تشخیص و پیش بینی فرسودگی و آسیب های سازه ای با هوش مصنوعی

تشخیص و پیش بینی فرسودگی و آسیب های سازه ای با هوش مصنوعی

در سال های اخیر، بهره گیری از هوش مصنوعی در مدیریت سلامت سازه ها به یکی از جریان های اصلی مهندسی عمران و معماری تبدیل شده است. دلیل این توجه گسترده، افزایش سازه های سالخورده، رشد مخاطرات اقلیمی و لرزه ای، و نیاز شهرها به تاب آوری بیشتر است. در ایران، شهری مثل تهران با بیش از ۲۰۰ هزار ساختمان بالای ۳۰ سال، یا رشت که به واسطه رطوبت بالا همواره در معرض پوسیدگی مصالح و فرسایش تدریجی اتصالات است، نمونه هایی روشن از ضرورت رویکردهای نوین برای ارزیابی سلامت سازه ها محسوب می شوند. هوش مصنوعی این امکان را فراهم کرده که به جای اتکا به بازدیدهای چشمی یا تخمین های تجربی، داده های واقعی از سازه استخراج و به صورت مداوم تحلیل شود تا هرگونه کاهش عملکرد، قبل از تبدیل شدن به بحران شناسایی گردد.

یکی از کاربردهای مهم در این حوزه، تحلیل ارتعاشات و رفتار دینامیکی سازه هاست. سازه ها در برابر نیروهای محیطی مانند باد، عبور خودروها، یا حتی گام برداری انسان، به طور دائمی وارد ارتعاش های بسیار ریز می شوند. این ارتعاش ها الگوی ثابت و خاصی دارند که به آن «امضای سازه» می گویند. زمانی که ترک های داخلی، زنگ زدگی میلگردها یا کاهش سختی عناصر اتفاق می افتد، این امضا تغییر می کند. مدل های یادگیری ماشین، به ویژه شبکه های عصبی بازگشتی (LSTM)، قادرند این تغییرات بسیار جزئی را تشخیص دهند. در پژوهش های انجام شده در اروپا و ژاپن، نصب حسگرهای شتاب نگار بر روی پل ها امکان تشخیص آسیب های داخلی را بدون باز کردن پوشش بتنی فراهم کرده است. همین روش قابل اعمال به پل های شهری ایران نیز هست؛ برای مثال پل های فلزی رشت که در معرض رطوبت شدید قرار دارند، می توانند با سامانه های پایش برخط هوشمند از زنگ زدگی داخلی اعضای اصلی قبل از ایجاد تغییر شکل قابل رویت مطلع شوند.

در کنار تحلیل ارتعاشات، بینایی ماشین نیز به بخشی جدایی ناپذیر از پایش سازه تبدیل شده است. سیستم های مبتنی بر تصاویر، با دوربین های ساده، تلفن همراه یا پهپاد، قادرند جزئیاتی مانند ترک های سطحی، طبله کردن نمای سیمانی، تورم گچ یا رطوبت زدگی دیوارها را بررسی کنند. برخلاف روش های سنتی که کیفیت ارزیابی کاملا وابسته به مهارت متخصص بود، هوش مصنوعی تصاویر را پیکسل به پیکسل تحلیل می کند و حتی ترک هایی با عرض کمتر از نیم میلی متر را شناسایی می کند. در پروژه های واقعی در ایتالیا و ترکیه، استفاده از پهپادهای مجهز به AI برای بررسی گنبدها و سازه های تاریخی نتایجی بسیار دقیق ارائه داده است. این روش برای بافت های تاریخی گیلان—که اغلب از چوب های محلی، گل، آهک و سفال ساخته شده اند—اهمیت ویژه دارد، زیرا رطوبت زدگی و کپک زدگی معمولا پیش از دیدن آسیب جدی آغاز می شود و با تصویربرداری مادون قرمز و تحلیل هوشمند می توان آن را زود تشخیص داد.

یکی از زمینه های بسیار کاربردی در ایران، تشخیص خوردگی میلگردها در سازه های بتنی است. با توجه به اقلیم مرطوب شمال کشور، سازه های بتنی در رشت و انزلی بیش از نقاط دیگر ایران در معرض نفوذ یون کلرید از هوا و باران هستند. این پدیده باعث خوردگی داخلی می شود و میلگردهای زنگ زده، با افزایش حجم، بتن را می ترکانند. روش های جدید مبتنی بر یادگیری ماشین قادرند داده های مقاومت الکتریکی بتن، اسکن رادار نفوذی زمین (GPR) یا نتایج آزمون چکش اشمیت را ترکیب کرده و الگوی خوردگی را پیش بینی کنند. این تحلیل چندمنبعی معمولا به مراتب دقیق تر از بررسی تک عاملی است و می تواند قبل از آنکه ترک ها در سطح خارجی دیده شوند، محدوده آسیب را مشخص کند.

