های الکتریکی و فشار مکانیکی همراه هستند [5]. محیطی که SCIG در آن نصب شده است، یک محیط خشن است، بنابراین به یک ابزار نظارت نیاز است. تکنیک فعلی تجزیه و تحلیل امضاء (MCSA) به عنوان یک روش امیدوارکننده برای توصیف شرایط عملیاتی ژنراتور القایی مشخص شد. که شامل مجموعه ای از روشهای تلفیقی است که در بین سالهای 1975 تا 1985 در مقالات مروری در سرتاسر جهان توسعه یافت که دارای تجزیه و تحلیل جریان و طیف آن برای توصیف ماشین های القایی بودند [6].
در [7] ، یک طبقه بند عصبی با جریان موتور، ولتاژ تغذیه و سرعت روتور آموزش داده می شود. نویسندگان از یک موتور تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در حالت تخلیه 50 هرتز تخلیه می شود. نویسندگان از یک موتور در حال چرخش تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در فرکانس 50 هرتز تخلیه می شود. آنها رضایت بخش تلقی می شدند. با این حال ، این مشکل فقط به یک پیکربندی موتور (تک فاز ، بدون بار ، کار با 50 هرتز) محدود شده و به سنسور سرعت به همراه سنسورهای جریان نصب شده قبلی احتیاج دارد. Bouzid و Champenois [8] بر روی یک مدل محاسباتی از یک موتور القایی 1.1 کیلو وات تحت خرابی سیم پیچ استاتور کار کردند. نویسندگان از شبکه های عصبی با تجزیه و تحلیل فعلی استفاده کرده و توانستند 100٪ مسائل مدل سازی شده را شناسایی را داشتند. با این حال، شبیه سازی در نظر گرفته این دستگاه تنها پایین تر از فرکانس 50 هرتز کار می کند.
پالاکیوس و همکاران [9] سیگنال های جریان را در یک موتور یک اسب بخار، با شرایط بار چند برابر به دست آوردند و درصد تغییر در گردش در حالت اتصال کوتاه را به اندازه (3٪ ، 5٪ و 10٪) تغییر دادند. نویسندگان نتایج برای دقت از 75٪ تا 98٪ طبقه بندی های باینری بین شرایط عادی یا خطا را بدست آوردند.
الیویرا و همکارانش [10] با استفاده از یک سنسور تک جریانی و بدون سنسور سرعت و 1.4٪ چرخش های تحت اتصال کوتاه، در یک دستگاه القایی برقی می تواند با استفاده شبکه های عصبی با دقت 67٪ شناسایی شوند. نویسندگان پیشنهاد دادند که از تکنیک MCSA ترکیب شده با فوریه، از تئوری طیف فرکانس تامسون و فنگر [6] استفاده شود. ویرا و همكاران [11] این مطالعات را ادامه داده و توانستند، براساس Multceptine Perceptron (MLP) یك سیستم تعبیه شده برای شناسایی این خرابی ها توسعه دهند.
اعضای همان گروه تحقیقاتی که این کار توسط آنها انجام شده است، در تشخیص اولیه مدارهای کوتاه در موتورهای القایی تجربه دارند. این امر طی سالها و توسط انتشارات آنها تثبیت شد: الیویرا و همکاران [10] ، کولیو و همکاران [12] ، ویرا و همکاران [11].
بررسی کارهای پیشین، نشان می دهد که بیشتر تحقیقات مربوط به شناسایی خرابی در شرایط خاص عملیات ، چه با فرکانس و چه بار و بدون توضیحات زیادی در مورد تقلیدهای خطا بوده است. رویکرد ارائه شده در تحقیق ما، مبتنی بر نیاز به یک روش کلی تر است، که در آن یک سیستم متخصص می تواند نقصی را در نقاط عملیاتی متفاوت تشخیص دهد. همچنین، با گسترش سریع مزارع بادی در منطقه Ceará برزیل، تحقیق حاضر به بررسی مسئله ی شناسایی خطای اولیه در ژنراتورها می پردازد، زیرا هم برای گروه تحقیق و هم برای منطقه بی سابقه است.

3. روش های به کار رفته برای استخراج ویژگی برای ماشین های القایی
می توان از تبدیل فوریه برای بیان سیگنال های حوزه ی زمان، در حوزه فرکانس استفاده کرد. اولیورا و همکاران [10] هارمونیک های موجود در سیگنال جریان الکتریکی از موتور الکتریکی را تحت چندین خطای مدار اتصال کوتاه بین چرخشی بررسی کرده و نتیجه گرفتند که مهمترین فرکانس ها 0.5fn ، 1.5fn ، 2.5fn ، 3.0fn ، 5.0fn و 7fn است که در آن fn فرکانس پایه ی استاتور است. اولیورا و همکاران [10]، کولیو و همکاران [12] و ویرا و همکاران [11] ، ویرا و همکاران [11] همچنین از همین فرکانس برای پیشنهاد دادن روش های مختلف برای تشخیص خطا در موتورهای القایی استفاده کردند. در سایر مطالعات، فرض می شود که ماشین الکتریکی به عنوان موتور عمل می کند، اما ما معتقدیم در حالی که دستگاه به عنوان ژنراتور کار می کند، همین فرکانس ها نماینده خواهند بود. بنابراین، مقادیر این فرکانس ها که توسط فرکانس پایه نرمال شده اند، به عنوان ویژگی مورد استفاده قرار می گیرند.
آماره مرتبه بالاتر، یک تکنیک امیدوارکننده برای توصیف سیگنال های حوزه زمان است [13]. استفاده از Kurtosis توسط دوایر [14] برای اولین بار به عنوان یک ابزار آماری برای نشان دادن مؤلفه های غیر گاوسی در سیگنال ها پیشنهاد شد. این نظریه تحت پایه آماره مرتبه بالا است و آن را به عنوان ممان آماری چهارم توصیف می کند. مزیت HOS برای سیگنال ها توسط مندل [13] نشان داده شده و به مقاومت (یعنی فیلتر کردن) نسبت به نویز گاوسی در هنگام استفاده از ممان بالاتر از مرتبه دوم، وابسته است. ویژگی های به دست آمده از HOS در کنار مقادیر واریانس و مقادیر rms ، چوله و کوتاه مدت خواهند بود.
ماتریس وقوع همزمان ساختاری متشکل از روشی است که مبتنی بر آماره هم وقوع همبستگی است و به تجزیه و تحلیل ساختاری سیگنال های گسسته منجر می شود و اتصالات موجود بین ساختارهای سطح پایین دو سیگنال گسسته در n بعد را پذیرش می کند [16]. ویژگی اصلی آن ارایه ی دانش قبلی در مورد سیگنال های مورد بررسی، با تأکید بر تشخیص جزئیات است. خروجی آن یک هیستوگرام دو بعدی است ، که در آن SCM امکان وقوع مشترک بین ساختارهای سیگنال های ورودی را فراهم می کند [16]. نویسندگان 6 ویژگی را پیشنهاد داده اند که باید از هر سیگنالی استخراج شود و محاسبات مربوط به آن در مقاله آن نشان داده شده است. در میان روش های استخراج ویژگی مورد استفاده در این مقاله، SCM جدیدترین روش است و نشان داده است که می تواند الگوهای موجود در جزئیات سیگنال ها را تشخیص دهد [17].

4. راه اندازی آزمایشی و ایجاد مجموعه داده
شبیه سازی توربین بادی بر اساس تنظیمات شرح داده شده توسط یاراماسو و همکاران [4] انجام شده است که از ژنراتور القایی قفس سنجابی از نوع مقیاس کامل و تمامی متغیر سرعت ساخته شده است، بدین معنی که ماشین الکتریکی می تواند در کل محدوده سرعت، انرژی الکتریکی را در کل تولید کند. یک بستر آزمایشی مبتنی بر این سیستم توربین بادی این مقاله ساخته شده است و در شکل 1 نشان داده شده است.
درایو ماشین (DM) با تحریک انرژی به پره های توربین بادی ، از تبدیل انرژی جنبشی باد در حرکت چرخش به شافت ژنراتور تقلید می کند. مبدل فرکانس FC-1 سرعت باد متغیر را که باعث تقویت DM می شود، تقلید می کند. FC-2 فقط استاتور ژنراتور را تغذیه می کند. هنگامی که فرکانس تنظیم شده در FC-1 بالاتر از FC-2 باشد ، انرژی جنبشی به انرژی الکتریکی تبدیل می شود و این از طریق SCIG به DC-bus FC-2 تبدیل می شود.
شکل ۱: دیاگرام شامل یک بستر آزمایشی توربین بادی است ، مبتنی بر تمام مقیاس ها و کلیه ی متغیرهای سرعت
برای انجام آزمایشات از یک ژنراتور القایی 4 قطبی استفاده کردیم که دارای توان مکانیکی 1 اسب بخار است و در پیکربندی دلتا برای ولتاژ منبع تغذیه 220 ولت ، به صورت الکتریکی متصل شده است و جریان نامی آن ۳ آمپر است. ژنراتور و دستگاه درایو هر دو از مبدل فرکانس WEG CFW-08 استفاده می کنند. درایو ماشین به صورت مکانیکی با ژنراتور کوپل شده است و ما از موتور القایی با همان مشخصات و سیم کشی استفاده کردیم.
یک بورد آزمایشی اتصال کوتاه، آزمایشات را در ماشین آلات (SCTBM انجام می دهد. یک مدار الکتریکی وجود دارد که کار آن شبیه سازی اتصالات مدار اتصال کوتاه بین سیم پیچی های هسته استاتور است. همچنین برای دستیابی به جریان الکتریکی دستگاه برقی ، ماژول جمع آوری و ارسال اطلاعات نیز دارد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. مرور کلی سیستم ذخیره انرژی
پیکره بندیهای سیستم ذخیره انرژی (ESS) ، طبقه بندیها و ساختار آنها در زیربخشهای زیر نشان داده شده است.

