دانشگاه قم پژوهش های زیرساخت های عمرانی 2783-140X 3 2 2018 02 20 Damage Detection Using Wavelet Packet Decomposition and Random Forests Algorithm in Experimental Structure at the UBC (University of British Columbia) تشخیص خرابی سازه با استفاده از بسته موجک و الگوریتم جنگل تصادفی در سازه آزمایش شده در مرکز تحقیقات لرزه ای دانشگاه بریتیش کلمبیا 51 60 970 10.22091/cer.2017.2209.1091 FA امید حبیب زاده آذری کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه تبریز. حسین غفارزاده دانشیار، دانشکده فنی مهندسی، دانشگاه تبریز. Journal Article 2017 06 28 Damage Detection methods based on signal are principal and widely used methods that contain wavelet packet decomposition, which is one of new methods in this field. On the other hand there are lots of methods and implements for evaluate models which classify data and regression.Random Forests ,which is newly used method has attracted researchers attention. In this paper a experimental structure was designed and analyzed. drifts from time history response were decomposed to energy rate indexes by wavelet packet decomposition. energy rate indexes in each damage conditions were classified in 3 class of damage conditions and they made data base. finally by training the algorithm, R-F tested other conditions with comparing data base and other near damage conditions, and classified in one of 3 classes. Random Forests precision in this research was 83% which is admissible for classifying. this algorithm can be used on other researches in the future time. امروزه روش شناسایی خرابی بر پایه سیگنال، روشی مهم و پرکاربرد است که بسته موجک یکی از جدید ترین شاخه های این روش هاست. از طرف دیگر، در علم مهندسی ابزار زیادی جهت ارزیابی مدل های تحلیل شده وجود دارد؛ که این ابزار به طبقه بندی و یا رگرسیون داده ها می پردازند. در سال های اخیر روش جدیدی به نام جنگل تصادفی توجه محققین را جلب کرده است. در این مقاله به مدلسازی یک سازه پرداخته شده که جابجایی سازه تحت بوسیله بسته موجک به مولفه های انرژی تجزیه شدند و در کلاس های سه گانه طبقه بندی شدند. در نهایت جنگل تصادفی با استفاده از پایگاه داده ها و خرابی های نزدیک، به حدس دیگر حالات خرابی و طبقه بندی آن ها در کلاس مربوطه پرداخت. دقت جنگل تصادفی در این مقاله 83% بدست آمد که مقداری قابل قبول است ومی تواند در کارهای بعدی مورد استفاده بیشتر قرار بگیرد. https://cer.qom.ac.ir/article_970_927af25cbbca3ed03e9b8af1e8bcad20.pdf