پیشبینی سطوح آسیب لرزه ای و حالت شکست ستونهای بتن مسلح با استفاده از آنالیز الگوی ترک و یادگیری ماشین

روش متداول برای ارزیابی خرابی سازه ها و المانهای سازه های پس از زلزله به صورت بازرسی چشمی در محل حادثه می باشد که برای شخص بازدید کننده نا ایمن بوده و تشخیص میزان خرابی با این روش با خطا همراه می باشد. این مقاله به ارائه روش خودکار، ایمن غیر مخرب و سریع برای پیش بینی سطوح خرابی لرزه ای و حالت شکست با استفاده از آنالیز تصاویر ترک در ستونهای بتن مسلح می پردازد. به منظور کمی سازی میزان خرابی از سه شاخص پیچیدگی الگوی ترک شامل شاخص ناهمگونی نفوذ و آنتروپی رنی استفاده شده است. برای آموزش مدلهای مبتنی بر یادگیری ماشین، الگوریتم های مختلف یادگیری عمیق و سطحی بکار گرفته شده اند که ورودی هر یک از این الگوریتمها شامل شاخصهای تصویر، ویژگیهای سازه ای و هندسی در نظر گرفته شده است. عملکرد هر یک از مدلها با استفاه از روش جستجوی شبکه ای و یافتنهایپرپارامترها بهینه سازی شده و احتمال بیش برازش مدلها با روش اعتبار سنجی متقابل بررسی گردید. در پیش بینی سطوح خرابی بالاترین دقت برای الگوریتم MLP با دقت ۹۲ درصد و در مدل پیش بینی حالت شکست برای الگوریتم XGB با دقت ۹۸ درصد برای داده های تست بدست آمد.

کلیدواژه ها:

سطوح خرابی ، حالت شکست ، ستون بتن مسلح ، الگوی ترک ، ارزیابی غیر مخرب