ارزیابی تطبیقی روش های پایش سلامت سازه های بتن آرمه بر اساس تکنیک های غیر مخرب (NDT) و مدل های داده محور مروری بر چالش ها، فرصت ها و چشم انداز آینده

سازه های بتن آرمه به عنوان یکی از رایج ترین و حیاتی ترین زیرساخت های عمرانی در طول چرخه ی حیات خود همواره در معرض عوامل مخرب محیطی، بارهای بهره برداری و فرسودگی تدریجی قرار دارند و پایش سلامت و ارزیابی وضعیت آن ها نقشی کلیدی در افزایش ایمنی، افزایش عمر مفید و کاهش هزینه های نگهداری و تعمیرات ایفا می کند؛ با این حال روش های سنتی بازرسی مانند آزمایش های مخرب و بازدیدهای (چشمی) به دلیل هزینه ی بالا، محدودیت در دسترسی و قابلیت اطمینان پایین پاسخگوی نیازهای روزافزون به پایش دقیق، پیوسته و غیر مخرب نیستند. هدف این مقاله مروری بررسی نظام مند و تطبیقی روش های پایش سلامت سازه های بتن آرمه با تاکید بر تکنیک های غیر مخرب (NDT) و مدل های داده محور و ارائه چارچوبی جامع برای انتخاب و ترکیب بهینه ی این روش هاست. این مطالعه با رویکرد مرور کتاب بنیادی و تحلیل محتوای کیفی بیش از ۲۰۰ منبع معتبر شامل مقالات علمی - پژوهشی، استانداردهای بین المللی (نظیر ACI، ISO، ASTM و ASCE) و گزارش های فنی از پروژه های عملی در بازه زمانی ۲۰۰۰ تا ۲۰۲۶ را مورد بررسی و تحلیل قرار داده است. یافته ها نشان می دهد که روش های NDT را می توان در پنج دسته اصلی طبقه بندی کرد: روش های مکانیکی (الاستیکی، چکش اشمیت، اولتراسونیک، امیشن صوتی و ضربه پژواک)، روش های الکترومغناطیسی (رادار نفوذی به زمین و آزمایش های مغناطیسی)، روش های حرارتی (ترموگرافی مادون قرمز)، روش های تشعشعی (رادیوگرافی) و روش های الکتریکی (مقاومت سنجی و پلاریزاسیون) که هر یک با مزایا و محدودیت های خاص خود جنبه های مختلفی از وضعیت سازه از مقاومت و تراکم بتن تا خوردگی آرماتورها و ترک های (داخلی) را پوشش می دهند؛ همچنین مدل های داده محور شامل یادگیری نظارت شده (رگرسیون و طبقه بندی)، یادگیری بدون نظارت (خوشه بندی و تشخیص ناهنجاری) و یادگیری عمیق (شبکه های عصبی کانولوشنی و بازگشتی) توانسته اند با بهره گیری از داده های حاصل از روش های NDT دقت تشخیص و پیش بینی آسیب را به طور قابل توجهی افزایش دهند و در مطالعات موردی ترکیب روش های UV و GPR با شبکه های عصبی دقت تخمین مقاومت بتن را تا بیش از ۹۰ درصد بهبود بخشیده است. در نتیجه گیری این مقاله تاکید می کند که رویکردهای تلفیقی (Hybrid) که در آن ها داده های چندین روش NDT با یکدیگر (فیوژن) ترکیب شده و سپس توسط مدل های داده محور پیشرفته تحلیل می شوند، نه تنها دقت و قابلیت اطمینان پایش سلامت سازه را به طور چشمگیری افزایش می دهند بلکه با کاهش خطاهای انسانی و وابستگی به قضاوت های ذهنی، امکان توسعه ی سیستم های پایش هوشمند، پیوسته و بلادرنگ را فراهم می آورند؛ با این حال چالش هایی نظیر نیاز به پایگاه های داده ی استاندارد و غنی، عدم قطعیت در نتایج NDT به دلیل تاثیر عوامل محیطی و فقدان آیین نامه های ملی برای روش های نوین همچنان موانعی جدی بر سر راه کاربرد گسترده ی این رویکرد در ایران محسوب می شوند و ضروری است که با تدوین دستورالعمل های اجرایی، سرمایه گذاری در تجهیزات پیشرفته و آموزش نیروی متخصص و ایجاد بانک اطلاعاتی ملی از نتایج پایش سازه ها گام های موثری در جهت بومی سازی و توسعه ی این فناوری ها در صنعت ساختمان کشور برداشته شود.

کلیدواژه ها:

پایش سلامت سازه (SHM) ، آزمایش های غیر مخرب (NDT) ، سازه های بتن آرمه ، مدل های داده محور ، یادگیری ماشین ، تشخیص آسیب ، ارزیابی وضعیت سازه