مکانیک شکست در سازه‌های بتنی با استفاده از یادگیری ماشین و مدل‌های مبتنی بر شبکه عصبی

مکانیک شکست در سازه‌های بتنی به دلیل پیچیدگی رفتار مصالح و ماهیت غیرخطی ترک‌خوردگی، چالش‌های متعددی را برای محققان ایجاد کرده است. روش‌های سنتی مبتنی بر مکانیک شکست، نظیر تئوری ترک خطی الاستیک (lefm) و مدل‌های پلاستیسیته، در برخی موارد قادر به ارائه پیش‌بینی‌های دقیق نیستند. از این‌رو، توسعه روش‌های داده‌محور مبتنی بر یادگیری ماشین و شبکه‌های عصبی عمیق، رویکردی نوین برای افزایش دقت تحلیل شکست سازه‌های بتنی فراهم ساخته است. در این پژوهش، با استفاده از مرور جامع بر منابع علمی، جدیدترین روش‌های هوش مصنوعی در تحلیل مکانیک شکست مورد بررسی قرار گرفته و دقت مدل‌های عددی و یادگیری عمیق مقایسه شده است. به‌منظور ارزیابی این روش‌ها، مطالعات موردی متعددی از مدل‌های شبکه عصبی مصنوعی (ann)، شبکه‌های عصبی بازگشتی (rnn) و شبکه‌های کانولوشنی (cnn) در تحلیل شکست بتن مورد تحلیل و بررسی قرار گرفته است. نتایج بررسی‌ها نشان می‌دهد که مدل‌های مبتنی بر یادگیری عمیق، به‌ویژه شبکه‌های کانولوشنی، دقت بالاتری در پیش‌بینی رشد ترک و گسترش شکست در سازه‌های بتنی ارائه می‌دهند. همچنین، ترکیب این مدل‌ها با روش‌های عددی نظیر المان محدود، می‌تواند چارچوبی کارآمد برای تحلیل مکانیک شکست در سازه‌های پیچیده فراهم آورد.

fracture mechanics in concrete structures using machine learning and neural network-based models

fracture mechanics in concrete structures presents numerous challenges to researchers due to the complex material behavior and the nonlinear nature of cracking. traditional fracture mechanics approaches, such as linear elastic fracture mechanics (lefm) and plasticity-based models, often fail to provide accurate predictions in certain scenarios. consequently, the emergence of data-driven techniques based on machine learning and deep neural networks offers a novel approach to enhancing the precision of fracture analysis in concrete structures. in this study, through a comprehensive literature review, the latest artificial intelligence methods applied to fracture mechanics are examined. the accuracy of numerical models and deep learning techniques is compared. to evaluate these approaches, several case studies involving artificial neural networks (ann), recurrent neural networks (rnn), and convolutional neural networks (cnn) applied to concrete fracture analysis are investigated. findings indicate that deep learning-based models, particularly cnns, deliver higher accuracy in predicting crack propagation and fracture evolution in concrete structures. moreover, integrating these models with numerical methods such as the finite element method (fem) can provide an efficient framework for fracture mechanics analysis in complex structural systems.