نظارت هوشمند بر سلامت سازهها با استفاده از هوش مصنوعی: رویکردی نوین در پیش بینی خرابی لرزه ای

نظارت بر سلامت سازه ها (SHM) فرآیندی حیاتی برای تضمین ایمنی و پایداری سازه ها تحت بارهای لرزه ای (شامل حداکثر زمین لرزه ۱.۵g)، بادی (سرعت ۵۰ متر بر ثانیه)، و ثقلی (۱۰ کیلونیوتن بر مترمربع) است. در سال های اخیر، پیشرفت هوش مصنوعی (AI) این حوزه را مبحو کرده و امکان پیش بینی دقیق تر خرابی ها را فراهم آورده است. این مطالعه کاربرد الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق را در نظارت هوشمند بر سلامت سازه ها بررسی می کند تا خرابی های لرزه ای مانند ترک ها (۰.۰۵ تا ۰.۵ میلیمتر) و کاهش سطح یابی (از ۳۵ به ۲۰ گیگاپاسکال) را پیش بینی کند. این روش با استفاده از حسگرهای پیشرفته (شامل سالن ها و کرنش سنج های IoT) داده های لحظه ای (جابجایی ۰.۰۱ متر، تنش ۵۰ مگاپاسکال) جمع آوری می کند و با تحلیل آن ها، دقت پیش بینی را تا ۹۵ درصد (ضریب تعیین R²=۰.۹۵) افزایش می دهد. در مقایسه با روش های سنتی، که خطای پیش بینیشان تا ۳۰ درصد است، این رویکرد هوشمند سال رعایت تشخیص (۳۰ درصد سریع تر) و کاهش هزینه های تعمیر (از ۵۰۰,۰۰۰ تا ۳۵۰,۰۰۰ دلار) را به ارمغان می آورد. این مطالعه با شبیه سازی یک سازه ۵۰ متری در منطقه لرزه خیز (با ۱.۲g) نتیجه می دهد که AI می تواند رفتار غیرخطی (کرنش ۰.۰۱) را مدل سازی کرده و هشدارهای زودهنگام برای جلوگیری از فروپاشی ارائه دهد. در ایران، که داده های زلزله نگاری محدود است (< ۱۰ درصد پوشش شده)، AI با یادگیری از داده های موجود، مدل های محلی را بهبود می بخشد. با این حال، چالش هایی مانند هزینه اولیه حسگرها (۲۰,۰۰۰ دلار برای پروژه متوسط)، نیاز به سرورهای قوی (۱۶ هسته، ۶۴ گیگابایت رم)، و کمبود تخصص (۲۰ درصد مهندسان آموزش دیده) کاربرد آن را محدود می کند. این پژوهش با مرور تحقیقات ۲۰۲۰-۲۰۲۵، جنبه های فنی (دقت ۹۵ درصد)، اقتصادی (صرفه جویی ۳۰ درصد)، و زیست محیطی (کاهش ضایعات از ۵۰ به ۴۰ تن) را تحلیل می کند و راهکارهایی برای تلقیق AI با SHM سالنبی پیشنهاد می دهد تا ایمنی سازه ها در مناطق پرخطر مانند ایران ارتقا یابد.

کلیدواژه ها:

نظارت هوشمند ، سلامت سازه ها ، هوش مصنوعی ، خرابی لرزه ای ، الگوریتم های یادگیری ماشین ، شبکه های عصبی عمیق ، حسگرهای پیشرفته ، دقت پیش بینی ، مدل سازی ، ایمنی سازه ها