بررسی ایجاد ترک و خرابی سازه ها توسط الگوریتم شبکه های عصبی

پایش سلامت سازه ها به عنوان یکی از ارکان اصلی مدیریت زیرساخت های عمرانی، در دهه های اخیر اهمیت فزاینده ای یافته است. ترک ها و خرابی های موضعی در سازه های بتن آرمه و فولادی، اگر در مراحل اولیه شناسایی نشوند، می توانند به بحران های جدی و حتی فروپاشی منجر شوند. روش های سنتی بازرسی بصری و آزمون های غیرمخرب، علی رغم کاربرد گسترده، محدودیت هایی چون وابستگی به نیروی انسانی، هزینه بالا و پوشش ناکافی دارند. در این میان، الگوریتم های شبکه های عصبی عمیق به ویژه شبکه های کانولوشنی (CNN)، توانسته اند با تحلیل داده های تصویری و ارتعاشی، دقت و سرعت تشخیص ترک را به طور چشمگیری افزایش دهند (Dorafshan et al., ۲۰۱۸; Farrar & Worden, ۲۰۱۲). پژوهش های اخیر نشان داده اند که این الگوریتم ها قادرند ترک های ریز و الگوهای خرابی پنهان را در شرایط محیطی متغیر شناسایی کنند (Khan & Yairi, ۲۰۱۸). افزون بر این، ترکیب بینایی ماشین با داده های ارتعاشی، امکان پایش چندوجهی و ارائه سامانه های هشدار زودهنگام را فراهم کرده است (Nguyen et al., ۲۰۲۴). این مقاله با مرور مبانی نظری و پیشینه تحقیق، روش های گردآوری داده، طراحی مدل و ارزیابی عملکرد شبکه های عصبی را بررسی می کند و ضمن تحلیل نتایج، پیشنهادهایی برای توسعه سامانه های پایش هوشمند سازه ها ارائه می دهد. نتایج مورد انتظار، ارتقای دقت تشخیص، کاهش خطای انسانی و بهبود قابلیت اعتماد در مدیریت نگهداشت زیرساخت های حیاتی است.

کلیدواژه ها:

شبکه های عصبی (CNN) ، یادگیری عمیق ، تشخیص ترک بتن ، خرابی سازه های عمرانی