مروری بر کاربرد هوش مصنوعی و یادگیری ماشین در پایش سلامت سازه‌ای ساختمان‌ها و پل‌ها

مروری بر کاربرد هوش مصنوعی و یادگیری ماشین در پایش سلامت سازه‌ای ساختمان‌ها و پل‌ها

مژده حدادی زاده1

1) کارشناس ارشد مهندسی عمران، پژوهشگر مستقل

کد IOI مقاله : ABFG-ACADBC
محل انتشار : دوازدهمین کنگره سالانه بین المللی عمران، معماری، هنر و توسعه شهری(12icsau.ir)
چکیده :
    پایش سلامت سازه‌ای (SHM) با هدف ارزیابی پیوسته یکپارچگی سازه‌ها و شناسایی زودهنگام آسیب انجام می‌شود. پیشرفت سخت‌افزار حسگری و توان محاسباتی، به‌ویژه ارزانی شتاب‌سنج‌ها، زمینه استفاده از الگوریتم‌های یادگیری ماشین را در این حوزه فراهم کرده است. این مقاله مروری، پژوهش‌های سال‌های 2011 تا 2022 را که از شبکه‌های عصبی مصنوعی (ANN)، شبکه‌های عصبی کانولوشنی (CNN) و ماشین بردار پشتیبان (SVM) برای شناسایی آسیب در ساختمان‌ها و پل‌ها بهره برده‌اند، گردآوری و مقایسه می‌کند. ابتدا سطوح شناسایی آسیب و روش‌های استخراج ویژگی حساس به آسیب شامل تحلیل مؤلفه‌های اصلی، تبدیل موجک، تجزیه مود تجربی و تبدیل هیلبرت–هوانگ معرفی می‌شود؛ سپس مدل‌های فیزیک‌محور و داده‌محور و راهکارهای مقابله با نوفه و عدم‌قطعیت‌های محیطی بررسی می‌گردد و در پایان روندهای نوین سال‌های 2023 تا 2026، به‌ویژه یادگیری فیزیک‌آگاه و دوقلوی دیجیتال، مرور می‌شود. جمع‌بندی مرور نشان می‌دهد که ترکیب این الگوریتم‌ها با پیش‌پردازش سیگنال و همجوشی داده‌های چندحسگری، دقت و استحکام سامانه‌ها را افزایش می‌دهد؛ اما کمبود داده‌های واقعی آسیب، وابستگی به مدل اجزای محدود، هزینه آموزش مدل‌ها و دشواری پایش بی‌درنگ از چالش‌های اصلی باقی می‌مانند. به‌کارگیری رویکردهای ترکیبی فیزیک–داده، چه برای تولید داده و چه برای به‌روزرسانی مدل، برای پژوهش‌های آینده پیشنهاد می‌شود.

کلمات کلیدی : پایش سلامت سازه هوش مصنوعی یادگیری ماشین شناسایی آسیب شبکه عصبی ساختمان