محمدصادق ترابی - کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران
غلامرضا قدرتی امیری - استاد، دانشگاه علم و صنعت، تهران، ایران
احسان درویشان - استادیار، گروه عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

بروز آسیب های ناشی از بارگذاری های ناگهانی یا آسیب هایی در طول عمر سازه ممکن است باعث ایجاد تغییرات نامطلوبی در عملکرد آن شود لذا در سال های اخیر نیاز به روش هایی جهت شناسایی آسیب درآن ها بیش از پیش احساس می شود. ازاین رو دست یابی به روش هایی جهت شناسایی رخداد و یافتن محل آسیب یکی از موضوعاتی است که همواره در مهندسی عمران، مکانیک و هوافضا مطرح بوده است. ایده اصلی در اکثر این روش ها استفاده از پاسخ هایی است که سازه بر اساس پیش فرض های موجود به عوامل بیرونی می دهد، در اغلب این مطالعات سازه به عنوان یک سیستم دینامیکی با جرم، سختی و میرایی یکتا در نظر گرفته می شود. و در صورت آسیب این پارامترها با تغییر مواجه می شوند و این تغییرات خود را در پاسخ های سازه نشان می دهد. این پاسخ ها به صورت سیگنال های زمانی، حاوی خصوصیات دینامیکی سازه است که با تحلیل سیگنال استخراج می شوند و در تشخیص آسیب از آن ها بهره گرفته می شود. پیشرفت روزافزون علم یادگیری ماشین نه تنها شرایط را برای پیشرفت علوم مهندسی مهیا کرده است بلکه این پیشرفت به گونه ای بوده است که امروزه این کامپیوترها هستند که اغلب محاسبات مهم را بر عهده خواهند داشت، یکی از روش هایی که امروزه بسیار موردتوجه قرارگرفته است استفاده از شبکه های عصبی کانولوشن به منظور تشخیص خصوصیات ذکر شده در سیگنال های سازه است.در این مقاله سعی شده است تا شبکه ی کانولوشن یک بعدی جهت تشخیص حالت سالم از ناسالم طراحی شود، علاوه بر آن اثر تابع نرمال ساز در فاز پیش پردازش داده و اثر دو تابع بهینه ساز گرادیان کاهشی و آدام در فرآیند آموزش شبکه نیز موردبررسی قرار گرفته است. درنهایت می توان بیان کرد که نتایج حاکی از عملکرد رضایت بخش، دقیق و سریع روش شبکه عصبی عمیق کانولوشن یک بعدی در تشخیص حالت سالم از ناسالم است.

پایش سلامت سازه ها, شناسایی آسیب, شبکه عصبی عمیق, شبکه عصبی کانولوشن, الگوریتم بهینه سازی آدام, دسته بندی داده