استخدام التعلم العميق لتعزيز رصد الصحة الهيكلية للجسور والمبنى

مقدمة

(ج) الرصد الهيكلي للصحة هو ممارسة التقييم المستمر أو الدوري لحالة الهياكل الأساسية مثل الجسور والمباني والسدود والأنفاق، والهدف هو كشف الضرر وتقدير العمر المتبقي وتوجيه قرارات الصيانة قبل حدوث الفشل، أما الأساليب التقليدية للإدارة السليمة للمواد الكيميائية فتعتمد اعتماداً كبيراً على عمليات التفتيش المرئية اليدوية، والقراءات المستشعرة الدورية التي يستعرضها الخبراء الإنسانيون، والتنبيهات البسيطة القائمة على العتبة، فهي تُستخدم منذ عقود من الزمن.

وقد أظهرت نماذج التعلم العميق، التي يمكن أن تتعلم تلقائياً سمات هرمية من البيانات الخام، واكتشاف الأنماط المعقدة التي تشير إلى التدهور الهيكلي، والعمل في الوقت الحقيقي، خلال السنوات الخمس الماضية، أن البحث والنشر الميداني يمكن أن يحسن بدرجة كبيرة من دقة وسرعة وفعالية التكلفة في الإدارة البشرية المستدامة، وتوفر هذه المادة لمحة عامة شاملة عن كيفية تطبيق التعليم العميق في المستقبل على رصد الفوائد الناشئة، والتحديات التي تواجه التعليم الميداني.

Understanding Deep Learning for SHM

والتعلم العميق هو فرع للتعلم الآلي يستخدم شبكات الظواهر العصبية الاصطناعية ذات طبقات عديدة (العلم (الثقب) إلى العلاقات المعقدة وغير الخطية النموذجية في البيانات، خلافا لأساليب التعلم الآلات التقليدية التي تتطلب هندسة يدوية، فإن نماذج التعلم العميق تستخرج تلقائيا سمات ذات صلة أثناء التدريب، وهذه القدرة قيمة بوجه خاص في الإدارة المستدامة للأراضي، حيث يمكن أن تكون التوقيعات على الأضرار أقل من غيرها وتختلف على نطاق واسع بين الهياكل والمواد والظروف البيئية.

مصممات الشبكة العصبية المستخدمة في الإدارة الصحية المتكاملة للمواد الكيميائية

وقد ثبتت فعالية عدة هياكل للتعلم العميق بالنسبة لأنواع مختلفة من بيانات الإدارة المستدامة للأراضي:

Convolutional Neural Networks (CNNs):] Originally developed for image recognition, CNNs excel at processing spatial data. In SHM, CNNs are applied to visual inspection images (e.g., photographs of concrete surfaces) to detect cracks, spalling, corrosion, and delagrams.
Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) networks:] These structures are designed for sequential data. they model temporal dependencies in sensor streams such as accelerometer, strain detection gauge, or temperature readings.
Autoencoders:] Unsupervised learning models that learn to reconstruct normal operating data. When a structure develops damage, the reconstruction error increases, providing anomaly score. Autoencoders are popular for one-class classification problems where labeled damage data is scarce.
Graph Neural Networks (GNNs):] Emerging in recent years, GNNs operate on data structured as graphs. They can model sensor networks as nodes and spatial adjacencies as edges, enabling damage localization with higher accuracy.

وفي الممارسة العملية، تجمع نظم كثيرة للإدارة الصحية المستدامة بين عدة هياكل - على سبيل المثال، باستخدام شبكة CNN لتجهيز إشارات الاهتزاز الخام إلى سمات، ثم تغذي تلك الملامح في نموذج نموذجي مؤقت.

التطبيقات الرئيسية للتعلم العميق في مجال الإدارة المستدامة للأراضي

كشف الأضرار الآلية من الصور والأفيديو

(ج) أن تُظهر أجهزة التفتيش الافتراضية أكثر الطرق شيوعاً في مجال الإدارة الصحية الشاملة، ولكنها كثيفة العمالة ومعرضة للخطأ البشري، وأن نظم الرؤية الحاسوبية القائمة على التعلم العميق تُؤمّن هذه العملية، وأن خط الأنابيب النموذجي يُستعان به في صور أو أُطر فيديو من الأسطح الهيكلية باستخدام طائرات بدون طيار أو كاميرات ثابتة، ثم تمريرها عبر جهاز إنذار من طراز CNN مدرب على تفصيل أو تصنيف أنواع الضرر.

