در مقاله “یک روش مبتنی بر نمودار برای کمی سازی الگوهای ترک بر روی دیوارهای برشی بتن مسلح” که اخیراً در مجله منتشر شده است. مهندسی عمران و زیرساخت به کمک کامپیوتر، محققان به سرپرستی دکتر آروین ابراهیم خانلو، استادیار دانشکده مهندسی درکسل، و پدرام بذرافشان، دانشجوی دکترا در کالج، فرآیندی را ارائه می‌کنند که می‌تواند به کشور کمک کند تا درک بهتری از تعداد صدها هزار پل قدیمی آن داشته باشد. ، سیلاب ها، جاده ها و ساختمان ها نیاز فوری به تعمیر دارند.
این گروه قصد دارد با آموزش و آزمایش برنامه در برابر مجموعه داده های بزرگتر و متنوع تر، از جمله انواع دیگر ساختارها، به کار خود ادامه دهد. و آنها همچنین در حال کار در جهت خودکار کردن این فرآیند هستند تا بتوان آن را در سیستم های نظارت سازه و همچنین فرآیند جمع آوری عکس و فیلم از سازه های آسیب دیده پس از زلزله و سایر بلایای طبیعی ادغام کرد.
با تمرکز ویژه بر روی گروهی از تصاویر که ترک خوردگی متوسط را نشان می‌دهند – نوعی که نشان می‌دهد ایمنی سازه زیر سوال است – این تیم الگوریتم دومی را آموزش داد تا ویژگی‌های نمودار استخراج‌شده را با مقیاسی ملموس که میزان آسیب وارد شده را نشان می‌دهد مرتبط کند. بر روی ساختار به عنوان مثال، هرچه ترک‌های بیشتری یکدیگر را قطع کنند – که با “متوسط درجه” بالاتری از ویژگی نمودار آنها مطابقت دارد – آسیب جدی‌تر به سازه وارد می‌شود.
ابراهیم خانلو گفت: این اولین قدم در ایجاد یک ابزار ارزیابی بسیار قدرتمند است که از حجم تحقیقات و دانش بشری برای ارزیابی سریع‌تر و دقیق‌تر سازه‌ها در محیط ساخته شده استفاده می‌کند. “تحمیل نظم بر مجموعه‌ای از ویژگی‌های ظاهراً آشفته، جوهره اکتشافات علمی است. ما معتقدیم که این نوآوری می‌تواند راه طولانی را در جهت شناسایی مشکلات قبل از وقوع آنها و ایمن‌تر کردن زیرساخت‌های ما انجام دهد.”
علاوه بر زمان لازم برای گذراندن این فرآیند برای هر بازرسی، نگرانی گسترده ای وجود دارد که این فرآیند فضای زیادی را برای ذهنیت برای انحراف ارزیابی نهایی باقی می گذارد.
فروپاشی‌های ساختاری اخیر، از جمله تراژدی‌ها در سرفساید، فلوریدا، پیتسبورگ و شهر نیویورک، نیاز به بازرسی‌های مکرر و دقیق‌تر ساختمان‌ها و زیرساخت‌های قدیمی را در سراسر کشور متمرکز کرده‌اند. اما بازرسی ها فرآیندهای زمان بر و اغلب متناقض هستند و به شدت به قضاوت بازرسان وابسته هستند. محققان دانشگاه درکسل و دانشگاه ایالتی نیویورک در بوفالو در تلاش هستند تا با استفاده از هوش مصنوعی، همراه با یک روش ریاضی کلاسیک برای تعیین کمیت شبکه‌های شبه وب، این فرآیند را کارآمدتر و قطعی‌تر کنند تا تعیین کنند یک سازه بتنی چقدر آسیب دیده است. تنها بر اساس الگوی ترک خوردگی آن است.
این تیم از الگوریتم‌های ردیابی پیکسل‌های هوش مصنوعی برای تبدیل تصاویر ترک‌ها به نمایش ریاضی مربوط به آنها استفاده کرد: یک نمودار.
این برنامه بسته به میزان ارتباط نزدیک آنها با شاخص های مکانیکی آسیب، یک مقدار وزنی به هر یک از این ویژگی ها اختصاص داد تا یک نمایه کمی تولید کند که الگوریتم بتواند نمونه های جدید را برای تعیین میزان آسیب ساختاری آنها اندازه گیری کند.
برای آزمایش الگوریتم ارزیابی، تیم از تصاویر سه دیوار در مقیاس بزرگ استفاده کرد که به صورت مکانیکی در آزمایشگاهی در دانشگاه بوفالو آزمایش شده بودند تا شرایط آنها را تعیین کنند. این تیم از تصاویر یک طرف هر دیوار به عنوان مجموعه آموزشی استفاده کرد و سپس مدل را با تصاویر طرف مقابل آزمایش کرد تا توانایی آن را در پیش بینی میزان آسیب هر نمونه آزمایش کند.
