عنوان
شناسايي آسيب سازه‌ها مبتني بر يادگيري عميق با استفاده از استخراج ويژگي
نويسنده اصلي
مونا چمنگرد
مقطع تحصيلي
كارشناسي ارشد
چكيده
شناسايي آسيب سازه‌ها و ارزيابي ايمني بهره‌برداري از آن‌ها، در جهت كاهش خسارات همواره مورد توجه محققين در حوزه پايش سلامت سازه‌ها بوده است. پايش سلامت سازه‌ها يك ابزار مناسب براي اطمينان از عملكرد صحيح و ايمن، شناسايي سطوح آسيب و پيش‌بيني كاهش كيفيت عملكرد سازه‌هاي عمراني در طول زمان است و روش‌هاي گوناگوني را شامل مي‌شود. در اين ميان، بهره‌گيري از روش‌هاي مبتني بر هوش مصنوعي و شبكه‌هاي عصبي به سبب قابليت بالا در حل مسائل پيچيده، مي‌تواند گامي موثر در راستاي آنلاين‌سازي شناسايي آسيب سازه‌اي باشد. هوش مصنوعي به سيستم‌هايي گفته مي‌شود كه مي‌توانند واكنش‌هايي مشابه رفتارهاي هوشمند انساني را داشته باشند. يادگيري ماشين و يادگيري عميق زير‌مجموعه‌اي از هوش مصنوعي هستند و هدف آن‌ها يافتن الگوهايي ميان داده‌هاي در دسترس، به منظور بهبود عملكرد در انجام وظايف مختلف مي‌باشند. در يادگيري عميق، از شبكه‌هاي عصبي گوناگوني از جمله شبكه عصبي كانولوشني براي ايجاد مدل‌هايي با قابليت حل مسائل استفاده مي‌گردد.
در بخش اول پايان‌نامه از شبكه‌هاي كانولوشني يك بعدي براي يافتن روشي نوين جهت شناسايي آسيب انواع مختلف سازه، با استفاده از داده‌هاي شتاب بدست آمده از سيستم‌هاي پايش سلامت سازه‌ها و بدون نياز به پيش‌پردازش آن‌ها استفاده شده است. شبكه مورد نظر داراي ساختار بسيار ساده‌اي مي‌باشد و اين امر سبب كاهش هزينه‌هاي زماني و محاسباتي به مقدار قابل ملاحظه‌اي شده است.
در بخش دوم نيز سعي شده است كه با بهره‌گيري از روش انتقال يادگيري گامي در جهت حل مشكل كمبود داده در خصوص مدل‌هاي واقعي، كه يكي از اساسي‌ترين موضوعات مطرح شده در شناسايي آسيب سازه‌هاي عمراني مي‌باشد، برداشته شود. در نهايت مي‌توان بيان كرد كه نتايج در هر دو بخش رضايت‌بخش بوده و مدل‌هاي كانولوشني مورد استفاده، داراي دقت و سرعت بالايي در شناسايي سالم و يا آسيب ديده بودن سازه‌هاي مورد بررسي مي‌باشند.
شماره ركورد
195576
دانشگاه
دانشگاه علم و صنعت ايران
استاد مشاور
دكتر احسان درويشان
رشته تحصيلي
زلزله
استاد راهنما
دكتر غلامرضا قدرتي اميري