A. پیکره بندی سیستم ذخیره انرژی
به طور معمول سیستم ذخیره انرژی (ESS) تجمعی و توزیع شده، دو پیکره بندی اصلی فن آوری سیستم ذخیره انرژی (ESS) برای کاربردهای ریزشبکه (MG) هستند که در شکل 4 نشان داده شده‌اند. در سیستم تجمیعی، مقدار جریان انرژی از DERs بهbus PCC مقدارثابتی است. علاوه بر این، کل ظرفیت این ESS را می‌توان برای کاهش نوسانات جریان برق استفاده کرد (43). اگر ظرفیتیک دستگاه ذخیره انرژی افزایش یابد، هزینه آن نیز افزایش می‌یابد. ساخت و کنترل ESS های بزرگ کار دشواری است. بنابراین، از دستگاه‌های ذخیره انرژی توزیع شده در مقیاس کوچک می‌توان برای دستیابی به تنظیم قابل اطمینان و عملی قدرت استفاده کرد. دستگاه‌های ESS در پیکربندیهای ذخیره توزیع شده مستقیماً به وسیله رابطهای بی شماری به منابع توزیعی خاصی متصل می‌شوند. با این حال، کنترل جریان نیرو، اصلی‌ترین چالش پیش روی سیستم توزیعی است. علاوه براین، فرایند ذخیره سازی هنوز هم از طریق رابطهای الکترونیکی قدرت برای منابع توزیع شده و ESS، تلفاتی را متحمل می‌شود (12).
B. طبقه بندی سیستم ذخیره انرژی
ESS بر اساس استفاده از انرژی به یک شکل خاص طبقه بندی می‌شود. ESS را می‌توان به صورت یک سیستم ذخیره انرژی مکانیکی، الکتروشیمیایی، شیمیایی، الکتریکی، حرارتی و ترکیبی طبقه بندی کرد. علاوه بر این، این سیستم‌ها را بسته به روند تشکیلشان و مواد مورد استفاده در آنها ، می‌توان باز هم طبقه بندی کرد. شکل 5 جزئیات مربوط به طبقه بندی ESS را نشان می‌دهد (44). باتری‌ها (45)، ذخیره سازی هوای فشرده (CAES) (46)، ذخیره سازی انرژی فلای ویل (FES) (47)، SCs (16)، (48)، ذخیره انرژی مغناطیسی ابرخازن (SMES) (49)، ذخیره سازی هیدروژن (50)، و ذخیره انرژی هیبریدی (HES) (44)، (51)، (52) از رایج‌ترین فن آوریهای ذخیره سازی در کاربردهای ریز شبکه هستند.

C. ساختار سیستم ذخیره انرژی (ESS)
انرژی را می‌توان با تبدیل انرژی الکتریکی به شکل دیگری مثل انرژی شیمیایی یا مکانیکی ذخیره کرد (42). علاوه بر این، سیستم‌های ذخیره سازی را می‌توان به سه بخش طبقه بندی کرد: ذخیره سازی مرکزی، مرحله تبدیل نیرو و مرحله کنترل. در ذخیره سازی مرکزی، انرژی پس از تبدیل ذخیره می‌شود و تبدیل نیرو به عنوان رابط بین ذخیره مرکزی و سیستم نیرو با انتقال دو طرفه عمل می‌کند. در مرحله کنترل، میزان شارژ یا تخلیه انرژی ذخیره شده با استفاده از حسگرها و سایر وسایل اندازه گیری تعیین می‌شود. دستگاه‌های ذخیره انرژی منبع ایده آل انرژی نیستند. بنابراین، در هر مرحله از فرآیند ذخیره سازی با تلفاتی مواجه می‌شوند(42).

3. انواع سیستمهای ذخیره انرژی
A. سیستم‌های ذخیره سازی مکانیکی
سیستم‌های ذخیره انرژی مکانیکی (MSS)سودمند هستند، زیرا می‌توانند انرژی را به صورت انعطاف پذیری از منابع تبدیل و ذخیره کنند (52). علاوه بر این، آن‌ها می‌توانند در صورت نیاز به کار مکانیکی، نیروی ذخیره شده را آزاد کنند (53). بر اساس اصول کاری، MSS را می‌توان به عنوان گاز فشاری، فنر فشرده، انرژی جنبشی، و انرژی پتانسیل طبقه بندی کرد. با این حال، از دیدگاه فنی، سیستم‌های ذخیره سازی مکانیکی از سه تکنیک تشکیل شده‌اند: فن آوریهای فلای ویل، ذخیره سازی هیدرولیکی پمپی، و انرژی هوای فشرده. از بین این سه سیستم، سیستم‌های ذخیره سازی آب پمپی (PHS)با داشتن چرخه عمر طولانی، بیشترین ظرفیت ذخیره سازی برق را در جهان دارا هستند. اگرچه سیستمهای انرژی فله هنوز هم به PHS متکی هستند، اما PHS اشکالاتی مثل هزینه‌های بالای سرمایه، تأثیر منفی بر محیط زیست و کاهش پیاده سازی ژئولوژیکی را نیز دارد. بنابراین، بهبود PHS در آینده محدود است (54)-(57). جزئیات مربوط به فن آوریهای دیگر مثل سیستمهای ذخیره انرژی فلای ویل (FESS)، CAES، سیستم‌های ذخیره انرژی گرانش (GES) در زیر مورد بحث قرار می‌گیرند.
1) سیستم‌های ذخیره انرژی فلای ویل
فلای ویل به عنوان مؤلفه اصلی مدرنترین FESS یک استوانه (دیسک) چرخان عظیم است که با استفاده از یاتاقانهای مغناطیسی بر روی استاتور پشتیبانی می‌شوند (58). FESS را می‌توان در دو دسته اصلی توصیف کرد: FESS پرسرعت و کم سرعت (59). فلای ویل‌هایی با سرعت زیر 10،000 دور در دقیقه به عنوان فلای ویل‌های کم سرعت شناخته می‌شوند که در صنایع محبوبیت زیادی دارند (60). سازه‌های اصلی یک سیستم فلای ویل ، و یک فلای ویل استوانه‌ای توخالی در شکل 6 نشان داده شده است (61). برای عملکرد صحیح دستگاه‌ها می‌توان از یک فلای ویل استفاده کرد که به صورت مکانیکی انرژی جنبشی را از چرخش روتور با سرعت زیاد ذخیره می‌کند (59)، (62). انرژی جنبشی ذخیره شده در FESS با سرعت و اینرسی مرتبط است. FESS کم سرعت شامل یک صفحه فولادی با اینرسی بالا و سرعت پایین است. از سوی دیگر، FESS پرسرعت دارای یک صفحه کامپوزیت با اینرسی نسبتاً پایین و سرعت بالا است. با افزایش سرعت چرخش روتور، انرژی ذخیره شده نیز به همین نسبت افزایش می‌یابد و انرژی ذخیره شده در یک مربع با حرکت زاویه‌ای تغییر می‌یابد. این انرژی ذخیره شده را می‌توان با کم کردن گشتاور روتور (حالت تخلیه) و برگرداندن انرژی جنبشی به موتور الکتریکی که به عنوان یک ژنراتور عمل می‌کند، باز هم مورد استفاده قرار داد (52)، (62). راندمان دستگاه‌های ذخیره فلای ویل بین 90٪ تا 95٪ می‌باشد، در حالیکه توان نامی آنها از 0 مگاوات تا 50 مگاوات است (63)-(65). بین این دو نوع فلای ویل را می‌توان به طور عادی مقایسه کرد و تفاوت‌های آن‌ها در جدول 1 بصورت خلاصه ارائه شده‌اند (66).
علاوه براین، فلای ویل‌ها را می‌توان بطور موازی اضافه کرد تا انرژی خاصی را افزایش دهند. تراکم انرژی از سرعت حدود (5 W h/kg) تا (100 W h/kg) متغیر است (55)، (59). در صورت نقص ناگهانی در تولید برق از منابع تجدید پذیر مانند منابع بادی یا خورشیدی، یک سیستم انرژی مشابه FESS را می‌توان بهتر از BESS پیاده سازی کرد (55).

طبق مرجع (58)، فن آوری ذخیره انرژی فلای ویل با توجه به خصوصیات منحصربفردی مثل چگالی توان بالا، سازگاری در محیط زیست، راندمان بالا ، هزینه نگهداری پایین و دوره چرخه طولانی که دارد در بخشهای مختلفی بکار برده شده است. مرجع (55) نشان می‌دهد که هزینه تعمیر و نگهداری FESS پایین است ($19/kW -سال) هرچند که هزینه سرمایه آن بالا است ($5000/kWh). مزیت اصلی FESS این است که به تجهیزات کنترل دما نیازی ندارد (47). شکل 7 کاربردهای FESS را در ریزشبکه (MG) توضیح می‌دهد.
در این فن آوری، یک مبدل توان به عنوان یک رابط الکتریکی عمل می‌کند. در مرجع (67)، یک مکانیسم بهبود یافته از توپولوژی مبدل دو طرفه با استفاده از تکنیکهای انتقال ولتاژ صفر و انتقال جریان صفر توسعه داده شد. این مطالعه نشان داد که میزان انرژی ذخیره شده با استفاده از توپولوژی پیشنهادی، 2.5 تا 3.5 درصد بود. بدین ترتیب،می‌توان از یک کنترلگر پیشرفته برای بهینه سازی ویژگیهای شارژ و تخلیه در این سیستم ذخیره سازی استفاده کرد که بطور قابل توجهی مدیریت ذخیره انرژی را بهبود می‌بخشد.
اگرچه اگرچه FESS دارای مزیتهای متعددی است ، اما اشکالاتی نیز از نظر هزینه بالای اولیه و میزان بالای خود-تخلیه دارد(3% تا 20% در هر ساعت) (68). علاوه بر این، چگالی توان بالا و چگالی انرژی پایین ، کاربرد FESS را محدود می‌کند. بنابراین، هزینه و میزان تخلیه با استفاده از فلای ویل‌های پر سرعت و پیشرفت فن آوری کاهش می‌یابد. برای غلبه بر این محدودیت‌ها، FESS با کاهش انتشار CO2 و بهبود پایداری سیستم قدرت، بسیار قابل اطمینان و پایدار می‌شود.