یکی دیگر از کاربردهای مهم هوش مصنوعی، پیش بینی فرسودگی بر اساس شرایط اقلیمی و بارگذاری واقعی است. در بسیاری از ساختمان ها، نقشه های اولیه لزوما نشان دهنده بارهای واقعی بهره برداری نیستند؛ برای مثال، در شهرهای شمالی ایران، بار رطوبت، پوسیدگی، تغییرات دما و حتی رشد گیاهان بر روی بام ها، جزو بارهایی هستند که در طراحی سنتی اغلب به صورت دقیق لحاظ نشده اند. الگوریتم های یادگیری عمیق با در اختیار داشتن داده های مصرف انرژی، رطوبت داخلی، میانگین دمای دیوارها، تعداد ساکنان و الگوی رفت وآمد، می توانند میزان فشار واقعی واردشده به عناصر سازه ای را مدل کنند. این سیستم ها به ویژه برای ساختمان های قدیمی رشت که بسیاری از آن ها با چوب روسی یا الوارهای محلی ساخته شده اند و در معرض قارچ زدگی قرار دارند، کارایی بالایی دارند.

در حوزه سازه های بلندمرتبه، هوش مصنوعی امکان تحلیل مداوم تغییرشکل ها را نیز دارد. مثلا مدل های یادگیری ماشین با استفاده از داده های سنسورهای GNSS و لیزر اسکنرهای سه بعدی، به صورت پیوسته میزان خیز، پیچش یا نشست ساختمان را کنترل می کنند. در تهران، تغییرات جزئی نشست خاک از دلایل مهم آسیب های ثانویه در ساختمان های بلند است؛ در چنین مواردی، AI قادر است قبل از آنکه این تغییرات به مرحله خطر برسند، الگوهای نشست را پیش بینی کرده و هشدار دهد. این قابلیت در مناطق شمالی کشور هم اهمیت دارد، زیرا خاک های اشباع شده در گیلان و بالا بودن سطح آب زیرزمینی، امکان نشست های ناگهانی را افزایش می دهد.

یکی از پیشرفته ترین رویکردها، ترکیب مدل های فیزیکی و مدل های هوشمند است. در این روش، نرم افزارهای تحلیل سازه مانند OpenSees یا Abaqus، مدل های عددی از سازه تولید می کنند، اما هوش مصنوعی نقش خود را در اصلاح این مدل ها با داده های واقعی ایفا می کند. این ترکیب، دقت پیش بینی را به طور چشمگیری بالا می برد. در کشورهای جنوب شرق آسیا، این روش برای برج ها و پل هایی که تحت بار بادهای موسمی قرار دارند استفاده شده و دقت تشخیص آسیب را تا چند برابر افزایش داده است. این تجربه ها می تواند به طور مستقیم در ایران، به ویژه شهرهای بادخیز یا رطوبتی، استفاده شود.

در کنار تشخیص آسیب، هوش مصنوعی به فرایند نگهداری پیشگیرانه نیز جهت می دهد. به جای آنکه هر سال یا چند سال یک بار، سازه ها به طور کلی بررسی شوند، AI زمان دقیق تعمیر، بازسازی یا تقویت را پیشنهاد می دهد. این سیستم ها با تحلیل روند فرسودگی در سازه های مشابه، عملکرد مصالح در شرایط مشابه و داده های اقلیمی، می توانند برنامه نگهداری بهینه ارائه دهند. برای مثال در پروژه های واقعی راه آهن ژاپن، AI قادر بوده است عمر باقی مانده تیرها را با دقت بالا پیش بینی کند؛ چنین قابلیتی برای سازه های چوبی گیلان که عمر واقعی آن ها شدیدا به میزان بارش و رطوبت بستگی دارد، اهمیت ویژه دارد.

در نهایت، مزیت بزرگ هوش مصنوعی در این است که می تواند فرسودگی را قبل از وقوع بحران پیش بینی کند. در ایران، که تعداد زیادی از ساختمان ها بدون شناسنامه فنی، بدون سیستم های پایش و با مصالح ناهمگون ساخته شده اند، استفاده از AI می تواند نقطه عطفی در مدیریت ایمنی شهری باشد. با توسعه سامانه های پایش برخط، رصد تصویری با پهپاد، تحلیل هوشمند داده های سنسوری و مدل سازی رفتار سازه، می توان تاب آوری شهری را افزایش داد و از وقوع خسارات گسترده پیشگیری کرد.