28782

تشخيص خسارت سازه‌ها با استفاده از پردازش ويدئو

كارشناسي ارشد

مهندسي عمران-زلزله

1400

1402/6/28

غلامرضا قدرتي اميري

احسان درويشان

مهندسي عمران

با توجه به نقش بسزايي كه ساختمان¬ها، جاده¬ها، پل¬ها، تونل¬ها، سدها و... در اقتصاد و زندگي انسان¬ها ايفا مي¬كنند، آسيب ديدن هر يك از اين سازه¬ها مي¬تواند منجر به صدمات جاني و مالي شود. لذا توانايي تشخيص آسيب و ارزيابي سريع ميزان آسيب ديدگي¬ها و در صورت لزوم، تصميم‌گيري و اجرايي نمودن تمهيداتي براي بازسازي سازه‌ها و يا نگهداري آن‌‌ها امري مهم و ضروري است. در علم مهندسي عمران، پديده زلزله موضوع مهمي است و پايش سلامتي سازه بعد وقوع اين پديده از اهميت بسياري برخوردار مي-باشد. از اولين و ابتدايي¬ترين روش¬هايي كه براي ارزيابي خسارت¬ها و سنجش ميزان سلامتي سازه¬ها مي¬توان نام برد، بازرسي چشمي است. بازرسي چشمي، نيازمند منابع مالي قابل توجه و همچنين اعزام تيم‌هاي متخصص براي بررسي هر سازه مي¬باشد. در سال¬هاي اخير، با توجه به هزينه مناسب و دقت كافي سنسورهاي اندازه¬گيري مانند جابجايي سنج¬ها، شتاب سنج¬ها و كرنش سنج¬ها استفاده از اين سنسورها در فرآيند پايش سلامت سازه¬ها بسيار متداول شده است. همچنين با توسعه¬هاي چشمگير در علوم كامپيوتر، هوش مصنوعي به يكي از موفق¬ترين شاخه¬ها در زمينه علم داده تبديل شده است. اين موفقيت¬ها، فرصت منحصر بفردي را براي پيش¬بيني¬هاي بهتر در حوزه مهندسي سازه و زلزله فراهم آورده است. در اين پايان نامه، پس از بررسي مفاهيم پايش سلامت سازه و انواع متدهاي انجام آن، به بررسي مفاهيم يادگيري ماشين و يادگيري عميق، به عنوان پركاربرد¬ترين رويكردها و زير شاخه¬اي از هوش مصنوعي، پرداخته خواهد شد. در آخر، روشي جديد مبتني بر يادگيري عميق با تركيب كردن دو شبكه عصبي عميق معروف، براي پايش سلامت سازه¬هاي عمراني معرفي خواهد شد. روش پيشنهادي با استفاده از تركيب دو شبكه عصبي عميق كانوولوشني و بازگشتي و همچنين داده¬هاي خام بدست آمده از چندين حسگر نصب شده روي سازه به تشخيص خرابي در سازه مي¬پردازد. اين روش روي مدل عددي پل دانشگاه فلوريدا، مدل آزمايشگاهي دانشگاه قطر و پل بتني تيانجين يانگ در مقياس واقعي اعمال شده و كارايي آن مورد سنجش قرار گرفت. نتايج حاصله نشان مي¬دهد اين روش با دقت بسار خوبي قادر به دسته¬بندي حالت سالم و ناسالم سازه مي¬باشد.

1402/07/05

Damage Detection of Structures Using Video Processing

9/18/2024 12:00:00 AM

Considering the important role that buildings, roads, bridges, tunnels, dams, etc. play in the economy and human life, damage to any of these structures It can lead to personal and financial damage. Therefore, the ability to detect damage and quickly assess the amount of damage and, if necessary, to make decisions and implement measures for the reconstruction of structures or their maintenance is important and necessary. In the science of civil engineering, the phenomenon of earthquake is an important issue and monitoring the health of the structure after the occurrence of this phenomenon is very important. Visual inspection is one of the first and most basic methods that can be used to assess damages and measure the health of structures. Visual inspection requires significant financial resources as well as sending expert teams to check each structure. In recent years, due to the reasonable cost and sufficient accuracy of measurement sensors such as displacement gauges, accelerometers and strain gauges, the use of these sensors in the process of monitoring the health of structures has become very common. Also, with significant developments in computer science, artificial intelligence has become one of the most successful branches in the field of data science. These successes have provided a unique opportunity for better predictions in the field of structural engineering and earthquakes. In this thesis, after examining the concepts of structural health monitoring and various methods of doing it, the concepts of machine learning and deep learning, as the most widely used approaches and a sub-branch of artificial intelligence, will be examined. Finally, a new method based on deep learning by combining two well-known deep neural networks will be introduced to monitor the health of civil structures. The proposed method uses the combination of two convolutional and recurrent deep neural networks as well as the raw data obtained from several sensors installed on the structure to detect damage in the structure. This method was applied to the numerical model of the University of Florida bridge, the laboratory model of Qatar University and the concrete bridge of Tianjin Yang in real scale and its efficiency was measured. The obtained results show that this method is able to classify the healthy and unhealthy state of the structure with good accuracy.

پايش سلامت سازه‌ها , شبكه‌هاي عصبي كانوولوشني و بازگشتي , روش مبتني بر ارتعاش , پردازش ويدئو

structural health monitoring , cnn & rnn networks , vibration-based method , video processing

amin fadaei

gholamreza ghodrati amiri