تخصیص بهینه چند منظوره محدود کننده های جریان خطا در سیستم توان

Multi objective optimal allocation of fault current limiters in power system

Abstract

Transmission systems, connection of distributed generation to the grid are increased due to increase in power demands. This fact causes the increase in short circuit level of power networks. The occurrence of fault in such networks leads to large short circuit currents throughout the system, which may exceed the rating of existing circuit breakers and can damage system equipment. There are some approaches to reduce this fault current such as power network reinforcement and utilization of fault current limiter (FCLs) in power systems. Power system reinforcement is too difficult if not impractical. Therefore, the utilization of FCLs can provide an effective way to suppress fault currents. The effectiveness of FCL depends on the number of FCLs and their installation location. In this paper, a novel approach is presented to determine the optimal number and location of FCLs to improve the power network reliability and fault current reduction based on different conflicting objective functions. IEEE 39 BUS system and IEEE 57 BUS system are considered to evaluate the effectiveness and feasibility of the proposed method. The objective functions considered for the optimal allocation are reliability of power system, economic impact and short circuit current reduction. Unlike what has been previously done in literature, in this paper Pareto based optimization algorithms, namely non-dominated sorting algorithm, multiobjective particle swarm optimization and multiobjective evolutionary algorithm based on decomposition, are utilized to deal with this problem. The use of these methods made it possible to obtain the Pareto optimal front in which these objective functions are optimized simultaneously.

1 Introduction

Nowadays, with the increasing demand for electric energy, power systems have become greater and more complex, as a result fault current increases. By increasing the fault current, in some cases allowable level of equipment on the network particularly circuit breakers (CBs) may exceed the allowable level and even can damage equipments. Therefore, it is necessary to use CBs with higher breaking current. This, in turn imposes heavy costs on the system. If after identifying the fault, its current can clearly be limited by a method, a technically and economically significant saving is achieved. This is possible by fault current limiters (FCLs). FCLs are elements that are placed in series with the network equipment to reduce the level of short circuit current during a fault. This equipment normally reveals little resistance against the flow of the current; however, if short-circuit happens and in the initial moments after fault, their resistance suddenly increases which prevents more short circuit current [1,2]. Limiters do not cause voltage sag and power loss in the steady state conditions of the system [3]. In [4], authors examined transient stability due to use of FCLs in network with studying the rotor oscillation of generator after the occurrence of fault with large amplitude, e.g. short circuit. In [5], an application of a superconducting fault current limiter (SFCL) to enhance the power system transient stability is presented. In Ref. [6], power system security and stability enhancement is examined and particle swarm optimization (PSO) algorithm is used to optimize the system. In [7], two characteristics of FCL utilization, fault current limiting and voltage sag suppression in distribution network are examined. The effect of FCLs in distribution network in the presence of wind turbine generators is also investigated [8].The main focus of this paper is on fault current limitation effect of FCLs. In addition to the short circuit current limitation, studies have shown that the use of FCLs in power network allows the incensement in the transient stability of generators and consequently the global stability of the network [9,10]. Previous studies on FCL optimal allocation mainly focus on one objective function either fault reduction as in [11–13] or stability as in [9,13]. Hierarchical genetic algorithm (GA) combined with a micro GA was used to find the optimum locations of FCLs [14,15]. In [12], authors used a search space reduction technique and GA to find the optimum number and locations of FCLs. In Ref. [16], a twostage placement approach is proposed, where Stage I benefits from the hierarchical fuzzy logic decision method and a variant of generic algorithm so-called Hashing-integrated. In order to sort feasible solutions, the hierarchical fuzzy logic decision method is used. The Hashing-integrated genetic algorithm determines an optimal FCL placement in the reduced search space. PSO is then employed in Stage II for optimizing the FCL parameters. The main focus of [17] is on the total operating time, which is the sum of the operating times of primary relays for each fault and minimax regret criterion is proposed for power system protection considering the uncertainty of the (distributed generation) DGs to determine SFCL placement. However, multiobjective approach and adaptive penalty factor are not considered in this research. In Ref. [18], an iterative mixed integer nonlinear optimization method is proposed to optimally locate and size FCLs in a power system. Another approach has examined the influence of fault type on the optimal allocation of SFCL in electrical power grid [10]. Eigenvalue analysis is also used to optimize resistive SFCL for multi-machine power system [19]. Multiobjective optimization algorithm is applied to solve different problems of power system such as reactive power and voltage control [20], power flow [21], and optimal power flow with FACTS devices [22]. In Ref. [23], sensitivity calculation of capacity constraints method is used to find out the optimal placement and value of the determined number of SFCLs. In Ref. [24], the effect of the presence of FCLs for maintaining over current relay coordination in power network with distributed generation is discussed. In this paper, in order to optimally allocate the FCLs in a power system, three objectives functions are considered. The objective functions considered in FCL placement problem are: (a) improving reliability; (b) economical usage of FCLs and (c) minimizing the short circuit current. The benchmark problems considered are IEEE 39 Bus and IEEE 57 Bus. Unlike what can be seen in literature which combine different objective functions in a single objective function, in this study, the three objective functions are solved using Pareto based algorithms. The uses of such algorithms make it possible to simultaneously determine the number, location and the impedance values of FCLs. Moreover, existing methods in literature do not optimize the location and the value of FCLs; but rather choose some locations for the FCLs and then optimize their values. However, the proposed approach optimizes the location and the values of FCLs, simultaneously. The Pareto based optimization algorithms are multiobjective evolutionary algorithm based on decomposition (MOEA/D), multiobjective particle swarm optimization algorithm (MOPSO) and non dominated sorting genetic algorithm-II (NSGA-II). Since Swarm intelligence and evolutionary methods are two main classes of optimization methods used in multiobjective optimization approaches, MOPSO which is based on swarm intelligence and NSGA-II and MOEA/D which are evolutionary based methods are selected. Moreover, another contribution of the proposed approach in this study is the use of an adaptive penalty factor. The penalty factor used is relative to the violation of maximum short circuit allowed in the system. Furthermore, since the power system can tolerate some levels of short circuit current, another constraint is defined for the lower bound of the short circuit current which causes less FCLs to be used and reduces the costs considerably. In addition, another penalty term is considered for the violation of allowable interval of impedances. It is shown that the three multiobjective optimization algorithms are capable of obtaining an appropriate Pareto optimal front. The rest of the paper is organized as follows: in Section 2, fault current calculation and the effect of adding a FCL on impedance matrix is described. In Section 3, the networks studied in this paper are introduced. In Section 4, the main problem considered in this paper, is formulated. In Section 5, multiobjectives optimization algorithms which are used in this paper are presented. Section 6 covers the simulation results. The concluding remarks are given in Section 7.

قابلیت اطمینان دیوارهای برشی بر پایه‌ فولاد سرد نورد شده، تحت تاثیر تنوع در واکنش اتصال دهنده ها

Reliability of cold-formed steel framed shear walls as impacted by variability in fastener response

Abstract

The objective of this paper is to examine the reliability of cold-formed steel framed shear walls with a particular emphasis on walls sheathed with wood structural panels. A sheathed cold-formed steel framed shear wall is a system consisting of studs, tracks, and sheathing often with bridging and/or blocking, connected with steel-to-steel and sheathing-to-steel fasteners. The shear walls may be integrally connected to foundations, floors, or other shear walls through a variety of means including hold downs, straps, diaphragm chords and collectors. Shear wall lateral resistance in cold-formed steel framed buildings varies because of the randomness in the components and connections that comprise the wall. The interaction between fasteners and sheathing is particularly important because (1) sheathing-to-steel fastener response is the main source of shear wall nonlinearity (2) there is high variability in this fastener response. Although the nominal strengths for different shear wall configurations are stated in current design specifications (e.g., AISI S400), variability of shear walls has not been explicitly considered. Existing resistance factors are extrapolations from steel diaphragm testing. To explore the impact of fastener response variability on shear wall reliability, Monte Carlo simulation of typical cold-formed steel framed wood sheathed shear walls with random fastener input was conducted. Variability in fasteners was determined based on existing physical fastener tests. Statistical properties of shear wall strength, demand capacity ratio of key fasteners, as well as relations between fastener strength and shear wall strength are all explored. Reliability evaluation is provided for four different design methods. The results indicate that shear wall strength benefits from a system effect whereby variability in fastener response is reduced through redistribution resulting in reduced variability in overall shear wall strength. Concomitant with this is a slight decrease, approximately 3%, in the mean system strength that also must be considered.

