یک مدل جدید بدون نظارت یادگیری‌عمیق برای ارزیابی وضعیت سلامت عمومی و محلی سازه‌ها

چکیده: یک روش برای ارزیابی وضعیت سلامت عمومی و محلی سیستم‌های ساختاری با استفاده از پاسخ ارتعاش محیطی ساختار جمع‌آوری‌شده توسط حسگرها شرح داده می‌شود. این مدل شامل تبدیل موجک فشرده سینکرو، تبدیل فوریه سریع، و ماشین بولتزمن عمیق بدون نظارت برای استخراج ویژگی‌ها از حوزه فرکانس سیگنال‌های ثبت‌شده می‌باشد. یک تابع چگالی احتمال برای ایجاد یک شاخص سلامت ساختاری استفاده می‌شود. از این شاخص می توان برای ارزیابی وضعیت سلامت عمومی و محلی ساختار استفاده کرد. زیبایی مدل پیشنهادی این است که برای شبیه‌سازی حالت‌های مختلف خرابی سازه، نیازی به نتایج آزمایش‌های پرهزینه نیست تا از نسخه مقیاس بندی شده ساختار بدست آید. تنها ارتعاشات محیطی سازه سالم مورد نیاز است. در غیاب ارتعاشات محیطی، آن‌ها می‌توانند به طور تصادفی با استفاده از ویژگی‌های ساختاری و نظریه احتمالات شبیه‌سازی شوند. اثربخشی مدل پیشنهادی با استفاده از داده‌های تجربی به‌دست‌آمده بر روی میز لرزان در هنگ‌کنگ نشان‌داده شده‌است. ​

معرفی و مرور مقالات​​​​​​​

پایش سلامتی ساختارهای بزرگ و پیچیده یک تکنولوژی کلیدی در تحقیقات مهندسی سازه نه تنها برای ساختارهای شهری بلکه برای ساختارهای هوافضا و مکانیکی در نظر گرفته می‌شود. تحقیقات قابل‌توجهی در مورد پایش سلامت مبتنی بر ارتعاش [‏ ۴۳، ۳۴، ۳۵، ۱۹ ]‏ و همچنین پایش سلامت مبتنی بر دیدگاه [‏ ۴۰ ]‏ گزارش شده‌است. مروری بر مقالات اخیر را می توان در تعدادی از مقالات مانند سیرکا و آدلی [‏ ۳۶ ]‏، غریب و آدلی [‏ ۲۷ ]‏، آمیزکیتا - سانچز و آدلی [‏ ۶ ]‏، و پرز - رامیرز و همکاران [‏ ۲۶ ]‏ یافت. ​

یادگیری ماشینی، یک تکنولوژی کلیدی در قرن بیست و یکم، می‌تواند به یادگیری تحت نظارت مانند شبکه‌های عصبی انتشار برگشتی [‏ ۲ ]‏، بردار پشتیبانی (‏SVM)‏[‏ ۴۲، ۸، ۱۲ ]‏، شبکه‌های عصبی احتمالی ارتقا یافته [‏ ۴ ]‏ و اخیرا توسعه داده‌شده الگوریتم طبقه‌بندی عصبی [‏ ۳۱ ]‏ و یادگیری بدون نظارت مانند نقشه سازمان‌دهی خودکار [‏ ۷ ]‏، ماشین بولتسمان محدود (‏RBM)‏[‏ ۳۷ ]‏، شبکه عصبی عمیق [‏ ۱۷ ]‏ (‏DBM)‏تقسیم شود. ​

اخیرا، نویسندگان یک مدل جدید برای تشخیص پایش سلامت عمومی سازه‌های بزرگ مانند سازه‌های ساختمان‌های بلند براساس ادغام تبدیل موجک سینکروله‌شده (‏SWT)‏ارایه کرده‌اند [‏ ۱۴ ]‏،

یک ماشین بولتزمن محدود بدون ناظر (‏RBM)‏[‏ ۳۷ ]‏، و یک طبقه‌بندی کننده جدید توسعه‌یافته توسط نویسندگان به نام الگوریتم طبقه‌بندی دینامیک عصبی (‏NDC)‏[‏ ۳۱ ]‏. این مدل به داده‌های تجربی بر روی مدل مقیاس بندی شده ساختار برای شبیه‌سازی حالت‌های مختلف سالم و آسیب مختلف نیاز دارد. این مدل با استفاده از داده‌های به‌دست‌آمده از یک ساختار ساختمان بتون مسلح ۳۸ طبقه مقیاس بندی شده ۱: ۲۰ در یک میز لرزان در هنگ‌کنگ که در شکل نشان‌داده شده‌است، تایید شد. حداکثر دقت متوسط ۹۶ % گزارش شده‌است [‏ ۳۰ ]‏. ​

این متن ترجمه‌ای خودکار از چکیده و مقدمه مقاله A novel unsupervised deep learning model for global and local health condition assessment of structures چاپ‌شده در مجله سازه‌های مهندسی است.
برای مطالعه کامل این مقاله به همراه ترجمه‌ به این لینک مراجعه فرمایید.​