تحديد الأضرار التي تلحق بالضحية

تغيرات في الخصائص الدينامية للهيكل - ترددات طبيعية، شكل نمطية، نسب التلقيم - الضرر اللاحق، نماذج التعلم العميق تحلل تاريخ الإهتزازات من تسارع التسارع لتصنيف موقع الضرر ودرجة الخطورة، أحد النهجين الموحدين يعامل إشارة التسارع الأولية كسلسلة زمنية ويطبق سيناريو 1D CNN أو LSTM للتمييز بين التلف الصحي، 2020، والضرر.

رصد الانبعاثات الصوتية

(أ) تلتقط أجهزة الاستشعار عن الانبعاث الصوتي موجات عالية التردد من النسيج المتولدة عن نمو الكراك أو كسر الألياف أو التسرب، ويمكن أن تصنف نماذج التعلم العميق إشارات الإي إي إي إي إي إي إلى آليات المصدر (مثلاً، تشقق الألياف المكشوفة في المركبتين) وتُستخدم الشبكات العصبية المتجانسة في دراسة البرمجيات النباتية الجاهزة التي تستخدم في خام(21).

الصيانة الافتراضية والتقدير المستمر للحياة المفيدة

وتهدف هذه الشبكة إلى التنبؤ بموعد الفشل، إذ تتعلم نماذج التعلم العميق اتجاهات التدهور من بيانات الاستشعار التاريخي، فعلى سبيل المثال، يمكن لشبكة " LSTM " أن تأخذ سلسلة من القياسات المضللة على مدى أشهر وأن تتوقّع مدى الحياة الدهنية المتبقية لزراعة فولاذية، وتساعد التعلم في النقل عندما تكون بيانات الارتقاء محدودة، ويحمل على بيانات محاكاة من جانب توائم رقمي.

الكشف عن حالة الشذوذ في الوقت الحقيقي مع نظام حاسبة إدج

ومن أجل الرصد المستمر، يمكن أن تكون جميع بيانات الاستشعار الخام إلى السحابة ذات كثافة عرضية ومراعية للثغرات، ويسمح حاسبة الكيد مع نماذج للتعلم العميق الخفيف بالكشف عن الشذوذ في الوقت الحقيقي، كما أن جهازا مثل نظام " نفيس ديا " (NVIDIA) أو " Coral) يمكن أن يدير هيكلا كميا للشبكة الوطنية التي تُعلم أنماطاً غير عادية للتشغيل في إطار سلسلة من الألف.

استحقاقات التعليم العالي

Higher Detection Accuracy:] Meta-analyses of published studies show that deep learning models often achieve 5 -15% higher true positive rates for crack detection compared to manual inspection or traditional machine learning, with a lower false positive rate.
Reduced Inspection Cost and Time:] Automated drone-based visual inspections using CNNs can survey a 500-meter bridge in under an hour and process the images overnight. Traditional rope-access inspection might require a three-person crew for two days. Cost savings of 60-80% have been reported.
الرصد المستمر للمناطق التي يتعذر الوصول إليها: ] والتعلم العميق يتيح رصد المناطق التي يصعب أو خطرة بالنسبة للبشر الوصول إليها، مثل أسفل جسر أو داخل نظام جدران الستار للمبنى الطويل.
Early Warning Systems:] By analyzing trends rather than simple thresholds, deep learning models can issue warnings weeks or months in advance. For example, an LSTM monitoring triste in a concrete arch bridge alerted engineers to abnormal movement two months before a critical crack appeared.
Adaptability to Different Structural Types:] With transfer learning, a model trained on one bridge can be quickly adapted to a similar bridge with only a few days of retraining data, reducing the need for large labeled datasets for every new structure.

التحديات والحدود الراهنة

ورغم وعدها، فإن إدماج التعلم العميق في نظم الإدارة المستدامة للأراضي في العمليات يواجه عقبات كبيرة تواجه المجتمع الهندسي اهتماماً فعالاً.