1 Introduction

Cold-formed steel (CFS) structural systems are commonly used for low and mid-rise construction. In the design of CFS-framed buildings, shear walls are typically used to provide lateral resistance for seismic or wind load (e.g., see Fig. 1). Commonly, wood sheathing, such as oriented strand board (OSB), is screw-fastened to CFS studs and tracks to develop lateral shear stiffness and strength (e.g., see Fig. 2). As the wall is sheared an incompatibility exists between the CFS framing, which is largely deforming as a parallelogram, and the wood sheathing that remains nearly rectangular and primarily undergoes rigid body translation and rotation because of its large in-plane rigidity. The incompatibility between the deformed frame and sheathing causes a relative displacement that must be accommodated at the fasteners. This displacement causes tilting and bending of the fastener, as well as deformation and damage to the steel and wood sheathing material around the fastener. This damage is the source of yielding and energy dissipation in these systems [1,2] . The resulting overall CFS-framed wood-sheathed shear wall cyclic response exhibits significant hysteresis, degradation, and pinching, as shown in Fig. 3. CFS-framed wood-sheathed shear walls have been tested extensively. In North America AISI S400-15 [3] (previously AISI S213-07 and -12 [4]) provides nominal shear wall strength for different types of sheathing, fastener spacing, and stud and track thickness based on the available testing (e.g., see [5,6]). The shear wall strengths in AISI S400 are based directly on tested capacities, and a / = 0.6 is used for the resistance factor in design. This value was selected initially based on typical / value for steel deck diaphragms (which is based on a connector failure limit state and a target reliability, b, of 3.5) and has remain unchanged as additional entries to the tables in the standard have been included. CFS-framed shear walls may be viewed as a small structural system – and system reliability for steel structures in general [7] and CFS structures in particular [9] has been studied recently. Monte Carlo (MC) simulation of models of steel frames have been used to assess component vs. system reliabilities and explore system-level resistance (/) factors based on target system reliabilities as opposed to component reliability [8] . It has been shown that the system reliability of typical CFS framing under gravity demands far exceeds the individual component reliabilities [9]. Also, the reserve strength of CFS CFS-framed floor diaphragms when considered as a system has been calculated [10]. Recognizing the central role that the nonlinear response of the steel-fastener-sheathing connection has on the overall shear wall response Buonopane et al. developed and validated an OpenSees simulation that adequately predicts CFS-framed wood-sheathed shear wall cyclic response [11]. This model provides the potential to conduct MC simulation of CFS-framed shear walls and explore the variability and reliability of their response. This has the potential to provide improvements to the current reliability assessment in AISI S400 [3],which is essentially based on engineering judgment alone. The work herein employs the validated shear wall model of Buonopane et al. [11],the shear wall tests of Liu et al. [1], and steel-fastener-sheathing connection tests of Peterman et al. [12] to perform MC simulations on a series of CFS-framed shear walls and assess the predicted reliability of the studied shear walls. The fastener testing is characterized in terms of a random variable and used to drive MC simulation of the selected shear walls. The simulation results are summarized and explored to provide insight on the importance of load redistribution, fastener location, and the resulting variability of shear wall strength. Next, the reliability of the peak strength based on the MC simulations is determined. Finally four potential shear wall design methods are considered and the reliability of these methods assessed against the available data both with and without consideration of the system effect as discerned from the MC simulation. The paper concludes with discussion of needed future work and the potential for further incorporating system reliability into CFS-framing design.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. پلت‌فرم محاسباتی مه
بسترهای نرم‌افزاری برای یک سیستم مدیریت انرژی باید ویژگی‌هایی داشته باشد و پاسخگوی نیازهای ذکر شده در بخش 1 به‌منظور مقرون به صرفه بودن برای مشتریان عادی باشد. اینترنت اشیاء به یک پارادایم جدید برای اتصال دستگاه‌های هوشمند و قابلیت تنظیم در یک پلت‌فرم پویا و جهانی شبکه تبدیل شده است. که بر فاصله بین دنیای فیزیکی و حضور آن در سیستم‌های اطلاعات غلبه می‌کند [28] – [33].
از این رو، اینترنت اشیا به‌عنوان یک پلت‌فرم ممکن برای فن‌آوری‌های مدرن دیده می‌شود، به‌عنوان مثال، سیستم مدیریت انرژی، خانه‌های هوشمند، و شبکه‌های هوشمند. دامنه عملکرد این پلت‌فرم مقیاس‌پذیر و وابسته به برنامه کاربردی است، به‌عنوان مثال، نظارت HEM و کنترل دستگاه‌های داخل یک خانه [28].
علاوه بر این، اینترنت اشیا ممکن است شامل میلیاردها دستگاه باشد که می‌توانند حس، ارتباط، محاسبه و بکار انداخته شوند. با اينكه، تعداد دستگاه‌ها به شدت وابسته به دامنه عملیات اینترنت اشیا است، به‌عنوان مثال خانه و یا ریزشبکه، در طول سال‌ها حتی در درون یک خانه به شدت در حال رشد بوده است. این عملیات موجب تغییر کنترل از روش سنتی و دستی به سمت کنترل یکپارچه شده است. همچنین، این مقدار زیاد از داده‌های تولید شده توسط اینترنت اشیا احتمالا به‌عنوان بخشی از روش مدیریت، پردازش و تجزیه و تحلیل خواهد شد [34]. ازاین رو، محاسبات ابری به‌عنوان یک راه جدید برای محاسبات متمرکز و ادغام با اینترنت اشیا به‌منظور ارائه قدرت محاسباتی خواهد شد [23]. علاوه‌براین، محاسبات ابری برای مشتریان، زیرساخت، پلت‌فرم، نرم افزار و شبکه حسگر را به‌عنوان خدمات فراهم می‌کند [12]، [35] – [43]. این خدمات به‌منظور داشتن قابلیت اطمینان و عملکرد مندرج در توافق نامه، که برای پلت‌فرم مدیریت انرژی ضروری است، تضمین شده هستند.
بااین حال، افزایش تعداد دستگاه‌ها در اینترنت اشیا، به عنوان مثال سیستم مدیریت انرژی، با استفاده از محاسبات ابری، ممکن است موجب افزایش زمان پاسخ‌دهی و زمان تاخیر برای برخی از دستگاه‌های حساس به تاخیر شود [44] – [46]. از این رو، محاسبات مه برای کاهش برخی از مشکلات ذکر شده در بالا معرفی شده است [47].
محاسبات مه پارادایم محاسبات ابریرا به لبه شبکه هدایت می‌کند. این یک پلت‌فرم است که ممکن است اینترنت اشیا با قابلیت پیش پردازش داده‌ها را در حالی که با نیازهای زمان تاخیر کم مواجهه می‌شوند ارائه کند [29].
همانند سیستم مدیریت انرژی، پلت‌فرم باید صرف‌نظر از اندازه سیستم تطبیقی و مقیاس‌پذیر باشد. همچنین باید دستگاه‌هایی با عملکرد، قابلیت همکاری و ویژگی‌های تعامل به‌منظور کمک به انتقال و پردازش داده‌های تولید شده در زمان پاسخ کافی ارائه کند. مدیریت انرژی – مانند یک برنامه کنترل- در پلت‌فرم محاسبات مه پیاده‌سازی شده است. پلت‌فرم مدیریت انرژی را می‌توان برای هر نوع ساختمان و حوزه‌های عملکردی مختلفی استفاده کرد، به‌عنوان مثال، خانه و یا ریزشبکه. مدیریت انرژی ممکن است مقاصد مختلفی داشته باشد مانند: 1) نظارت و اندازه‌گیری مصرف برق هر دستگاه، به‌عنوان مثال مصرف انرژی خانه ؛ 2) مدیریت مصرف انرژی با کنترل دستگاه‌های کارآمد، به‌عنوان مثال، روشنایی هوشمند، شارژر برق خودرو (EV) [48]، گرمایش، مدیریت تهویه و تهویه مطبوع (HVAC) و غیره. پلت‌فرم مدیریت انرژی یک سیستم از سیستم‌ها است. به‌منظور طراحی پلت‌فرم، سخت‌افزار (بخش دوم-الف را مشاهده کنید)، نرم‌افزار (بخش دوم-ب رامشاهده کنید) و معماری ارتباطات (بخش دوم-ج را مشاهده کنید) باید به‌درستی برای این سیستم‌ها تعریف و یکپارچه گردد (به بخش دوم-د نگاه کنید).
A. معماری سخت‌افزار
سخت‌افزار پلت‌فرم مدیریت انرژی شامل دستگاه‌های متعددی است، بسته به دامنه عملیاتی آن، به‌عنوان مثال، خانه و یا ریزشبکه. این دستگاه‌ها ممکن است براساس ویژگی‌های خود به‌صورت زیر طبقه‌بندی شوند:
1) اتصال: این دستگاه‌ها اتصال میان دستگاه‌های موجود و سازگار را ارائه می‌کنند. سیم‌ها، سوکت‌ها و آنتن‌ها در این دسته جای می‌گیرند.
2) دروازه: دستگاه‌های مختلف ممکن است استانداردها و پروتکل‌های اتصال مختلف داشته باشند، به‌عنوان مثال ZigBee، بلوتوث و اترنت [49]. دستگاه‌های دروازه در صورت لزوم یک اتصال سازگار بین دستگاه‌های متعدد ایجاد می‌کنند.
3) سنسور: سیستم مدیریت انرژی نیاز به نظارت محیط زیست برای تغییرات به موقع دارد، به‌عنوان مثال، آب‌و‌هوا، نور، انرژی قیمت و غیره. این حسگرها ممکن است سیگنال آنالوگ تولید شده توسط محیط زیست را نشان دهند.
4) محرک: سیستم مدیریت انرژی ممکن است برای پیکربندی دستگاه‌های متعدد با توجه به تغییرات محیط زیست، به‌منظور بهینه‌سازی یک متغیر، به‌عنوان مثال مصرف انرژی تصمیم بگیرد. این دستگاه با قابلیت تنظیم در نظر گرفته می‌شوند که ممکن است به صورت محلی و یا از راه دور کنترل شود.
5) پردازش: دستگاه‌هایی که داده‌ها را در سیستم ذخیره، پردازش و تجزیه و تحلیل می‌کنند. همچنین ممکن است پیاده‌سازی کنترل برای پیکربندی دستگاه‌های محرک پیچیده باشد.

