ارزیابی قابلیت اعتماد الگوریتم های یادگیری ماشین برای تشخیص آسیب لرزه ای ساختمان های بتن مسلح

روشهای مرسوم در تشخیص آسیب ساختمان مانند بازرسی بصری، ارزیابی دستی و سیستم های نظارتی طی سالیان گذشته بصورت گستردهکاربرد داشته اند. با این وجود، این روش ها با محدودیت هایی همراه هستند که شامل تاثیر برداشت شخصی، صرف هزینه و زمان بسیار بالا برایبازرسی و محدودیت دقت سیستم های نظارتی می شوند. در سال های اخیر، روش های مبتنی بر یادگیری ماشین به عنوان روش های جایگزینبرای تشخیص آسیب ظهور کرده اند. برتری این روشها در بهره وری، دقت و پردازش خودکار داده های عظیم با منابع مختلف نسبت به روشهایمعمول است. با گسترش بکارگیری روش های یادگیری ماشین در امر تشخیص آسیب ساختمان، مقایسه عملکرد روش های گوناگون یادگیریماشین در تشخیص آسیب امری مهم طلقی می شود. اینگونه مقایسات باعث ایجاد معیارهایی برای ارزیابی روش های مختلف تشخیص آسیبمیشود. برای مقابله با این چالش، دو الگوریتم یادگیری ماشین برای طبقه بندی: ماشین بردار پشتیبان (SVM) و K - نزدیکترین همسایگی(KNN) در این مطالعه استفاده شده است. همچنین تمرکز این مطالعه برروی شناسایی درجه آسیب ساختمان های بتن مسلح در دو کشور کرهجنوبی و اکوادور بوده است. بعلاوه، در این مطالعه معیاری برای سنجش قابلیت اعتماد روش های مبتنی بر یادگیری ماشین معرفی شده استکه این معیار از ماتریس آشفتگی هر طبقه بند برای ارزیابی احتمال طبقه بندی نادرست درجه آسیب استفاده می کند. بطور کلی، نتایج بیانگربالاتر بودن دقت الگوریتم K - نزدیکترین همسایگی در هر دو مجموعه داده کره جنوبی و اکوادور به ترتیب با دقتهای ۶۱.۵ درصد و ۶۲ درصدنسبت به الگوریتم بردار پشتیبان بوده است. همچنین میانگین معیار قابلیت اعتماد معرفی شده برای الگوریتم های K - نزدیکترین همسایگی وماشین بردار پشتیبان نیز به ترتیب برابر ۸۲ درصد و ۷۷ درصد میباشد که حاکی از کمتر بودن میزان عدم قطعیت این الگوریتم می باشد.درنتیجه، این مطالعه پتانسیل روشهای یادگیری ماشین بویژه الگوریتم های طبقه بندی K - نزدیکترین همسایگی و ماشین بردار پشتیبان رابرای تشخیص آسیب ساختمانهای بتن مسلح نشان می دهد.

Keywords:

تشخیص آسیب , یادگیری ماشین , معیار قابلیت اعتماد , درجه آسیب , ساختمان های بتن مسلح