عیب یابی یکی از شاخه های کنترل سلامت سازه ها می باشدکه با توجه به لزوم تشخیص به موقع خرابی ها و جلوگیری از پیشرفت آن ها، یکی از فعال ترین زمینه های تحقیقاتی است. وقوع آسیب در سازه ها باعث تغییر جرم ، سختی و خواص میرایی سازه گردیده و در پی آن ، پاسخ های استاتیکی و دینامیکی سیستم نیز تغییر می کند. امروزه ، بیشتر تحقیقات بر اساس حداقل سازی اختلاف پاسخ سازه سالم و خراب ، انجام می گیرد.در این پژوهش ، عیب یابی سازه ها با استفاده از پاسخ های فرکانس و الگوریتم های هوش مصنوعی از جمله(elm) extreme learning machine ، ماشین بردار پشتیبان حداقل مربعات ، شبکه های عصبی انتشار بازگشتی وتابع بنیادی شعاعی انجام شده و این الگوریتم ها در روند عیب یابی مورد مقایسه قرار می-گیرند. نتایج حاصله ، بیانگر دقت و سرعت مناسب الگوریتم elm به صورت توامان نسبت به سایر الگوریتم ها می باشد. به علاوه ، به منظور بهبود عملکرد الگوریتم elm در روند عیب یابی سازه ها و برطرف کردن معایب آن ، یک روش هوشمند جهت تعیین تابع تحریک وتعداد بهینه نرون های لایه مخفی شبکه عصبی با استفاده از الگوریتم اجتماع ذرات ، ارائه شده است . در این راستا ، بهترین تابع تحریک از بین توابع تحریک به صورت هوشمند با کمک الگوریتم بهینه ساز pso در روند عیب یابی انتخاب می-شود. این الگوریتم جدید که oelm نامگذاری شده ، از ترکیب الگوریتم بهینه ساز pso و روش هوش مصنوعی elm ایجاد شده و کارایی آن جهت سازه های مختلف مورد بررسی قرار گرفته است. نتایج عددی بیانگر دقت بالای الگوریتم oelm در عیب یابی سازه می باشد.