Intelligent Structural Health Monitoring of Hydraulic Structures Using Hybrid Deep Learning Models

PourSheikh Ali Asghari¹

Abstract :
Abstract Hydraulic structures such as dams, spillways, and energy dissipation systems are critical components of water resource infrastructure and are continuously exposed to complex hydraulic, mechanical, and environmental loads. These conditions often lead to progressive deterioration that is difficult to identify using conventional Structural Health Monitoring (SHM) techniques, particularly when large scale, heterogeneous, and time dependent sensor data are involved. This study presents a hybrid physics informed deep learning framework for advanced health monitoring and damage assessment of hydraulic structures. The proposed approach integrates Convolutional Neural Networks (CNNs) to extract spatial features from vibration, strain, and pressure measurements with Long Short Term Memory (LSTM) networks to capture the temporal evolution of structural responses under varying operational conditions. To ensure physically consistent predictions, physics based constraints derived from hydraulic and structural mechanics are incorporated into the learning process. The model is evaluated using a combination of high resolution numerical simulations and long term monitoring data, representing both normal and degraded structural states. The results demonstrate that the proposed CNN–LSTM framework significantly outperforms conventional machine learning models in terms of anomaly detection accuracy, damage characterization, and remaining useful life estimation. The findings highlight the strong potential of the proposed methodology for real time structural assessment and predictive maintenance, offering a reliable decision support tool for improving the safety, resilience, and operational efficiency of critical hydraulic infrastructure.

Keywords : hydraulic structures structural health monitoring (shm) hybrid deep learning cnn lstm architecture predictive maintenance

---

زبان مقاله : انگلیسی
محور مقاله : مهندسی عمران
محل انتشار : پنجمین کنفرانس بین المللی مقاوم سازی لرزه ای
آدرس وب سایت کنفرانس : 5icst.ir
کد IOI مقاله : AACZ-ABGDDE
لینک مستقیم مقاله : https://isnac.ir/AACZ-ABGDDE
نمایش چکیده فارسی : https://isnac.ir/SA/AACZ-ABGDDE

سایر مقالات ارائه دهنده

1. Intelligent Structural Health Monitoring of Hydraulic Structures Using Hybrid Deep Learning Models
2. مقایسه رفتار لرزه ای مهاربندهای کلان با مهاربندهای ضربدری در سازه‌‌‌های فولادی بلند مرتبه
3. پایش هوشمند سلامت و تشخیص عیب در تجهیزات سکوهای فراساحلی نفت و گاز: یک مرور سیستماتیک

سایر مقالات محل انتشار

1. بازیافت هوشمند مصالح ساختمانی: رویکردی نوین برای کاهش پسماند و توسعه پایدار در ایران
2. تقویت تعاملات اجتماعی با سازماندهی سلسله‌ مراتب فضاهای باز در مجتمع تجاری- اداری
3. Short-term electrical load prediction based on a system identification model in an actual educational building
4. پیشینه مدیریت بحران و جایگاه اسکان موقت و نقش هوش مصنوعی در مدیریت بحران زلزله
5. بهسازی و مقاوم سازی لرزه ای دیوارهای بنایی با استفاده از الیاف GFRPشبکه ای: مطالعه عددی با نرم افزار ABAQUS
6. تاثیرات بام سبز بروی مشکلات مردم در رابطه با فضای
7. Three-Dimensional Shear Wave Velocity Modeling in Tabriz City Using Ensemble Neural Networks and Geospatial Interpolation
8. بازآفرینی جداره‌های شهری رودخانه بالقلوچای با تأکید بر تعامل سازنده با طبیعت
9. الهام از سیستم های زیستی در طراحی معماری پایدار ، پیوند معماری بایونیک با اصول معماری سبز
10. مقاوم‌سازی سازه‌های بتنی قدیمی با استفاده از کامپوزیت‌های FRP و ارزیابی تأثیر آن بر رفتار لرزه‌ای
11. مقاوم‌سازی ساختمان‌های فولادی با استفاده از دیوارهای برشی بتنی پیش‌ساخته و ارزیابی تأثیر آن بر پایداری لرزه‌ای
12. ضرورت مطالعه اثرات تغییر اقلیم بر برنامه‌ریزی و طراحی شهری
13. کاربرد هوش مصنوعی و اینترنت اشیاء در صنعت ساختمان و معماری: فرصت ها، چالش ها و افق پیش رو
14. بررسی هویت شهری و مولفه‌های هویت بخش آن نمونه موردی: شهر گلستان
15. طراحی موزه شعر و ادب با رویکرد تقویت تعاملات اجتماعی و فرهنگی در شهر ساری