33301

تشخيص خرابي سازه با استفاده از الگوريتم يولو

كارشناسي ارشد

مهندسي عمران

1400

1403/06/18

آقاي دكتر غلامرضا قدرتي اميري

آقاي دكتر احسان درويشان

مهندسي عمران

با توجه به بروز آسيب¬هاي ناشي از بلاياي طبيعي و بارگذاري¬هاي ناگهاني نظير زلزله كه باعث ايجاد خرابي و بروز تغييرات نامطلوبي در سازه مي¬شود و هم چنين با توجه به اهميت سازه‌ها و هزينه¬هاي بالاي ساخت آن¬ها ، جهت جلوگيري از ايجاد خرابي¬هاي وسيع ، كاهش آسيب¬هاي اساسي و هم چنين حفظ ايمني افراد و كاهش هزينه¬ها ، نياز به روش¬هايي براي تشخيص وجود آسيب و تعيين موقعيت و شدت آن، غيرقابل چشم پوشي است. روش¬هاي سنتي اين حوزه زمان¬بر و نيازمند نيرو¬هاي متخصص مي¬باشد. از طرفي عملكرد عالي مغز انسان در حل انواع مسائل ، متخصصان را به فكر فرو برد تا با شبيه سازي مغز انسان و قابليت¬هاي آن انقلابي بزرگ در علم به وجود آورند. به همين دليل با توسعه در علوم كامپيوتر روش¬هايي مبتني بر شبكه عصبي و هوش مصنوعي به وجود آوردند و به طور خاص در مهندسي عمران از آن¬ها به عنوان روشي دقيق براي شناسايي آسيب استفاده شد. در اين پايان نامه سعي شده است پس از بررسي كلي مفاهيم پايش سلامت سازه، به بررسي يادگيري ماشين و يادگيري عميق به عنوان پركاربردترين زير شاخه‌هاي هوش مصنوعي پرداخته شود و در آخر نيز به معرفي الگوريتم يولو كه يكي از زير شاخه‌هاي يادگيري عميق است و هم‌چنين ارائه توضيحاتي در مورد تبديل موجك پرداخته خواهد شد. در روش پيشنهادي، داده‌هاي خام بدست آمده از حسگر‌هاي نصب شده بر روي پل واقعي تيانجين يانگ، مدل عددي دانشگاه فلوريدا و مدل آزمايشگاهي دانشگاه قطر با استفاده از تبديل موجك به تعدادي اسكالوگرام تبديل شده و سپس با استفاده از الگوريتم يولو به تشخيص خرابي اين سازه‌ها مي‌پردازد.

1404/02/07

damage detection using YOLO algorithm

9/8/2025 12:00:00 AM

Due to the damages caused by natural disasters and sudden loadings such as earthquakes, which lead to structural failures and undesirable changes, and given the significance of structures and the high costs of their construction, the necessity of methods for detecting damage, determining its location and severity, is undeniable. Such methods are crucial for preventing widespread failures, reducing major damages, ensuring the safety of individuals, and minimizing costs. Traditional approaches in this field are time-consuming and require expert personnel. On the other hand, the outstanding performance of the human brain in solving various problems has inspired researchers to simulate its capabilities, leading to a revolution in science. Consequently, with advancements in computer science, artificial intelligence and neural network-based methods have emerged. In civil engineering, these techniques have been specifically employed as precise tools for damage identification. This dissertation aims to provide an overview of structural health monitoring concepts, followed by an examination of machine learning and deep learning as the most widely used subfields of artificial intelligence. Finally, the YOLO algorithm, a deep learning-based method, will be introduced, along with explanations regarding the wavelet transform. In the proposed approach, raw data obtained from sensors installed on the real Tianjin Yong bridge, the numerical model of the University of Florida, and the experimental model of Qatar University are transformed into scalograms using the wavelet transform. These scalograms are then processed by the YOLO algorithm to detect structural damage.

پايش سلامت سازه , تشخيص خرابي , شبكه عصبي , يادگيري عميق , يادگيري ماشين , الگوريتم يولو

Structural Health Monitoring , Damage Detection , Neural Networks , Machine Learning , Deep Learning , YOLO Algorithm

Erfan Fatehi

Dr. Gholamreza Ghodrati