پایش سلامت سازه با استفاده از یادگیری ماشین

پایش سلامت سازه (SHM) یکی از ابزارهای کلیدی برای تضمین ایمنی، افزایش دوام و کاهش هزینه های نگهداری سازه های عمرانی به شمار می آید. با این حال، روش های سنتی مبتنی بر مدل سازی فیزیکی و بازرسی های دوره ای، به دلیل محدودیت در مقیاس پذیری، دشواری در مدل سازی دقیق رفتار سازه و وابستگی زیاد به شرایط محیطی، کارایی محدودی دارند. ظهور فناوری های حسگر، اینترنت اشیا و تولید انبوه داده های ارتعاشی و محیطی، زمینه را برای بهره گیری از یادگیری ماشین در تحلیل داده های سازه ای فراهم کرده است. یادگیری ماشین با توانایی استخراج الگوهای پیچیده، تشخیص ناهنجاری، طبقه بندی انواع خرابی و پیش بینی عمر مفید باقیمانده، می تواند تحول قابل توجهی در تشخیص زودهنگام آسیب ایجاد کند. در این مقاله، با مروری بر مفاهیم SHM، سطوح طبقه بندی آسیب، چالش های موجود و روش های داده محور، نقش الگوریتم های یادگیری ماشین در ارتقای کارایی سیستم های SHM بررسی شده است. نتایج مطالعات نشان می دهد که ادغام مدل های داده محور با رویکردهای مبتنی بر فیزیک، بهره گیری از داده های چندحسگری و توسعه روش های مقاوم در برابر تغییرات محیطی می تواند دقت و قابلیت اتکای سیستم های پایش سلامت سازه را به طور چشمگیری افزایش دهد.

کلیدواژه ها:

پایش سلامت سازه ، یادگیری ماشین ، تشخیص آسیب ، تحلیل ارتعاش ، داده محور