15412

مروري بر پيشرفت هاي اخير در پايش سلامت سازه ها با استفاده از يادگيري عميق

1403

اقاي دكتر غلامرضا قدرتي اميري

اقاي دكتر احسان درويشان

پايش سلامت سازه ها (SHM – Monitoring Health Structural (به عنوان يكي از مؤلفه هاي كليدي مهندسي سازه هاي هوشمند، نقشي اساسي در افزايش ايمني، كاهش هزينه هاي نگهداري و مديريت پايدار زيرساخت هاي حياتي ايفا مي كند. هدف اصلي SHM، تشخيص زودهنگام آسيب و پايش مستمر رفتار سازه ها بر اساس داده هاي جمع آوري شده از حسگرهاي نصب شده است. در حالي كه روش هاي سنتي SHM اغلب بر «مهندسي ويژگي دستي» (Engineering Feature Manual (تكيه دارند، اين رويكردها با چالش هاي بنياديني نظير كمبود داده هاي آسيب ديده (Scarcity Data(، تأثيرات شديد محيطي و عملياتي (EOCs (كه اثر آسيب را پنهان مي سازند، تفسيرپذيري پايين (Interpretability (مدل هاي «جعبه سياه» (Box Black (و عدم تعميم پذيري (Generalization (به سازه هاي ديگر روبه رو هستند. ظهور يادگيري عميق (DL – Learning Deep (در سال هاي اخير، با قابليت استخراج ويژگي هاي ً پيچيده مستقيما از داده هاي خام (Learning End-to-End(، افق تازه اي را براي غلبه بر اين چالش ها گشوده است. بنابراين، هدف اين سمينار، مرور جامع پيشرفت هاي اخير در كاربرد يادگيري عميق براي حل چالش هاي SHM است. اين مرور بر رويكردهاي كليدي مانند يادگيري مبتني بر بينايي (-Vision Based (براي تشخيص خودكار آسيب، يادگيري نظارت نشده (Unsupervised (براي تشخيص ناهنجاري، يادگيري مولد (Generative (براي توليد داده هاي مصنوعي، يادگيري انتقالي (Learning Transfer( براي انتقال دانش از مدل هاي شبيه سازي و يادگيري فيزيك محور (Informed-Physics (براي ادغام قوانين فيزيكي در فرآيند آموزش تمركز دارد. اين مطالعه نشان مي دهد كه يادگيري عميق نه تنها گلوگاه هاي سنتي SHM را برطرف كرده، بلكه مسير حركت به سوي زيرساخت هاي هوشمند، خوديادگير و همزادهاي ديجيتال (Twins Digital (را نيز هموار ساخته است

11/19/2025 12:00:00 AM

88553

1404/09/01

A Review of Recent Advances in Structural Health Monitoring Using Deep Learning

پايش سلامت سازه‌ها (SHM)، يادگيري عميق، يادگيري نظارت‌نشده، خودرمزگذار (Autoencoder)، يادگيري مولد (GAN)، يادگيري انتقالي، يادگيري فيزيك‌محور (PINNs)، شبكه عصبي كانولوشني (CNN)، شرايط محيطي و عملياتي (EOC)