شماره ركورد
33659
پديد آورنده
شادمان محمدي
عنوان
تشخيص آسيب سازه ها با استفاده از تكنيك هاي پردازش تصوير و يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران
سال تحصيل
1400
تاريخ دفاع
1403/11/29
استاد راهنما
غلامرضت قدرتي اميري
استاد مشاور
احسان درويشان
دانشكده
مهندسي عمران
چكيده
امروزه در سطح جهان سازه¬هاي بسياري در حال سرويس¬دهي هستند كه مدت زيادي از زمان ساخت آن¬ها سپري شده است. در اين ميان سازه¬هايي از قبيل ساختمان، پل و تونل در شريان¬هاي ارتباطي يك كشور جايگاه ويژه¬اي دارند كه با توجه به اثر بارگذاري¬هاي خاص مانند زلزله، باد و شرايط محيطي، احتمال آنكه ايمني و كارايي آن¬ها به صورت يكباره يا به مرور زمان دچار زوال گردد را افزايش مي¬دهد. بروز آسيب در سازه¬هاي عمراني و عدم قطعيت¬هاي مربوط به آسيب، ممكن است منجر به تلفات و خسارت¬هاي جاني و مالي جدي شود. به همين دليل، تقاضا براي شناسايي وضعيت سلامت سازه¬ها مي¬تواند از موضوع¬هاي با اهميت تحقيقات سازه باشد.
علم پايش سلامت سازه¬ها با آشكار¬سازي پاسخ آن¬ها، رفتارهاي غيرمعمول سازه را بررسي كرده و اطلاعات دقيقي از شرايط و عملكرد آن¬ها را در اختيار مهندسان متخصص قرار مي¬دهد؛ اما با توجه به شرايط اقتصادي و كمبود امكانات و نبود نيروي ماهر جهت انجام آزمايش¬هاي بصري، وضعيت سلامت بسياري از سازه¬ها همچنان نامشخص مانده است. پايش سلامت سازه¬ها به دو روش كلي استاتيكي، و ديناميكي مبتني بر ارتعاش تقسيم مي¬شود كه روش ديناميكي مبتني بر ارتعاش به دليل نحوه بارگذاري و دريافت پاسخ¬هاي شتاب سازه كاربرد بيشتري دارد. با گذشت زمان و پيچيده شدن سازه¬ها متخصصين به دنبال راهكارها و سيستم¬هايي هستند كه به جاي انسان بتوانند تصميم¬گيري كنند و تحليل¬هاي موردنياز را با دقت¬هاي قابل قبولي و در مدت زمان كوتاه انجام دهند. در ساليان اخير روش¬هاي مختلفي براي پايش سلامت سازه¬ها استفاده شده است. انجام پژوهش¬هاي گوناگون و پيشرفت¬هاي فني و نرم¬افزاري نيز منجر به توسعه روش¬هايي شده است كه تصميم¬گيري كامپيوتر را جايگزين تحليل¬هاي دستي انسان مي¬كند. يادگيري ماشين از شاخه¬هاي علوم كامپيوتر است كه به حوزه هايي از¬جمله مهندسي، پزشكي و علوم انساني كمك نموده است. با توجه به ازدياد داده¬ها و همچنين خطاي انساني براي تحليل آن¬ها، يادگيري ماشين كمكي بزرگ براي محققين مي¬باشد.
شبكههاي عصبي و شبكههاي سيامي از روشهاي پيشرفته در حوزه يادگيري ماشين هستند كه در پايش سلامت سازهها كاربرد گستردهاي دارند. شبكههاي عصبي با تقليد از ساختار مغز انسان، قادر به يادگيري الگوهاي پيچيده از دادهها هستند و ميتوانند تغييرات ناشي از آسيب در سازهها را شناسايي كنند. اين شبكهها با استفاده از لايههاي متعدد نورونها، ويژگيهاي حساس به آسيب را استخراج كرده و به تحليل دقيقتري از وضعيت سازه ميپردازند. از سوي ديگر، شبكههاي سيامي با تمركز بر مقايسه دادهها، قادر به تشخيص تفاوتهاي ظريف بين حالتهاي سالم و آسيبديده سازه هستند. اين شبكهها با استفاده از دو ورودي موازي، شباهتها و تفاوتها را بررسي كرده و به شناسايي دقيقتر آسيب كمك ميكنند. تركيب اين دو روش ميتواند دقت و سرعت تشخيص آسيب در سازهها را به طور چشمگيري افزايش دهد. يكي از مزاياي شبكههاي عصبي، توانايي آنها در يادگيري از دادههاي ناقص يا نويزي است كه اين ويژگي در تحليل سازههاي واقعي بسيار مفيد است. شبكههاي سيامي با استفاده از دو / سه شبكه عصبي يكسان كه به صورت موازي كار ميكنند، به مقايسه دادهها ميپردازند. اين شبكهها با محاسبه فاصله بين ويژگيهاي استخراجشده از دو/سه ورودي، شباهت يا تفاوت بين حالتهاي سالم و آسيبديده سازه را اندازهگيري ميكنند. اين روش به ويژه در تشخيص آسيبهاي كوچك يا موضعي بسيار مؤثر است، زيرا قادر به شناسايي تفاوتهاي ظريف در پاسخهاي ارتعاشي است.
