Comparison of methods for automatic modal analysis

Abstract

Denne masteroppgåva samanliknar to algoritmar føreslege av Reynders (2012) og Yang (2019) for automatisk modal analyse. Algoritmane er implementert ved bruk av objektorientert programmering i Python. Samanlikninga er gjennomført ved analyse av numerisk data generert frå ei analytisk skjerramme, og data henta frå Elgeseter bru i samband med oppgåva.

Dei to algoritmane er overordna like i framgangsmåte, og gjev for dei fleste bruksområde tilfredsstillande resultat. Reynders sin algoritme er meir optimistisk og finn på jamnen fleire systemmodar. Det er tidvis stor spreiing i klyngene med modar (clusters), som alle skal estimera den same systemmoden. Yang sin algoritme er meir selektiv og finn på jamnen færre systemmodar. Klyngene med modar er mindre og har høgare kvalitet enn klyngene frå Reynders sin algoritme. Mykje av forskjellen kjem av det siste steget i Yang sin algoritme. Der vert mellom 25% og 50% av klyngje-modane fjerna ved teknikken «Local Outlier Factor Detection». Hovudforskjellen kjem likevel av måten klyngjene vert til og korleis dei dårlege klyngjene vert fjerna.

Val av algoritme kjem an på problemet. Kort sagt bør Reynders sin algoritme veljast viss målet er å detektera flest mogleg modar, og Yang sin algoritme veljast viss analyse utan feil og deteksjon av modar med høg presisjon er målet. Viser elles til kapittel 5 for ein grundigare oversikt over forskjellane.

Uavhengig av metode er resultata sterkt avhengig av inputen. Til dømes var kvaliteten på måledataen frå Elgeseter bru noko dårleg, som igjen førte til middelmåtig kvalitet på analyseresultatet.

This master's thesis compares two algorithms created by Reynders (2012) and Yang (2019) for automatic modal analysis. The algorithms are implemented using object-oriented programming in Python. The comparison was carried out by analysis of numerical data generated from an analytical shear frame, and self sampled data collected from Elgeseter bridge in connection with the thesis.

The two algorithms have similar overall procedures and give satisfactory results for most applications. Reynders' algorithm is more optimistic and finds more system modes. There is also a greater spread in the clusters with modes, all of which must estimate the same system mode. Yang's algorithm is more selective and finds fewer system modes. The clusters with modes are smaller in length and yield higher quality modes than the clusters created with Reynders' algorithm. Much of the difference comes from the last step in Yang's algorithm. Between 25% and 50% of cluster modes are removed by the "Local Outlier Factor Detection" technique. The main difference comes from the clustering technique, and how they are filtered.

The choice of algorithm depends on the object of the analysis. Reynders should be chosen if detecting as many modes as possible is the main priority. Yang is the preferred choice if errors are not tolerated, and high precision is the aim. See Chapter 5 for a more thorough overview of their differences.

Measurement quality has a big affect on the results, regardless of algorithm chosen. This was the case with the lower quality measurements from Elgeseter, which led to mediocre quality of the analysis.