تمام دستگاه‌های موجود در یک پلت‌فرم مدیریت انرژی به‌عنوان گره‌های متصل در شبکه‌ی اینترنت اشیا در نظر گرفته می‌شوند. علاوه‌براین، دستگاه‌های متعدد و یا گره‌ها ممکن است به‌عنوان زیرسیستم به‌منظور انجام یک تابع تنها گروه‌بندی شوند. در یک پلت‌فرم HEM، دستگاه‌های هوشمند متعددی، به‌عنوان مثال، تهویه مطبوع، برای بررسی و کنترل به‌منظور کاهش کل مصرف انرژی دردسترس هستند. دستگاه محاسبات ضروری که تمام وظایف نظارت‌ و کنترل را به دست گرفته است کنترل پانل HEMنام دارد. کار اصلی آن کشف و نظارت بر دستگاه‌های مختلف در پلت‌فرم به‌صورت پویا، مسئولیت رسیدگی به درخواست‌های زمانی انعطاف‌پذیر بر اساس الگوریتم پیاده‌سازی شده، به‌منظور بهینه‌سازی یک متغیر است. برای مدیریت مصرف انرژی یک خانه، پلت‌فرم HEM ممکن است نیاز به بازیابی اطلاعات در محیط زیست خانه داشته باشد. شرایط فیزیکی جهان ممکن است توسط چندین سنسور (به‌عنوان مثال دما، رطوبت، نور و غیره) در مکان‌های مختلف از خانه نظارت شود. علاوه بر این، انواع مختلف سنسورها ممکن است در یک دستگاه واحد اجرا شود (به‌عنوان مثال ماژول TelosB). همچنین، یک دستگاه هوشمند ممکن است گره محاسباتی داشته باشد، که در داخل آن پیاده‌سازی شده است. این دستگاه محاسباتی، دستگاه کنترل پنل، کابران یا کنترل پنل HEMرا قادر به پیکربندی دستگاه و یا زیرسیستم در پایین‌تر سطح و با جزئیات بسیار بیشتر از کنترل پنل HEM می‌کند (به شکل 2 نگاه کنید). شکل 2 معماری سخت‌افزار مورد استفاده برای ارتباطات و محاسبات در پلت‌فرم محاسبات مه را نشان می‌دهد. همانطور که در شکل مشاهده می‌کنید، در صورتی که دستگاه و یا زیرسیستم قادر به برقراری ارتباط مستقیم با پلت‌فرم باشد دروازه ممکن است حذف شود.

B. معماری نرم‌افزار
گره‌های محاسباتی، کنترلرها را برای جمع‌آوری، ذخیره، پردازش و تجزیه و تحلیل داده‌ها و مدیریت دستگاه‌ها اجرا می‌کنند. روترهای منبع باز با قابلیت تنظیم توسط کاربر، یک توزیع لینوکس موجود در [50] در یک پردازنده MIPS را اجرا می‌کنند. با استفاده از این روترها به‌عنوان گره‌های محاسباتی ممکن است به توسعه‌دهندگان در کنترل راحت برنامه، تدوین و اجرای آنها بر روی روتر کمک کند.
دستگاه‌های سنسور، به‌عنوان مثال ماژول TelosB با TinyOS سازگار هستند [51] که یک سیستم عامل منبع باز (موجود در [52]) طراحی شده برای سنسورهای بی‌سیم کم قدرت هستند. بنابراین، الگوریتم اجرا شده برای نظارت، فرمان دادن به سنسورها و دریافت داده‌ها از آنها ممکن است به راحتی و به صورت پویا در سنسورها برنامه‌ریزی شود. این انعطاف‌پذیری ممکن است در برنامه‌ریزی سنسور براساس نیازهای خود به توسعه‌دهندگان کمک کند. به‌عبارت دیگر، الگوریتم‌های مسیریابی مختلف و کشف برای انواع مختلف سنسورها (به‌عنوان مثال دما، رطوبت، و نور) ممکن است در حالات مختلف اجرا شود.

کنترل پانل‌ها برای هر زیرسیستم، دستگاه‌های آنها را در شبکه آنها و از طریق یک پروتکل از پیش تعریف شده مدیریت می‌کند. بااین حال، همه زیرسیستم‌ها و دستگاه‌های متصل به شبکه اصلی باید به دنبال یک پروتکل تعریف شده منحصر‌به فرد توسط کنترل پنل HEM (به‌عنوان مثال ZigBee) باشند. بنابراین، ارتباطات بین دستگاه‌ها، اطراف مشخصات دستگاه برای سرویس‌های وب (DPWS) از سرویس‌های وب برای دستگاه‌ها (WS4D) ساخته شده است. همچنین، متکی بر SOAP برروی UDP، SOAP، WSDL و XML Schema است. این پشته پروتکل می‌تواند برای ارسال پیام‌های امن از یک دستگاه به دستگاه دیگر در پلت‌فرم ناهمگون استفاده شود. توسعه‌دهندگان ممکن است از ابزار دردسترس WS4D-gSOAP [53] برای اجرای سرویس مورد نیاز برای هر دستگاه استفاده کنند. دستگاه‌ها ممکن است میزبان خدمات مختلف DPWS سازگار با استفاده از موارد زیر باشند:
1) آردس‌دهی WS: یک مکانیزم آدرس‌دهی برای خدمات وب همانند پیام‌های منتقل شده فراهم می‌دهد.
2) کشف WS: روشی برای کشف خدمات با اعمال نفوذ در پروتکل مبتنی بر IP چندپخشی فراهم می‌کند.
3) WS-MetadataExchange: انواع داده‌های مختلف و عملیات برای دریافت ابرداده را تعریف می‌کند.
4) انتقال WS: برای انتقال ابرداده استفاده می‌شود و بسیار شبیه به HTTP است.
5) WS-Eventing: یک پروتکل تعریف می‌کند که اجازه عضویت خدمات وب یا قبول اشتراک برای پیام‌های اطلاع‌رسانی را فراهم می‌کند.
از آنجا که خدمات وب، پلت‌فرم اگنوستیک می‌باشند، با استفاده از معماری سرویس‌گرا (SOA)، پلت‌فرم انعطاف‌پذیری خود را با اضافه کردن دستگاه‌های جدید، کشف دستگاه‌ها و هماهنگی بین دستگاه‌ها و انتقال داده‌های ساخت یافته بین آنها حفظ می‌کند. همچنین، در پلت‌فرم HEM، دستگاه‌ها و یا کنترلرهای مورد نیاز یک کاربر ممکن است به‌عنوان یک سرویس اضافه و اداره شوند (کنترل به‌عنوان سرویس). علاوه براین، برای ایجاد قابلیت هماهنگ‌سازی و ایجاد قابلیت همکاری بین دستگاه‌ها در شبکه، به‌عنوان مثال، کنترل پنل HEM، دستگاه ممکن است، میزبان خدمات وب eventing باشد. بنابراین، دستگاه‌ها از هر گونه تغییر و حوادثی مربوط به دستگاه‌های دیگر مطلع خواهند شد اگر وقایع به اشتراک گذارده شوند. شکل 3 نشان می‌دهد که چگونه این خدمات در پلت‌فرم به‌منظور ارائه ارتباطات و ویژگی‌های خاص مورد نیاز برای دستگاه اجرا و پیکربندی می‌شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2.2. شبیه سازی بار ترافیکی تصادفی. شبیه سازی بار ترافیکی تصادفی بوسیله نوع، سرعت، فاصله، خطوط رانندگی و وزن وسیله نقلیه تعریف می گردد. بمنظور تجزیه و تحلیل خستگی در مطالعه موجود، نمونه ترافیک تصادفی با توجه به نقش پارامترها در صدمه خستگی ساختاری بهبود یافت. تأثیر تنش اثر گذار خط عرشه فولادی تصادفی درون دو دیافراگم حدود 3.2m هستند، که در مطالعه موردی نشان داده می شود. بنابراین نوع وسیله نقلیه و مسیر رانندگی مانند وزن محور بمنظور شبیه سازی بار تصادفی کامیون انتخاب گردید. دو دلیل برای انتخاب پارامترهای انتخاب شده وجود دارد. ابتدا فاصله گذاری وسیله نقلیه حذف گردید زیرا فاصله وسیله نقلیه بین دو کامیون در خط ترافیک یکسان معمولا بزرگتر از مسیر تنش اثر گذار می باشد. بعلاوه، در نظر گرفتن فاصله گذاری وسیله نقلیه تلاش محاسباتی را در درجه بندی داخلی تجزیه و تحلیل ناپایدار افزایش می دهد. دوما، فاصله گذاری محور و همچنین مسیر رانندگی در ترکیب بندی وسیله نقلیه مورد توجه قرار گرفت، زیرا مسافت فاصله گذاری دو محور و دو مسیر ترافیکی به خط تنش تأثیرگذار نزدیک هستند. نهایتا، سرعت رانندگی به عنوان یک مقدار ثابت جهت در نظر گرفتن اثر دینامیک در مد نظر قرار گرفته شده است. وسایل نقلیه با GVW کمتر از 30kN مد نظر قرار نگرفت، زیرا این وسایل نقلیه اثر کمی بر صدمه خستگی دارند. با توجه به توضیحات بالا، نمونه ترافیکی تصادفی بوسیله سه متغیر تصادفی نوع وسیله نقلیه، وزن محور و مسیر رانندگی شکل گرفت. با توجه به سه پارامتر نشان داده شده در بالا، نمونه بار ترافیکی تصادفی را می توان بوسیله شبیه سازی Monte Carlo ایجاد نمود. فاکتور رشد خطی حجم ترافیک روزانه کامیون (ADTT) 0.5% فرض گردید.
3. متدلوژی
3.1. مبانی نظری. از آنجاییکه هر وسیله نقلیه بلوک های تنش خستگی را در پل روگذر تحریک می نماید، بلوک های تنش خستگی دارای زمان و دامنه متغیر هستند. دو جنبه بایستی برای تجمع آسیب خستگی کامیون بیشتر مد نظر قرار بگیرد. اولا، منحنی S-N باید با در نظر گرفتن ویژگی های تنش پایین و چرخش بالای بلوک های تنش خستگی کامیون تعیین گردند. دوما، گروه های اتصال جوش باید در منحنی S-N قرار بگیرد. مشخصه کد 3 اروپایی در این مطالعه مورد استفاده قرار گرفت، زیرا توجه کامل به ویژگی ها در بالا نشان داده شده است.

