تحلیل حساسیت مدلهای یادگیری ماشین در پایش سلامت سازه ها با استفاده از دادههای شبیه سازی شده

پایش سلامت سازه ها (Structural Health Monitoring – SHM) یکی از چالش های اساسی در مهندسی عمران و زلزله است که هدف آن ارزیابی مستمر وضعیت سازه ها و تشخیص به موقع آسیب های ساختاری می باشد. با توجه به پیچیدگی داده های لرزه ای، بهره گیری از روش های یادگیری ماشین می تواند به بهبود دقت و سرعت تحلیل این داده ها کمک کند. در این پژوهش، حساسیت و عملکرد چهار مدل یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random forest) و شبکه عصبی مصنوعی (ANN) در تشخیص سطح آسیب دیدگی سازه ها با استفاده از داده های شبیه سازی شده مورد بررسی قرار گرفته است. نتایج به دست آمده نشان می دهد که مدل جنگل تصادفی با دقت ۹۹% دقیق ترین پیش بینی را ارائه داد، در حالی که شبکه عصبی مصنوعی نیز با دقت ۹۸% عملکرد بسیار مطلوبی از خود نشان داد. مدل SVM با دقت ۹۴% و رگرسیون لجستیک با دقت ۸۹%، بیانگر آن است که مدل های پیچیده تر و غیرخطی، می تواند به طور قابل توجهی دقت پایش سلامت سازه ها را افزایش دهد.

کلیدواژه ها:

پایش سلامت سازه ها ، یادگیری ماشین ، جنگل تصادفی ، شبکه عصبی مصنوعی ، داده های لرزه ای