پایش سلامت پل ها با استفاده از داده‌های موجود بر مبنای یادگیری عمیق

بروز آسیب‌های ناشی از بارگذاری‌های ناگهانی یا آسیب‌هایی در طول عمر سازه ممکن است باعث ایجاد تغییرات نامطلوبی در عملکرد آن ‌شود لذا در سال‌های اخیر نیاز به روش‌هایی جهت شناسایی آسیب درآن‌ها بیش از پیش احساس می‌شود. ازاین‌رو دست‌یابی به روش‌هایی 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 روش‌ها استفاده از پاسخ‌هایی است که سازه بر اساس پیش‌فرض‌های موجود به عوامل بیرونی می‌دهد، در اغلب این مطالعات سازه به‌عنوان‌ یک سیستم ‌دینامیکی با جرم، سختی و میرایی یکتا در نظر گرفته می‌شود. و در صورت آسیب ‌این پارامترها با تغییر مواجه می‌شوند و این تغییرات خود را در پاسخ‌های سازه نشان می‌دهد. این پاسخ‌ها به‌صورت سیگنال‌های زمانی، حاوی خصوصیات دینامیکی سازه است که با تحلیل سیگنال استخراج می شوند و در تشخیص آسیب از آن‌ها بهره گرفته می شود. پیشرفت روزافزون علم یادگیری ماشین نه تنها شرایط را برای پیشرفت علوم مهندسی مهیا کرده است بلکه این پیشرفت به گونه‌ای بوده است که امروزه این کامپیوترها هستند که اغلب محاسبات مهم را بر عهده خواهند داشت، یکی از روش‌هایی که امروزه بسیار موردتوجه قرارگرفته است استفاده از شبکه‌های عصبی کانولوشن به‌منظور تشخیص خصوصیات ذکر شده در سیگنال‌های سازه است.در این مقاله سعی شده است تا شبکه‌ی کانولوشن‌ یک‌بعدی جهت تشخیص حالت سالم از ناسالم طراحی شود، علاوه بر آن اثر تابع نرمال‌ساز در فاز پیش‌پردازش داده و اثر دو تابع بهینه‌ساز گرادیان کاهشی و آدام در فرآیند آموزش شبکه نیز موردبررسی قرار گرفته‌است. درنهایت می‌توان بیان کرد که نتایج حاکی از عملکرد رضایت بخش، دقیق و سریع روش شبکه عصبی عمیق کانولوشن یک‌بعدی در تشخیص حالت سالم از ناسالم است.

Health Monitoring of Bridges by Using the Available Data Based on Deep Learning

Damage caused by sudden and specific loads such as earthquakes causes undesirable changes in structural performance. Therefore, in recent years need for methods to identify damage in structures feel more than ever. Therefore, finding ways to identify damages and their location is one of the issues that has always been discussed in civil, mechanical, and aerospace engineering. The main idea in most of these methods is to use the responses that the structure gives to external factors based on the assumptions available, in most of these studies structures are considered as a dynamic system with unique mass, stiffness, and damping which in the case of structural damage, these parameters change and reflect changes in the structural responses. This response is often in the form of time signals containing structural properties that can be extracted and used to detect potential damage by examining them. The increasing advancement of machine learning science has not only provided the conditions for the improvement of engineering sciences but it has been such that today it is the computers that often do the most important calculations, One of the most widely used methods today is deep convolutional neural networks to detect the properties mentioned in structural signals.This thesis attempts to design a onedimensional convoluted network to detect a healthy state from unhealthy in which we investigate the effect of the normalizer function on the preprocessing phase is attempted and the effect of Stochastic decreasing gradient and Adam (two optimization functions) on the network learning process is also investigated. To evaluate the capability of the proposed method, data from the Yong cable bridge in China were used. Finally, it can be concluded that the results show satisfactory, accurate, and fast onedimensional deep neural network (convolution) performance in the diagnosis of an unhealthy state.