3.2. چارچوب محاسباتی پیشنهادی. فرآیند اصلی که نمونه بار ترافیکی مذبور به عملکرد وضعیت محدود خستگی متصل نموده، مدلسازی احتمالی محدوده تنش خستگی بشمار می رود. سه مرحله برای رویکرد سنتی جهت ارزیابی تجمع آسیب خستگی وجود دارد. اولا تاریخچه تنش نقطه خستگی بحران را بموجب بار کامیون در حال حرکت شبیه سازی کنید. دوما تاریخ را با استفاده از روش جریان باران به بلوک های تنش تبدیل کنید. بالاخره آسیب خستگی منحصر بفرد بوسیله منحنی S-N و قانون Miner ارزیابی و انباشته می شوند. بهرحال، این چارچوب برای بار کامیون تصادفی بدلیل مشکل زمان بر ایجاد شده بوسیله اجرای چندین مرتبه کامپیوتر نامناسب است. بنابراین یک چارچوب محاسباتی برای مدلسازی احتمالی ارائه گردیده است.
بمنظور حل مسئله زمان، یک متدلوژی سطح واکنش (RSM)، که به عنوان مدل متا از آن استفاده شده است، بمنظور جایگزین شدن با مدل FE مورد بهرمندی قرار گرفته است. عملکرد سطح واکنش که رابطه بین وزن محور وسیله نقلیه و محدوده تنش هم ارز را توصیف نموده تخمین زده شدند. فلوچارت توضیح کل فرآیند در شکل 4 بطور خلاصه نشان داده شده است. دو فرآیند اصلی از جمله تخمین عملکرد سطح واکنش و مدلسازی احتمالی محدوده تنش هم ارز وجود دارد.

3.2.1. تخمین عملکرد سطح واکنش. از آنجاییکه هر مسیر کامیون بدلیل اثرات چند-محوری و پویا چندین بلوک تنش تحمیل نموده، رابطه بین بار محور و محدوده تنش هم ارز پیچیده است. ادغام طراحی متحد الشکل (UD) و RSM که برای ارزیابی قابلیت اعتماد ارزیابی استفاده شده، بمنظور تخمین عملکرد ضمنی بین وزن محور و محدوده تنش هم ارز مورد استفاده قرار گرفته است. از آنجاییکه 6 نوع وسیله نقلیه وجود دارد، تعداد کل 6 عملکرد برای تمام کامیون ها ضروری می باشد. اول از همه، مرز بالا و پایین GVW باید مشخصص گردد و چندین نمونه توزیع متحد الشکل در ناحیه تعریف شده از طریق رویکرد طراحی متحد الشکل ایجاد گردد. سپس یک آنالیز مؤلفه محدود بمنظور ارزیابی سوابق تنش در مسیر کامیون صورت پذیرد و سوابق تنش از طریق جریان باران به بلوک های تنش تبدیل گردد. در نتیجه بلوک های تنش دامنه متغیر به بلوک های تنش دامنه ثابت تبدیل می گردند. از اینرو دامنه های ورودی و خروجی بدست می آیند. عملکرد سطح واکنش را میتوان با توجه به نوع وسیله نقلیه با نمونه های UD بالا تخمین زد.

3.2.2. مدلسازی احتمالی بر اساس GMM. با توجه به عملکرد سطح واکنش تخمینی، مدلسازی احتمالی را می توان بطور کارآمد انجام داد. هدف از مدلسازی احتمالی ایجاد نمونه احتمالی محدوده تنش هم ارز می باشد. PDF محدوده تنش هم ارز پیچیده بوده و احتمالا مناسب عملکرد توزیع Gaussian یا Lognormal نیستند. بمنظور رسیدگی به این مشکل، نمونه ترکیب Gaussian (GMM) در مطالعه کنونی مورد استفاده قرار گرفته است. GMM قسمتی از توزیع ترکیب محدود بوده که برای توزیع احتمالی و پیچیده مدلسازی مورد استفاده قرار گرفته و مدلسازی آماری متغیرهای تصادفی را با رفتار چند وجهی تقویت می نماید.

4. مورد پژوهشی
یک پل با جعبه تیر آهن فولادی مجزا در اینجا به عنوان نمونه آزمایشی بمنظور نشان دادن کاربرد نمونه خستگی تصادفی بار کامیون مختص مکان برای ارزیابی قابلیت اطمینان مورد استفاده قرار گرفته است. تأثیر پارامترها در نمونه بار ترافیکی تصادفی بر شاخص قابلیت اطمینان مورد بحث قرار گرفته است.
4.1. پل نمونه اصلی. یک پل نمونه اصلی پل با جعبه تیر آهن فولادی در سیچوان چین قرار دارد. چهار مسیر عبور و مرور در جهت مخالف قرار دارد. ابعاد نیمه مقطع عرضی و یک تیرچه U در شکل 5 نشان داده شده است.
نمونه مؤلفه محدود در شکل 6 با استفاده از برنامه تجاری ANSYS ایجاد شده است. در نمونه مؤلفه محدود خط قاطع وابسته به عرض جغرافیایی و طول عمودی بطور نسبی 12.8m، 15m و 3m هستند. عرشه و تیرچه های U با مؤلفه های چهار ضلعی شبکه بندی شده اند، در حالیکه صفحات تقویتی طولی، صفحات دیافراگم و صفحات وب با مؤلفه های مثلثی شبکه بندی شدند.

4.2. آمار متغیرها. مدلسازی احتمالی این متغیرها در (3) یک امر ضروری بمنظور ارزیابی قابلیت اعتماد بحساب می آید. شاخص آسیب و ضریب قدرت خستگی از لحاظ مقاومت از توزیع logonormal پیروی می-کنند. فاکتور توزیع عرضی محور کامیون از توزیع نرمال با مقدار میانگین 0.3 و ضریب متغیر 1 پیروی می-کند. بر اساس فرضیه فوق، آمار متغیرها در LSF در جدول 3 نشان داده شده اند. با توجه به اتصال تیرچه به عرشه و درز نوک به نوک به عنوان مثال، پارامترهای تعیین شده در مشخصه Eurocode 3 در جدول 4 نشان داده شده اند.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

توجه 1 : با یک تغییر پلکانی در سیگنال مرجع (یا اختلال)، یک MV ثابت می تواند برای آن فرض گردد. با نوع دیگری از سیگنال مرجع (یعنی مجموع توابع چندجمله ای) این MV شامل توابع مشابه اصطلاحاً پایه ای می باشد؛ نام PFC از این بیان بر می خیزد. در این مورد یک تابع هزینه (درجه دوم) بایستی مینیمم شود که شامل جمع مربعات خطاهای کنترلی پیش بینی شده در نقاط متفاوت اصطلاحاً نقاط انطباقی می باشد ]2[.

3. الگوریتم PFC برای فرآیندهای SISO
A. فرآیند مرتبه اول بدون زمان مرده
معادله تفاضلی از یک مدل مرتبه اول که در آن ym خروجی مدل می باشد، u ورودی مدل، am پارامتر مدل زمان گسسته بوده و Km بهره استاتیک مدل می باشد. با فرض آنکه سیگنال ورودی واقعی u در طول مدت گستره پیش بینی ثابت نگه داشته می شود، با این وجود، خروجی پیش بینی شده مدل پس از np گام عبارتست فرآیند مرتبه اول با زمان مرده در مورد زمان مرده dm، y(k) بایستی با در معادله (a7) جایگزین گردد. اختلاف بین خروجی فرآیند کنونی و تأخیر یافته توسط اختلاف بین مقادیر خروجی مدل کنونی و مقادیری که پیش تر تأخیر یافته اند تقریب زده می شود.

B. فرآیند نامتناوب مرتبه دوم
یک فرآیند نامتناوب مرتبه دوم مرتبه دوم می تواند توسط یک اتصال موازی از دو فرآیند مرتبه اول با ثابت های زمانی متفاوت توصیف گردد، همانطور که در شکل 3 نشان داده شده است.

توجه 2 : در مورد یک فرآیند با میرایی پایین تابع تبدیل می تواند همانند فرآیندهای نامتناوب در یک روش مشابهی تجزیه گردد، اما ثابت های زمانی و بهره های این زیر مدل، جفت های مزدوج مختلف هستند. می تواند نشان داد که الگوریتم کنترل (13) هنوز معتبر است و برخی از پارامترها مختلف هستند. MV (البته) حقیقی است.
C. فرآیندهای مرتبه بالاتر از جمله زمان مرده
کارخانه های شیمیایی، گرمایی، تهویه و مطلوب سازی هوا اغلب توسط یک فرآیند نامتناوب از مرتبه بالاتر توصیف می گردند. تکنیک یکسانی همانند با فرآیندهای مرتبه دوم می تواند به کار برده شود ]3[. همچنین زمان مرده همانند (9) می تواند در نظر گرفته شود.

