26572

شناسايي آسيب سازه ها با استفاده از هوش جمعي مبتني بر يادگيري عميق

كارشناسي ارشد

مهندسي عمران زلزله

1401

1401/02/27

دكتر غلامرضا قدرتي اميري

دكتر احسان درويشان

مهندسي عمران

همواره تشخيص آسيب زيرساخت هاي عمراني در پايش سلامت سازه اي امري حياتي بوده است. روش هاي سنتي اين حوزه زمان بر و گاهي نيازمند متخصصان ماهر اين حرفه هستند. با توسعه تكنيك‌هاي يادگيري ماشين و يادگيري عميق، شبكه‌هاي عصبي مصنوعي مختلفي براي شناسايي آسيب‌هاي سازه¬اي استفاده مي‌شوند. با اين حال، اين شبكه ها مي توانند در تشخيص آسيب و تخمين دقت پيش بيني ها داراي خطا باشند. بنابراين، تكنيك‌هاي يادگيري جمعي نقش اساسي در ارائه نتايج دقيق تر و قابل اعتمادتر با تركيب نتايج مدل¬هاي منفرد دارند. در اين پژوهش، يك رويكرد يادگيري عميق گروهي جديد بر اساس روش تعميم انباشته اي و ايجاد يك مدل شبكه عصبي چندسر براي شناسايي آسيب‌ها در حيطه پايش سلامت سازه اي پيشنهاد شده‌است. در مرحله اول، مدل‌هاي منفرد آموزش داده مي‌شوند تا به ‌عنوان داده ورودي براي شبكه عصبي چندسر استفاده شوند. سپس يك شبكه عصبي عميق چندسر به عنوان يادگيرنده قوي طراحي مي‌شود تا پيش‌بيني‌ها را به بهترين شكل جهت دست يابي به نتايجي مطلوب تركيب نمايد. روش پيشنهادي توسط سه مدل معيار در امر صحت سنجي روش هاي پايش سلامت، مورد ارزيابي قرار گرفت. خروجي ها نشان‌دهنده نتايجي اميدواركننده جهت استفاده آتي از مدل هوش جمعي در امر پايش سلامت سازه اي مي باشد.

1401/03/11

Damage Detection of Structures Using deep Ensemble Learning

5/17/2023 12:00:00 AM

Damage detection of civil infrastructures is vital in structural health monitoring. Traditional methods are time-consuming and sometimes require skilled experts. With the development of machine learning and deep learning techniques, different artificial neural networks are used to detect structure damages. However, individual networks can have errors detecting damages and estimating the accuracy of predictions. Thus, Ensemble learning techniques play an essential role in providing more reliable results by combining the individual model results. In this thesis, a novel deep Ensemble learning approach is proposed based on the stacked generalization method to detect damages in the case of structural health monitoring. In the first step, the single CNN, CAE, and LSTM models are trained to use later as input data for the meta-learner. Then a deep multi-headed MLP neural network is designed as a meta-learner to combine predictions using the stacking Ensemble method to enhance the result accuracy. The proposed method is verified by three structures prepared for structural health monitoring validation. The results represent the promising scope of stacking Ensemble learning application for structural health monitoring and damage detection.

هوش جمعي عميق , تعميم انباشته اي , يادگيري عميق , تشخيص خسارت , پايش سلامت سازه اي

Deep Ensemble learning , stacked generalization , damage detection , Deep learning , Structural health monitoring

Arghavan Asghari

Dr. Gholamreza Ghodrati Amiri