تشخیص آسیب سازهای با استفاده از شبکه عصبی عمیق و تحلیل زمان فرکانس سیگنال های ارتعاشی

در سال های اخیر یادگیری ماشین و به ویژه یادگیری عمیق به عنوان ابزارهایی توانمند در تشخیص آسیب های سازه ای و ارتقای ایمنی سازه ها مورد توجه گسترده قرار گرفته اند. در این پژوهش رویکردی مبتنی بر یادگیری عمیق برای تشخیص آسیب در سازه ها ارائه می شود. داده های ارتعاشی دکل فولادی LUMO در آلمان در دو وضعیت سالم و آسیب دیده به عنوان داده های ورودی این مطالعه مورد استفاده قرار گرفتند. داده ها با استفاده از تبدیل موجک پیوسته به نگاشت های زمان فرکانس اسکالوگرام تبدیل شدند و تصاویر حاصل به عنوان ورودی شبکه عصبی کانولوشنی عمیق با معماری ۱۸-ResNet مورد استفاده قرار گرفتند. نتایج نشان داد که مدل ۱۸-ResNet با بهره گیری از اتصالات باقی مانده و قابلیت یادگیری عمیق عملکرد دقیقی در استخراج ویژگی های مرتبط با آسیب دارد به گونه ای که دقت مدل برابر با ۹۷.۵، شاخص FI برابر با ۹۴.۷ و معیار فراخوانی برابر با ۹۰٪ به دست آمد. همچنین به کارگیری Grad-CAM تفسیرپذیری مدل را افزایش داده و امکان شناسایی نواحی حساس به آسیب در اسکالوگرام ها را فراهم ساخت. یافته های این پژوهش نشان می دهد که چهارچوب پیشنهادی می تواند با دقت و اطمینان بالا آسیب های سازه ای را شناسایی کرده و به عنوان پایه ای برای توسعه سامانه های بلادرنگ پایش ارتعاشات در سازه های مهندسی به کار رود.

کلیدواژه ها:

پایش سلامت سازه ، یادگیری عمیق ، اسکالوگرام ، ۱۸-ResNet ، Continuous Wavelet Transform (CWT) ، Scalogram ، Convolutional Residual Connections