یادگیری ماشین در تشخیص آسیب سازه ای : استفاده از شبکه های عصبی کانولوشن

شناسایی نواقص موثر بر عملکرد سازه ها در چند دهه گذشته مورد مطالعه قرار گرفته است. با این حال، با جمع آوری داده های بلندمدت از آرایه های حسگر متراکم، تشخیص دقیق آسیب به یک کار محاسباتی چالش برانگیز تبدیل شده است. برای پرداختن به چنین مشکلی، این مقاله شبکه عصبی کانولوشن (CNN) را که منجر به نتایج دستیابی به موفقیت در بینایی کامپیوتری شده است، به چالش تشخیص آسیب و تشخیص ترک معرفی می کند. تکنیک شبکه عصبی کانولوشن توانایی کشف ویژگی های انتزاعی را دارد که می توانند جنبه های مختلف علاقه را متمایز کنند. در مورد ما، این ویژگی ها برای طبقه بندی موارد "آسیب دیده" و "سالم" که از طریق شبیه سازی اجزای محدود مدل سازی شده اند، استفاده می شوند. شبکه های عصبی کانولوشن با استفاده از یک کتابخانه پایتون با واحد پردازش گرافیکی (GPU) برای دستیابی به عملکرد بالاتر این محاسبات پر داده انجام می شود. دقت و حساسیت روش پیشنهادی با یک مدل اتصال فولادی ترک خورده با نویز ضربی ارزیابی می شود. در طول روش آموزش، توزیع کرنش تولید شده از سناریوهای مختلف ترک و بارگذاری اتخاذ می شود. در مرحله آزمایش، تنظیمات آسیب کاملا جدید به شبیه سازی ها معرفی شده تا قابلیت تعمیم و دقت مدل مورد ارزیابی قرار گیرد. بر اساس یافته های مطالعه پیشنهادی، دقت، استحکام و کارایی محاسباتی بالا برای تشخیص آسیب به دست آمده است. هدف این مقاله کمک به خوانندگان در درک شاخه ای از روش های تشخیص آسیب بر پایه شبکه های عصبی است و آن ها را برای کاوش راه حل هایی برای چالش های مورد بحث در تحقیقات در آینده فرا میخواند.

Keywords:

تشخیص آسیب , یادگیری ماشین , شبکه های عصبی کانولوشن , شبکه عصبی عمیق , پایش سلامت سازه