در هر مورد، برنامه هوش مصنوعی قادر بود آسیب را با دقت بیش از 90 درصد به درستی ارزیابی کند، که نشان می دهد این برنامه وسیله بسیار موثری برای ارزیابی سریع آسیب خواهد بود.
ابراهیم خانلو گفت: «بدون یک فرآیند مستقل و عینی برای ارزیابی آسیب به بسیاری از سازه‌های بتن مسلح که محیط ساخته شده ما را تشکیل می‌دهند، این شکست‌های سازه‌ای غم‌انگیز مطمئناً ادامه خواهند داشت.» از زیرساخت‌های قدیمی ما فراتر از طول عمر طراحی‌شان استفاده می‌شود و از آنجایی که بازرسی‌های دستی زمان‌بر و ذهنی هستند، نشانه‌های آسیب ساختاری ممکن است نادیده گرفته شود یا دست کم گرفته شود.»
برای توسعه یک چارچوب ویژگی برای مقایسه، آنها یک برنامه یادگیری ماشین داشتند که ویژگی‌های نموداری را از مجموعه‌ای از تصاویر سازه‌های دیوار برشی بتن مسلح با نسبت‌های مختلف ارتفاع به طول استخراج می‌کرد که برای آزمایش رفتارهای متفاوت دیوارها ایجاد شد. در یک زلزله
فرآیند فعلی برای بازرسی یک سازه بتنی، مانند پل یا عرشه پارکینگ، شامل بازرسی بصری آن از نظر ترک خوردگی، بریدگی یا نفوذ آب، اندازه‌گیری ترک‌ها و توجه به تغییر یا عدم تغییر آنها در زمان می‌شود. بین بازرسی ها — که ممکن است سال ها طول بکشد. اگر به اندازه کافی از این شرایط وجود داشته باشد و به نظر می رسد که در وضعیت پیشرفته قرار دارد – طبق مجموعه ای از دستورالعمل ها در مورد یک شاخص آسیب – آنگاه ساختار می تواند “ناامن” رتبه بندی شود.
بذرافشان گفت: «فرایندهای تبدیل کرک به گراف و استخراج ویژگی تنها یک دقیقه یا بیشتر در هر تصویر طول می کشد، که در مقایسه با فرآیند بازرسی که ممکن است ساعت ها یا روزها طول بکشد تا تمام اندازه گیری های مورد نیاز انجام شود، پیشرفت قابل توجهی است. . “این همچنین یک توسعه امیدوارکننده برای امکان خودکارسازی کل فرآیند تحلیل در آینده است.”
ابراهیم خانلو گفت: «ایجاد یک نمایش ریاضی از الگوهای ترک خوردگی یک ایده جدید و کمک کلیدی مقاله اخیر ما است. به نظر ما این روش بسیار موثری برای تعیین کمیت تغییرات در الگوهای ترک خوردگی است، که ما را قادر می‌سازد ظاهر بصری یک ترک را به سطح آسیب ساختاری متصل کنیم به گونه‌ای که قابل اندازه‌گیری باشد و بدون توجه به اینکه چه کسی می‌تواند به طور مداوم تکرار شود. در حال انجام بازرسی است.”
بذرافشان گفت: «همان ترک در یک سازه بتن مسلح می تواند تهدیدآمیز یا پیش پا افتاده به نظر برسد – بسته به اینکه چه کسی به آن نگاه می کند. یک ترک می‌تواند بخشی بی‌ضرر از فرآیند ته‌نشینی ساختمان یا نشانه‌ای از آسیب ساختاری باشد؛ متأسفانه، توافق کمی در مورد اینکه دقیقاً چه زمانی از اولی به دومی پیشرفت کرده است، وجود دارد.
اولین قدم برای گروه بذرافشان و ابراهیم خانلو رفع این عدم قطعیت با ایجاد روشی برای تعیین کمیت دقیق میزان ترک خوردگی بود. برای انجام این کار، آنها از یک روش ریاضی به نام نظریه گراف استفاده کردند که برای اندازه‌گیری و مطالعه شبکه‌ها – اخیراً شبکه‌های اجتماعی – با مشخص کردن ویژگی‌های نمودار آن، مانند تعداد دفعاتی که ترک‌ها به طور متوسط تلاقی می‌کنند، استفاده می‌شود.
ابراهیم خانلو در ابتدا فرآیند استفاده از ویژگی‌های نمودار را برای ایجاد نوعی «اثرانگشت» برای هر مجموعه از ترک‌ها در سازه‌های بتن مسلح توسعه داد و – با مقایسه پرینت‌های سازه‌های تازه بازرسی شده با سازه‌هایی با درجه‌بندی ایمنی شناخته شده – ارزیابی سریع و دقیق خسارت
Matthew Newman
Matthew Newman
Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasetsView all posts by Matthew Newman →
