Öz
Bu
çalışmada, 3 boyutlu çelik çerçeve deneysel numunenin, sarsma masası deneyinde
LVDT ve ivmeölçer ile edilen dinamik yer değiştirme parametreleri, görüntü işleme tekniği ile istatiksel olarak
hesaplanan dinamik yer değiştirme parametreleri ile karşılaştırılmıştır.
Görüntülerde referans alınan bölgenin yer değiştirme parametreleri şablon
eşleştirme yöntemi ille belirlenmiştir. Fakat referans alınan bölge yer
değiştirirken piksel derinliği, yer değiştirme ve şekil değiştirmeye bağlı
olarak değişebilmektedir. Bu durumda istatiksel olarak yapılan hesaplamalarda
hatalar oluşabilmektedir. Bu sebeple şablon eşleştirme yönteminde akıllı tarama
sistemi geliştirilerek hata yapma oranı en aza indirgenmiştir. Klasik şablon
eşleştirme yöntemlerinde referans şablon, tüm görüntüde aranmaktadır. Bu durum
hem maliyetli hem de hata yapma durumu mevcuttur. Akıllı tarama sisteminde,
referans şablonun hızına bağlı olarak tarama alanı belirlenmektedir. Böylece
sonraki görüntülerde hareket eden şablonun takip mesafesinde kalınmaktadır. Yapılan çalışmalarda akıllı tarama sistemi
ile şablon eşleştirme yönteminin hata oranları
% 0.1’in altında bulunmuştur. Ayrıca 3 boyutlu çelik çerçeve sistemi
Abaqus SE programı ile modellenmiş olup, çelik çerçeve üzerinde referans alınan
noktalardaki yatay dinamik yer değiştirmeler, görüntü işleme tekniği ile elde
edilen verilerle karşılaştırılmıştır.
Anahtar Kelimeler
Sarsma masası deneyi Görsel işleme tekniği Normalize edilmiş çapraz korelasyon katsayısı Çelik çerçevenin dinamik parametreleri
Kaynakça
- Choi, I., Kim, J., & Kim, D. (2016). A Target-Less Vision-Based Displacement Sensor Based on Image Convex Hull Optimization for Measuring the Dynamic Response of Building Structures. Sensors, 16, 1-17.
- Erdoğan, Y. S. (2018). Sayısal Görüntü İşleme ile Titreşim Yer Değiştirmelerinin Ölçümü ve Modal Parametre Tayini. Dokuz Eylül Üniversitesi-Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 20(59), 401-415.
- Feng, D., & Feng, M. Q. (2017). Experimental validation of cost-effective vision-based structural health monitoring,. Mechanical Systems and Signal Processing,, 88, 199-211.
- Fırat Alemdar, Z., Browning J., Matamoros A., "Photogrammetric Measurements of RC Bridge Column Deformations", Journal of Engineering Structures, vol.33, pp.2407-2415, 2011
- Freng, M. Q., Fukuda, Y., Feng, D., & Mizuta, M. (2015). Nontarget Vision Sensor for Remote Measurement of Bridge Dynamic Response. Journal of Bridge Engineering, 20, 1-11.
- Ji, Y. F., & Chang, C. C. (2008). Nontarget image-based technique for small cable vibration measurement. Journal of Bridge Engineering, 13, 34-42.
- Jo, B.-W., Lee, Y.-S., Jo, J., & Khan, R. (2018). Computer Vision-Based Bridge Displacement Measurements Using Rotation-Invariant Image Processing Technique. Sustainability, 10, 1-16.
- Khuc, T., & Catbas, F. N. (2017). Completely contactless structural health monitoring of real-life structures using cameras and computer vision. Structural Control and Health Monitoring, 24.
- Kılınç , İ. (2009). Çelik Malzemelerde Korozyon Oyuklarının Görüntü İşleme Yöntemiyle İncelenmesi, Yüksek Lisans Tezi. Sakarya: Fen Bilimleri Enstitüsü,Sakarya Üniversitesi.
- Kim, S. W., & Kim , N. S. (2013). Dynamic characteristics of suspension bridge hanger cables using digital image processing. NDT&E International, 59, 25-33.
- Mahdavi, M. (2014). Arı-I Sarsma Masası Performans Değerlendirmesi. İstanbul: İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü.
- Onat, M. (2008). Dijital görüntü işleme yöntemleriyle lifli beton numunelerindeki çatlakların tespit edilmesi. Elazığ: Fırat Üniversitesi Fen Bilimleri Enstitüsü.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 29 Eylül 2019 |
| Gönderilme Tarihi | 7 Şubat 2019 |
| Yayımlandığı Sayı | Yıl 2019 |