23232

شناسايي آسيب سازه‌ها مبتني بر يادگيري عميق با استفاده از استخراج ويژگي

كارشناسي ارشد

زلزله

1399

1399/09/18

دكتر غلامرضا قدرتي اميري

دكتر احسان درويشان

عمران

شناسايي آسيب سازه‌ها و ارزيابي ايمني بهره‌برداري از آن‌ها، در جهت كاهش خسارات همواره مورد توجه محققين در حوزه پايش سلامت سازه‌ها بوده است. پايش سلامت سازه‌ها يك ابزار مناسب براي اطمينان از عملكرد صحيح و ايمن، شناسايي سطوح آسيب و پيش‌بيني كاهش كيفيت عملكرد سازه‌هاي عمراني در طول زمان است و روش‌هاي گوناگوني را شامل مي‌شود. در اين ميان، بهره‌گيري از روش‌هاي مبتني بر هوش مصنوعي و شبكه‌هاي عصبي به سبب قابليت بالا در حل مسائل پيچيده، مي‌تواند گامي موثر در راستاي آنلاين‌سازي شناسايي آسيب سازه‌اي باشد. هوش مصنوعي به سيستم‌هايي گفته مي‌شود كه مي‌توانند واكنش‌هايي مشابه رفتارهاي هوشمند انساني را داشته باشند. يادگيري ماشين و يادگيري عميق زير‌مجموعه‌اي از هوش مصنوعي‌ هستند و هدف آن‌ها يافتن الگوهايي ميان داده‌هاي در دسترس، به منظور بهبود عملكرد در انجام وظايف مختلف مي‌باشند. در يادگيري عميق، از شبكه‌هاي عصبي گوناگوني از جمله شبكه عصبي كانولوشني براي ايجاد مدل‌هايي با قابليت حل مسائل استفاده مي‌گردد. در بخش اول پايان‌نامه از شبكه‌هاي كانولوشني يك بعدي براي يافتن روشي نوين جهت شناسايي آسيب انواع مختلف سازه، با استفاده از داده‌هاي شتاب بدست آمده از سيستم‌هاي پايش سلامت سازه‌ها و بدون نياز به پيش‌پردازش آن‌ها استفاده شده است. شبكه‌ مورد نظر داراي ساختار بسيار ساده‌اي مي‌باشد و اين امر سبب كاهش هزينه‌هاي زماني و محاسباتي به مقدار قابل ملاحظه‌اي شده است. در بخش دوم نيز سعي شده است كه با بهره‌گيري از روش انتقال يادگيري گامي در جهت حل مشكل كمبود داده در خصوص مدل‌هاي واقعي، كه يكي از اساسي‌ترين موضوعات مطرح شده در شناسايي آسيب سازه‌هاي عمراني مي‌باشد، برداشته شود. در نهايت مي‌توان بيان كرد كه نتايج در هر دو بخش رضايت‌بخش بوده و مدل‌هاي كانولوشني مورد استفاده، داراي دقت و سرعت بالايي در شناسايي سالم و يا آسيب ديده بودن سازه‌هاي مورد بررسي مي‌باشند.

1399/12/02

A Thesis Submitted in Partial Fulfillment of the Requirement for the Degree of Master of Science in Earthquake Civil Engineering

12/9/2021 12:00:00 AM

Damage detection of structures and evaluation of their operation safety in order to decrease costs, had always been an important issue for researchers in Structural Health Monitoring field. Structural Health Monitoring is a mean to ensure proper and safe operation, identify damage levels and predicting performance quality decline of Civil structures during time, and it includes a variety of methods. Using Artificial Intelligence and Neural Network-based methods can be an effective step toward online structural damage identification, because of their high capability in solving complex problems. Artificial Intelligence refers to systems that can react similar to human intelligent behavior. Machine learning and deep learning are a subset of Artificial Intelligence and their purpose is to find patterns among available data to improve performance in carrying out different tasks. In deep learning, various neural networks such as convolutional neural network are used to create models that have problem-solving ability. In the first part of the thesis, one-dimensional convolutional networks are used to find a new method for damage detection of different types of structures, using accelerated data obtained from structural health monitoring systems without the need for preprocessing them. The proposed network has a very simple structure and it reduces the time and computational costs considerably. In the second part, it has been tried to take a step towards solving the problem of data deficiency in real models, which is one of the most fundamental issues in damage detection of Civil structures. Finally, it can be stated that the results are satisfactory in both parts and the used convolutional models have high accuracy and speed in identifying the healthy or damaged situations of structures.

پايش سلامت سازه‌ها , شناسايي آسيب , يادگيري عميق , شبكه‌هاي عصبي كانولوشني , انتقال يادگيري

Structural Health Monitoring , Damage detection , Deep Learning , Convolutional Neural Network , Transfer Learning