مروری جامع بر مدلسازی پیشبینانه عملکرد سازه های با بهره گیری از یادگیری ماشین

پیش بینی عملکرد سازه ها یکی از جنبه های حیاتی مهندسی عمران است که تضمین کننده، ایمنی، کارایی و دوام ساختمان ها و زیرساخت ها به شمار می رود. روش های سنتی نظیر تحلیل اجزای محدود (FEA) و مدل سازی تجربی غالبا در مواجهه با پیچیدگی سیستم های سازه های مدرن ناکارآمد ظاهر می شوند. ظهور یادگیری ماشین (ML) این حوزه را متحول کرده و رویکردهایی مبتنی بر داده ارائه نموده است که قابلیت تحلیل روابط غیرخطی و مجموعه داده های حجیم را داشته و موجب بهبود دقت و کارایی پیش بینی عملکرد سازه ای می شوند. این مقاله مروری به بررسی کاربرد تکنیک های یادگیری ماشین از جمله شبکه های عصبی مصنوعی (ANN)، رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF)، رگرسیون درخت تصمیم (DTR) و مدل های ترکیبی در پیش بینی شاخص های سازه ای نظیر ظرفیت، باربری، خیز دوام و عملکرد لرزه ای می پردازد. این مقاله با تجزیه و تحلیل یافته های پژوهش های اخیر، دستاوردها و چالش هایی نظیر اعتبارسنجی ناکافی در شرایط واقعی، نیاز به رویکردهای ترکیبی و موانع در یکپارچه سازی یادگیری ماشین در جریان های کاری مهندسی را مورد توجه قرار می دهد. با شناسایی خلاءهای تحقیقاتی و پیشنهاد مسیرهای آینده، این مطالعه تلاش می کند چارچوبی جامع برای توسعه کاربردهای ML در مهندسی سازه ارائه دهد. یافته ها بر ظرفیت تحول آفرین یادگیری ماشین برای بهینه سازی طراحی، افزایش ایمنی و ارتقای پایداری در پروژه های عمرانی تاکید دارند.

کلیدواژه ها:

یادگیری ماشین در مهندسی سازه ، مدل سازی پیش بینانه ، شاخص های عملکرد سازه ای ، مدل های ترکیبی ، یادگیری ماشین پایش سلامت سازه ای (SHM)