15491

تحليل قابليت اعتماد سازه با استفاده از روش هاي يادگيري ماشين

1403

دكتر مجيد ايلچي قزاآن

قابليت اطمينان يك سازه، به توانايي آن در تحقق اهداف طراحي براي يك دوره طرح يا عمر مفيد اطلاق مي‌شود. تحليل قابليت اطمينان براي سيستم‌ها و سازه‌ها، روشي كليدي براي ارزيابي ايمني و عملكرد صحيح آن‌ها تحت شرايط مختلف عدم‌قطعيت است. اين تحليل با در نظر گرفتن متغيرهاي تصادفي همچون ويژگي‌هاي مصالح، ابعاد هندسي و شرايط محيطي، امكان پيش‌بيني احتمال خرابي يا عملكرد نامناسب سازه را فراهم مي‌كند. ارزيابي دقيق قابليت اطمينان منجر به كاهش ريسك خرابي، افزايش طول عمر مفيد سازه و بهينه‌سازي هزينه‌هاي نگهداري مي‌شود. از اين‌رو، مدل‌سازي دقيق رفتار سازه‌ها تحت بارهاي متغير و پيش‌بيني حالت‌هاي خرابي، يكي از چالش‌هاي اصلي در مهندسي سازه به‌شمار مي‌رود كه نيازمند روش‌هاي تحليلي پيشرفته و پرهزينه است. براي ارزيابي قابليت اطمينان، روش‌هاي كلاسيكي همچون شبيه‌سازي مونت‌كارلو (MCS)، نمونه‌گيري با اهميت (IS) و روش‌هاي مماني مانند قابليت اطمينان مرتبه اول (FORM) و دوم (SORM) مورد استفاده قرار مي‌گيرند. شبيه‌سازي مونت‌كارلو با وجود دقت بالا، به تعداد زيادي نمونه نياز دارد و هزينه محاسباتي زيادي دارد. در مقابل، روش‌هاي مماني با تقريب تابع حدي، كارايي بهتري در مسائل ساده‌تر دارند ولي در برابر رفتارهاي غيرخطي و پيچيده محدوديت دارند. اين چالش‌ها، زمينه‌ساز توسعه روش‌هاي جايگزين مانند يادگيري ماشين شده‌اند. در سال‌هاي اخير، پيشرفت‌هاي گسترده در حوزه يادگيري ماشين، فرصت‌هايي نوين براي تحليل دقيق‌تر و سريع‌تر قابليت اطمينان فراهم كرده است. روش‌هاي يادگيري ماشين مي‌توانند با مدل‌سازي روابط پيچيده ميان ورودي‌ها و خروجي‌هاي سيستم، جايگزين يا مكمل مناسبي براي روش‌هاي كلاسيك باشند. استفاده از شبكه‌هاي عصبي (MLP, CNN)، مدل‌هاي تطبيقي، تركيب روش‌هاي سنتي با الگوريتم‌هاي داده‌محور و نيز روش‌هاي نويني همچون PINN، مسيرهاي پژوهشي فعالي در اين زمينه هستند. اين رويكردها به‌ويژه در تخمين تابع حدي، شاخص اطمينان و شناسايي نواحي بحراني، كارايي بالايي نشان داده‌اند. هدف اين سمينار، ارائه مروري ساختاريافته بر روش‌هاي مختلف يادگيري ماشين و بررسي پتانسيل آن‌ها در تحليل قابليت اطمينان سازه‌ها است. در اين راستا، مدل‌ها و الگوريتم‌هاي مطرح در متون علمي شناسايي و تحليل خواهند شد، و تمركز اصلي بر بررسي مزايا، محدوديت‌ها و حوزه‌هاي كاربردي اين روش‌ها در تخمين احتمال خرابي و كاهش هزينه‌هاي تحليلي خواهد بود. اين مطالعه مي‌تواند به شناسايي مسيرهاي تحقيقاتي آينده و بهره‌برداري مؤثرتر از ابزارهاي نوين در مهندسي سازه منجر شود.

11/15/2025 12:00:00 AM

88751

1404/09/16

Structural Reliability Analysis Using Machine Learning Methods

قابليت اعتماد سازه‌ها , روش‌هاي يادگيري ماشين , شبكه‌هاي عصبي آگاه از فيزيك‌ , شبكه‌هاي عصبي بيزي , يادگيري فعال

Structural Reliability Analysis , Machine Learning Methods , Physics-Informed Neural Network , Bayesian Neural Networks , Active learning