4. تنظیم پارامترهای کنترل کننده
مسیر متغیر کنترل شده به موارد زیر بستگی دارد :
• : گستره پیش بینی
• : نرخ کاهش خطاهای کنترلی پی در پی
ریچالت ]2[ انتخاب گستره (افق) پیش بینی را بدین صورت پیشنهاد می کند :
برای فرآیندهای مرتبه اول
نقطه گسسته زمان نقطه خمیدگی پاسخ پله برای فرآیندهای نامتناوب از مرتبه بالاتر
شکل 5 انتخاب گام، از پاسخ های پله و ضربه فرآیند مرتبه دوم شبیه سازی شده را نشان می دهد (نقطه خمیدگی در ).
توجه 3 : این پیشنهاد مربوط به تنظیم پارامتر برای فرآیندهای مرتبه اول و همچنین فرآیندهای نامتناوب به خوبی کار می کند، لیکن در هنگامیکه برای برخی از فرآیندها بکار می رود، از قبیل همراه با شرایط میرایی ضعیف، می تواند سبب فراجهش های بزرگ یا حتی ناپایداری گردد. در ]4[ چندین مثال از این مسئله نشان داده می شوند. خوشبختانه بسیاری از فرآیندهای صنعتی همانند گرم کردن و خنک سازی و غیره، نامتناوب هستند.

5. مدیریت قیود
A. قیود و محدودیت هایی بر متغیرهای تنظیم شده به صورت دستی
هم MV و هم رشد آن می توانند به آسانی محدود گردند. مهم است که مدل فرآیند توسط MV محدود شده تغذیه گردد. این نوع از محدودسازی MV نسبت به تکنیک عدم پایان دهی با کنترل PI، بسیار آسانتر می باشد. شکل 6 محدودکننده سطح و سرعت را نشان می دهد ]5[.

قیودی بر متغیر کنتر ل شده
قیودی بر CV (متغیر کنترلی یا کنترل شده) می تواند با استفاده از دو کنترل کننده PFC که به صورت موازی عمل نموده و همچنین از یک ناظر منطقی که جهت انتخاب کنترل کننده فعال استفاده می کنند، اجرا گردد ]2[، شکل 7 را ببینید. نخستین کنترل کننده PFC-1، MV آتی را جهت ارضای سیگنال مرجع محاسبه می کند و این در حالی است که در مورد همه قیود اعمال شده بر متغیر تنظیم شده به صورت دستی در این حلقه وجود دارد. مورد دوم، کنترل کننده سریع (بالقوه) PFC-2 سیگنال خروجی فرآیند پیش بینی شده مقیدی را به عنوان سیگنال مرجع داراست. ناظر منطقی سیگنال کنترلی کنترل کننده نخست را انتخاب می کند و این در صورتی است که اگر سیگنال خروجی پیش بینی شده از فرآیند قیود خود را رعایت نماید، مگر آنکه، سیگنال کنترلی کنترل کننده دوم توسط ناظر انتخاب گردد. متغیر انتخابی که به صورت دستی تنظیم شده است جهت فرآیند و مدل های درونی کنترل کننده بکار برده می شود. این وظیفه ناظر منطقی، به پیش بینی سیگنالهایی نیاز دارد که نمی توانند در مورد کنترل کننده های PI(D) بکار روند.

6. کد برنامه الگوریتم PFC
این لیست نمونه هایی از کد Matlab محاسباتی بلادرنگ را بر اساس یک فرآیند مرتبه دوم با زمان مرده و با اتخاذ قیود MV ارزانی می دارد.

مشاهده می گردد که این کد جهت بکارگیری یک قانون کنترل PFC ساده است و محاسبات بی پایان نیاز نیست.

7. مقایسه با کنترل PI(D)
در یک بویلر افزایش آب سرد به طور موقت منجر به یک کاهشی در سطح آن می گردد و این چنانست که حبابها در آب جوشان ترکیده می شوند. اگر آب تغذیه گرم تر شود، این سطح افزایش می یابد و به مقدار حالت ماندگار جدید و بالاتر خود دست می یابد. این قبیل فرآیند، تکرار معکوس یا غیر مینیمم فاز نامیده می شود، شکل 8 را ببینید. شکل 9 به ترتیب کنترل PID و PFC را نشان می دهد. در هر دو مورد قوانین میزان سازی استاندارد استفاده گردیده اند. روشن است که PFC بهتر عمل می کند. جدول 1 PFC را با PI(D) مقایسه می کند.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

قابلیت به کار گیری به مفید بودن مدل داخل چارچوب محصولات مختلف نرم افزاری (اندازه، ساختار، توابع) اشاره دارد، محیط گسترده تولید، محیط های عملیاتی گوناگون و فازهای مختلف چرخه حیات.
سادگی. تشکیل یافته از سهولت در جمع آوری داده است که برای شخصی سازی بیشتر مدل ضروری تلقی میشود. همچنین به سادگی مفهومی نیز اشاره دارد که در آن ناظران مدل (مهندسان نرم افزار، مدیران پروژه و متخصصان قابلیت اتکا و سایرین) میتواند طبیعت مدل و برانگاشت آن را درک کنند و مورد استفاده اش برای یک مشکل خاص را تعیین نمایند و همچنین میزانی که در آن مدل در کاربرد مشخص اش از واقعیت جدا میشود. جدا از این مورد، سادگی شامل سادگی در پیاده سازی نیز میشود، به طریقی که مدل میتواند ابزاری کارآمد در مدیریت و مهندسی نرم افزار شود.
سهولت در اندازه گیری پارامترها. این جنبه تعداد پارامترهای مورد نیاز مدل و درجه سختی مرتبط در تخمین شان را لحاظ میکند.
حساس نبودن به نویز. جنبه ای که به ظرفیت مدل جهت انجام دقیق پیش بینی ها اشاره دارد، حتی زمانی که داده شکست ناقص یا حاوی ابهام باشد.
گوئل (گوئل 1985) پیشنهاد میکند پیش از اعمال یک مدل، خطا ها باید به صورت مستقل ارزیابی شوند، بسته به زمان تقویمی، زمان اجرا یا دفعات اجرای برنامه.
گوئل (گوئل 1985) عقیده دارد پیش از اعمال یک مدل، ارزیابی خطاهایش باید مورد مطالعه قرار گیرند، با استناد به زمان تقویمی، اجرا و یا دفعات اجرا. پس متغیرهای مهمی را میتوان انتخاب کرد و گرایش بدست آمده برای یک کلاس خاص از مدل نیز از همین راه است. پس از تخمین، پارامترهای مدل در فاز اول انتخاب میشود، یک تست مطابقت مبتنی بر مدل داده اجرا میشود (تصویر 1). اگر مدل سازگار باشد، معیارهای تخمین گر هم محاسبه خواهند شد و تصمیمات مرتبط با تکمیل یا تداوم تست کردن اتخاذ میشود. طبق تصویر 1، گام تعیین کننده در مورد اعمال مدل سنخیت آن است و نه مقایسه بین مقادیر تخمین زده شده و واقعی.
تکنیک های موجود برای ارزیابی یک مدل در این بخش مورد بررسی قرار گرفته اند، در چارت-U فاکتور بایس و گزارش شباهت محتاطانه تنها زمانی به کار گرفته میشوند که نمونه های رویداد وجود داشته باشند. در مورد نارسایی های نرم افزار باید گفت حداقل برخی از ایرادات نرم افزاری باید رخ داده و مورد بررسی قرار گیرند. در مورد دستگاه های برنامه پذیر قابل اتکا در حال کار نیز باید گفت این فرض کمی غیر واقعی خواهد بود. پس این روش ها بیشتر برای مدل های در حال رشد قابلیت اتکای نرم افزار کارآیی دارند، که به طور عمده مرحله پیشبرد چرخه حیات یک نرم افزار را نشان میدهد.

2.1. چارت-U
روش های دیگری هم برای اعتبارسنجی و مقایسه مدل ها وجود دارد، از جمله شباهت اعتبار-متقابل (بائت 1998). چارت-U برای سنجش نزدیک بوده مقدار تابع تعیین توزیع تجمعی بدیهی به مقدار توزیع واقعی به کار میرود (بر اساس مشاهدات موجود). مشخص است که متغیر تصادفی توزیع یکنواخت در بازه های مختلف دارد. پس اگر دستاوردها (برای مثال زمان شکست) مشاهده و محاسبه گردد، پس باید یک دستاورد از متغیر تصادفی واحد باشد. هرگونه انحراف از این یکنواخت بودن نشان دهنده انحراف خواهد بود.
برای پیدا کردن انحرافات (در صورت وجود) تابع توزیع نمونه از مشاهدات تبدیل شده به کار میرود. نمودار یک تابع پلکانی است که از تعداد بازه ها تشکیل یافته است. پس یک تابع پلکانی صعودی است که در هر گام بر روی یک مقدار از بعد افقی نوشته میشود.
هر چقدر این نمودار به خط شیب نزدیک باشد، نزدیکتر خواهد بود. در طرف دیگر، هرگونه انحراف سیستماتیک از شیب یکنواخت نشان دهنده ابهام در توزیع احتمال است.
این مفاهیم را میتوان به عنوان معیار عملیاتی نیز در نظر گرفت، آنهم از طریق یافتن فاصله کولموگروف (انحراف عمودی بیشینه دقیق) بین خط پیش بینی دقیق از منحنی 1 و دیاگرام متاثیر از آن.
2.2. چارت-Y
چارت-Y درجه وابستگی مدل گرایش را نشان میدهد؛ برای مثال یک مدل میتواند در مورد تعداد نارسایی های نرم افزار در ابتدا بدبین باشد، بعضی اوقات بسیار خوشبین.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

(ترجمه به صورت خلاصه انجام شده است)

F2133

خلاصه 

     در این مقاله به بررسی عدم قطعیت های موجود در داده های هندسی و خواص مربوط به بتن تقویت شده در سازه ها، بر مبنای طراحی مهندسی لرزه ای خواهیم پرداخت. قابلیت اطمینان، به کمک روش های مختلف مانند آنالیز استاتیکی پوش آور که بر پایه المان محدود می باشد ارزیابی شده است. روش های مورد استفاده برای بررسی قابلیت اطمینان شامل کوپل کامل با کد المان محدود خارجی و پاسخ سطح خواهد بود که بر اساس قابلیت اطمینان مرتبه اول و روش نمونه سازی بنا شده اند. احتمال واماندگی با توجه به روش های مورد استفاده به دست آمده است. در این بررسی آنالیز همگرایی نیز انجام شده است. طول مدت انجام آنالیز به عنوان تابعی از روش مورد استفاده در نظر گرفته شده است. نتیجه به این صورت بود که زمان برای روش کوپلینگ، بیشتر از روش پاسخ سطح بود. برای سازه با بتن تقویتی که مد نظر این مقاله بوده است، متغیر های مهمی در روشهای مورد نظر وجود دارند. پیشنهاد ما در این مقاله روش کوپل کامل می باشد، اما روش قابلیت اطمینان مرتبه اول که مربوط به مدل پاسخ سطحی است نیز می تواند مورد استفاده قرار گیرد که دقت بالایی نیز خواهد داشت.

