شناسایی آسیب زلزله با استفاده از حسگرهای ارزان قیمت و شبکه های IoT در ساختمان های شهری

زلزله همواره از مهم ترین مخاطرات طبیعی تهدیدکننده زیرساخت های شهری است و توسعه سامانه های هوشمند تشخیص آسیب می تواند نقشی تعیین کننده در افزایش تاب آوری شهری ایفا کند. با وجود پیشرفت های اخیر در حوزه ی حسگرهای MEMS و شبکه های اینترنت اشیاء (IoT)، چالش هایی مانند نویز داده ها، مصرف انرژی و امنیت شبکه مانع کاربرد گسترده این فناوری در پایش بلادرنگ ساختمان های شهری شده است. پژوهش حاضر با هدف طراحی و ارزیابی چارچوبی بومی برای تشخیص آسیب زلزله در ساختمان های ایران، به رفع این شکاف علمی و فناورانه پرداخته است. این مطالعه از نوع کاربردی توسعه ای است و به صورت ترکیبی (آزمایشگاهی و میدانی) اجرا شده است. داده های لرزه ای از طریق حسگرهای ارزان قیمت MEMS گردآوری، با فیلترهای پایین گذر تصفیه، و سپس با الگوریتم های یادگیری ماشین از جمله Stochastic Gradient Descent (SGD)، Random Forest و SVM تحلیل شدند. داده های شتاب، زاویه و فشار از چند حسگر تلفیق و شاخص های پاسخ دینامیکی سازه مانند PGA، شدت آریاس و تغییرات فرکانس طبیعی استخراج گردید. نتایج نشان داد میانگین خطای اندازه گیری حسگرها در مقایسه با دستگاه های حرفه ای حدود ۵ تا ۸ درصد بوده و دقت پیش بینی مدل SGD با R²=۰.۹۶۵ و RMSE=۰.۲۳ به دست آمد. زمان انتقال داده ها کمتر از دو ثانیه و دقت طبقه بندی سطوح آسیب حدود ۹۵ درصد بود که بیانگر قابلیت بلادرنگ سامانه است. این یافته ها نشان می دهد که ادغام حسگرهای ارزان قیمت با IoT می تواند زیرساختی کم هزینه، مقیاس پذیر و قابل اعتماد برای پایش لرزه ای ساختمان ها فراهم کند. توسعه بانک داده های واقعی، ارتقای پایداری انرژی و طراحی چارچوب های امنیتی، مسیر آینده پژوهش در این حوزه خواهد بود.

کلیدواژه ها:

زلزله ، اینترنت اشیاء ، تشخیص آسیب سازه ای ، حسگر MEMS ، یادگیری ماشین