در اين پژوهش، از روشهاي يادگيري ماشين براي پايش سلامت سازهها و تشخيص آسيب استفاده شده است. با توجه به اهميت شناسايي دقيق محل و شدت آسيب، از شبكههاي عصبي و شبكههاي سيامي بهره گرفته شده است. اين روشها با تحليل دادههاي ارتعاشي سازه، تغييرات ناشي از آسيب را شناسايي كرده و به طبقهبندي انواع آسيبها كمك ميكنند. در اين راستا، دادههاي شتابسنجي از سازههاي مختلف جمعآوري شده و پس از پيشپردازش، به عنوان ورودي به مدلهاي يادگيري ماشين ارائه شدهاند. نتايج نشان ميدهد كه استفاده از اين روشها ميتواند دقت تشخيص آسيب را بهبود بخشد و زمان تحليل را كاهش دهد. در اين پايان¬نامه ما از شبكه¬ سيامي سه گانه بعنوان پايه¬اي اصلي پژوهش خود استفاده كرديم و با آموزش و صحت سنجي اين شبكه بر روي داده¬هاي واقعي از پل تيانجين يانگ و سازه آزمايشگاهي دانشگاه قطر به دقت 94.17 درصد در 100 و 80 دوره براي هر يك از اين سازه¬ها دست يافتيم در ادامه با تركيب شبكه سيامي با شبكه متخاصم مولد نيز موفق به كاهش هزينه¬هاي محاسباتي و زمان پردازش اين شبكه به 30 دوره براي سازه دانشگاه قطر با دقت 92.82 و 25 دوره با دقت 94.35درصد براي سازه پل تيانجين گرديد و همچنين با موفقيت توانست سناريوهاي سازه در حالت ناسالم در سازه پل كابلي تيانجين را با دقت 0.9836 تشخيص دهد ( داده¬هايي كه واقعا ناسالم هستند). تعداد دوره در اين پژوهش و صحت سنجي آن بر روي يك سازه واقعي گامي مؤثر در جهت توسعه سيستمهاي هوشمند پايش سلامت سازهها محسوب ميشود.
تاريخ ورود اطلاعات
1404/06/16
عنوان به انگليسي
damage detection of structures using image processing techniques anf machine learning
تاريخ بهره برداري
2/18/2027 12:00:00 AM
دانشجوي وارد كننده اطلاعات
شادمان محمدي
چكيده به لاتين
Nowadays, many structures around the world are still in service, despite having been constructed a long time ago. Among them, structures such as buildings, bridges, and tunnels hold a special position in a country’s transportation network. Considering the effects of specific loadings such as earthquakes, wind, and environmental conditions, the probability of a sudden or gradual deterioration in their safety and functionality increases. Damage occurrence in civil structures and the uncertainties related to it may lead to serious human and financial losses. Therefore, the demand for identifying the health condition of structures has become an important research topic in structural engineering. Structural Health Monitoring (SHM), through revealing structural responses, examines abnormal behaviors and provides engineers with accurate information about structural conditions and performance. However, due to economic constraints, lack of resources, and shortage of skilled personnel for visual inspections, the health status of many structures remains unclear. SHM methods are generally divided into two main categories: static and vibration-based dynamic methods. The vibration-based dynamic approach is more widely used because of the way loads are applied and the ability to capture acceleration responses. This method can detect damage-sensitive features under scenarios of varying severity. With the increasing complexity of structures over time, specialists seek solutions and systems capable of making decisions and performing analyses with acceptable accuracy in a short time, instead of relying solely on human judgment. In recent years, various methods have been applied for SHM. Among the basic approaches, Fourier Transform and Wavelet Transform can be mentioned. Moreover, different research efforts and advances in technical and computational tools have led to the development of methods that replace manual human analysis with computer-based decision-making. Machine learning, as a branch of computer science, has contributed to various fields including engineering, medicine, and the humanities. Given the rapid growth of data and the presence of human errors in data interpretation, machine learning provides significant support for researchers. One of its objectives in SHM is to identify damage-sensitive features. The core idea of vibration-based approaches is that structural damages alter the vibration response of structures, leading to inconsistencies in frequency responses. Ultimately, appropriate methods must be considered to provide reliable information about the location and severity of damage, which can then be used for classification of different types of damage. This seminar will review research efforts on the application of machine learning in structural health monitoring and damage detection in structures.
كليدواژه هاي فارسي
پايش سلامت سازه ها , يادگيري ماشين , تشخيص آسيب سازه ها , ارتعاش , شبكه سيامي , شبكه متخاصم مولد
كليدواژه هاي لاتين
damage detection , Structural Health Monitoring , vibration , siamease network , Generative Adversarial Networks
Author
shadman mohammadi
SuperVisor
gholamreza ghodrati amiri