1 – مقدمه

     مدل سازی واقعی بر اساس آنالیز قابلیت اطمینان در ساختمان هایی با ریسک حوادثی مانند زمین لرزه، موضوعی جالب برای طراحان سازه های لرزه ای می باشد. لیل و همکاران [ 16 ]، مولر و همکاران [ 19 ]، پیلوسو و همکاران [ 22 ]، بوراتی و همکاران [ 2 ] و کلیک و الین وود [ 3 ]. در تمامی تحقیقات در این زمینه، عیب یابی و نو سازی سازه های قدیمی مانند موزه ها، از مهم ترین دلایل تحقیقات می باشد. سایر دلایل، مرتبط با مهندسی بر پایه عملکرد می باشند. 

     مهندسی بر پایه عملکرد، موفقیت های فراوانی را در زمینه زمین لرزه بدست آورده است. علاوه بر تنظیم کلاسیک و کدهای لرزه ای، که به منظور تضمین امنیت ساکنین ایجاد شده اند، این روش شامل حالت های بحرانی دیگری می شود که در طراحی ساختمان از اهمیت زیادی برخوردارند. این حالت های عملکردی وابسته به شاخص هایی مانند میزان تحمل خرابی می باشند. پیش بینی این حالت های عملکردی به صورت پارامترهایی است که ساکنین و مالکین ساختمان بتوانند از سطح خطری که با آن مواجه هستند آگاه باشند. بدین منظور، مدل سازی عددی رفتار سازه ای و انتشار عدم قطعیت مورد نیاز است. این موارد به طور کلی در چهارچوب آنالیز قابلیت اطمینان انجام می شوند. عدم قطعیت های ایجاد شده در مسئله، ناشی از خواص مواد، ابعاد هندسی و یا نیروهای اعمالی می باشد. این پارامترها به عنوان پارامترهای اتفاقی شناخته می شوند. همچنین عدم قطعیت ها می توانند ناشی از عدم اطلاعات کافی از مقادیر پارامترهای مختلف در سازه باشند.

     امروزه پیش بینی رفتار پیچیده سازه به صورت گسترده و با استفاده از روش المان محدود صورت می گیرد. به عنوان مثال، این روش به منظور ارزیابی گسترش ترک در تحقیقات سویا و همکاران [ 3 ] استفاده شده است. در حضور عدم قطعیت ها که پارامترهای سازه را تحت تاثیر قرار می دهند، می توان از روش های المان محدود اتفاقی نیز استفاده کرد. داده های ورودی برای محاسبات المان محدود، با متغیرهای اتفاقی در تعامل می باشند تا تغییرات ماده، هندسه و بارگذاری را به خوبی نشان دهند. توسط مدل سازی انتشار عدم قطعیت، مانند فرایند monte carlo، نتایج حاصل خواهند شد. آنالیز قابلیت اطمینان المان محدود روشی است که آنالیز المان محدود اتفاقی را با برخی توابع عملکردی ترکیب می کند. تابع عملکرد، وابسته به مقادیر پاسخ آنالیز المان محدود بوده و تابعی ضمنی از داده های ورودی می باشد. تابع عملکرد فضای داده را به دو ناحیه تقسیم می کند : ناحیه امن و ناحیه واماندگی. تا زمانی که تابع عملکرد به صورت صریح شناخته نشده باشد و فرایند monte carlo نیز زمان بر باشد، جستجوی نقطه طراحی توسط روش های آنالیز قابلیت اطمینان انجام می شود. 

     مروری بر کوپل بین آنالیز قابلیت اطمینان FORM و روش المان محدود در تحقیقات کیرگیان [ 4 ] انجام شده است. همچنین در این تحقیق، نتایج حاصل از بررسی های لیو [ 17 ]، ژانگ [ 5 ]، هالدار [ 11 ]، ایمای [ 14 ]، سودرت [ 25 ]، فرانکین [ 7 ] و سورنسن [ 8 ] نیز استفده شده اند.آنالیز المان محدود قابلیت اطمینان با استفاده از کوپل بین یک کد المان محدود و روش هایی مانند FORM یا monte carlo، با وجود اینکه محاسباتی زمان بر هستند ولی مورد استفاده قرار می گیرند. این نیز بدین دلیل است که در هر تکرار، تابع حدی و مشتقات آن توسط محاسبات المان محدود بدست می آیند. روشی موثر که FORM و نمونه سازی را در نقطه واماندگی ترکیب می کند توسط هاکاس و کیرگیان ارایه شده است. در روش نمونه گیری ISM، تعداد محدودی از ارزیابی های تابع حدی، برای بدست آوردن نقطه تقریبی استفاده می شود. هاکاس و کیرگیان، مثال های عددی شامل مدل های جامع المان محدود غیر خطی با 500 متغیر اتفاقی که بیانگر حالت همگرایی ISM می شود را ارایه کردند. 

2 – مورد مطالعه

     به منظور ارزیابی روش های مختلف برای محاسبه عدم قطعیت ها در چهارچوب آنالیز قابلیت اطمینان المان محدود در محیط OPENSEES، یک سازه 4 طبقه با بتن تقویت شده در نظر گرفته شده است. در این سازه، آنالیز پوش آور غیرخطی استاتیکی به منظور تعیین عملکرد لرزه ای کافی می باشد. ارتفاع هر طبقه 3 متر در نظر گرفته شده است. شکل 1 ارتفاع عمودی و نمای صفحه ای را نشان می دهد. شکل 2 نشان دهنده مقاطع بتن به همراه تقویت کننده هاست که با استفاده از EUROCODE2 محاسبه شده است. جدول 1 نشان دهنده بارهای عمودی گره ها بر حسب KN می باشد و جدول 2 نیز بارهای جانبی لرزه ای را بر حسب KN نشان می دهد. 

     استحکام نهایی لایه خارجی بتن و همچنین مدول های یانگ فولاد تقویتی، به صورت متغیرهای تصادفی مدل شده اند. این پارامترها در مدل المان محدود به صورت ذاتی و غیر قابل کاهش خواهند بود. سایر پارامترهای مربوط به ماده، هندسه و بارگذاری نیز در نظر گرفته شده اند. جدول 3 مقادیر اسمی پارامترهایی مانند خواص مواد که در آنالیز قابلیت اطمینان سازه RC مورد استفاده قرار می گیرند را نشان می دهد. جدول 4 نیز نشان دهنده مدل سازی عدم قطعیت متغیرهای اتفاقی می باشد. 

4-نتیجه گیری

     نشان داده شد که آنالیز قابلیت اطمینان کوپل کامل، نتایجی مشابه با نتایج پاسخ سطح تقریبی را نخواهد داشت. این آنالیز در حالت کلی احتمال واماندگی را پیش بینی می کند. حداکثر اختلاف نسبی بین این روش ها 41.5 درصد می باشد. این مقدار اختلاف نیز بین روش های کوپل/FORM و RSM/ISM خواهد بود. در هر دو حالت، نتایج روش monte carlo بسیار دقیق تر از نتایج روش FORM خواهد بود. به طور کلی روش FORM، واماندگی را به صورت محتاطانه تر تقریب می زند. نتایج بدست آمده نشان می دهند که آنالیز قابلیت اطمینان کوپل کامل بهتر از آنالیز FORM عمل می کند زیرا که آنالیز FORM واماندگی را به صورت اغراق آمیز نشان می دهد. روش ISM همیشه زمان بر تر از روش FORM بوده است. در مقایسه این روش ها، روش سطح پاسخ نیاز به نیروی کار اضافی دارد. تاثیر داده های انتخابی بر روی مدل در آنالیز قابلیت اطمینان کوپل کامل بسیار مهم می باشد. این اثر در آنالیز قابلیت اطمینان پاسخ سطح کاهش می یابد. به منظور انجام آنالیز لرزه ای، باید در انتخاب پارامترهای عدم قطعیت دقت بیشتری به خرج داد. تنها استفاده از استانداردها کافی نبوده وPDF نیز باید مشخص شود. در حین استفاده از آنالیز قابلیت اطمینان پاسخ سطح، نشان داده شد که در اینجا نیز روش FORM، احتمال واماندگی را در مقایسه با روش ISM به صورت اغراق آمیزی نشان می دهد. از این نتایج می توان برای سایر مسائل مرتبط با آنالیز قابلیت اطمینان استفاده کرد. همچنین آنالیز کاملی برای ارزیابی عملکرد سایر روش ها مورد نیاز است.