نوعية البيانات وكميتها

وتولد نماذج التعلم العميق كميات هائلة من البيانات، ولكن البيانات غير معلومة في كثير من الأحيان (لا توجد حقيقة أرضية بشأن الضرر) أو تحتوي على مستويات ضوضاء عالية من الاهتزازات البيئية (الرياح، والزحام، والمشاة) ويُعتبر الحصول على بيانات عن الأضرار المسمومة، لا سيما بالنسبة للأحداث النادرة أو الشديدة، باهظ التكلفة، وأحيانا مستحيلا دون إحداث ضرر متعمد في هيكل ما.

الترجمة الشفوية النموذجية

يحتاج المهندسون والهيئات التنظيمية إلى فهم سبب وجود شذوذ نموذجي، فالشبكات العصبية العميقة غالباً ما تكون " صناديق سوداء " ، وتقنيات مثل آليات الاهتمام، ودرجة جدّية - كام (بالنسبة للأنباء الاصطناعية على الصور)، وقيم النهج المنسق في الصحة البشرية يمكن أن تقدم تفسيرات جزئية، ولكن هذه لا تُحدَّد بعد للإدارة المستدامة للأراضي.

ألف - تعميم مختلف الهياكل والبيئة

وقد لا يؤدي نموذج مدرَّب على البيانات المستمدة من جسر صدع الفولاذ في مناخ مغري إلى أداء جيد على جسر محدد من المربعات في منطقة موسوعة استوائية، كما أن الاختلافات في الممتلكات المادية، والتقدير الجيولوجي، ووضع أجهزة الاستشعار، والظروف المحيطة تؤدي إلى تحولات في التوزيع، كما أن التكيف مع القاع والتعلم المتعدد الأطقم هما مجالان من مجالات البحث النشطة، ولكن الحلول الميدانية لا تزال نادرة.

التكامل مع الهياكل الأساسية القائمة

ويبنى العديد من النظم القائمة لإدارة الصحة البشرية على المعدات والبرامجيات القديمة التي تتواصل عبر بروتوكولات الملكية، ويتطلب إدماج محرك للتعلم العميق إما إعادة استخدام أجهزة الحافة أو تعديل خطوط الأنابيب السحابية، وكثيرا ما تباطؤ عملية الاعتماد في مجال التكلفة الأمامية وأمن الفضاء الإلكتروني، وبالإضافة إلى ذلك، يتطلب الحفاظ على نماذج التعلم العميق في الأجل الطويل (تعقيم السلوك الهيكلي) خبرة تفتقر إليها حاليا شركات هندسية مدنية كثيرة.

الاتجاهات المستقبلية واتجاهات البحوث

التوائم الرقمية والشبكات العصبية المزودة بالمعلومات الفيزياء

فالتواؤم الرقمي هو تكرار افتراضي عالي الشكل لهيكل يجري تحديثه باستمرار مع بيانات الاستشعار، ويمكن أن تدمج نماذج التعلم العميق داخل التوأم الرقمي للتنبؤ بالاستجابة الهيكلية في إطار سيناريوهات مختلفة، وقد أدرجت الشبكات العصبية المزودة بالمعلومات الفيزيائية معادلة الميكانيكية الهيكلية (مثلاً تركيب العناصر الزهية) في وظيفة الخسارة، مما يكفل إمكانية التنبؤات بشكل عام.

التعليم الموحد من أجل الحفاظ على الخصوصية

وفي كثير من البلدان، تتسم بيانات الاستشعار من الهياكل الأساسية الحيوية بالحساسية، إذ تُعد نماذج التدريب الموحد عبر هياكل متعددة دون تقاسم البيانات الخام؛ ولا تُتبادل سوى نماذج التدرجات النموذجية، مما يتيح شبكة من الجسور التي ترصدها مختلف الوكالات لتعلم معا جهازا أكثر قوة للكشف عن الشذوذ مع احترام سيادة البيانات، وهناك مشروع تجريبي تموله المفوضية الأوروبية يجري اختبار الإدارة الصحية الموحدة على خمسة جسور في ثلاثة بلدان، مع نتائج مبكرة واعدة.

التعلم في مجال النقل والتعلم الضئيل

وللتغلب على شح البيانات المتعلقة بالأضرار المسمومة، يتيح التعلم في مجال النقل نموذجاً مدرَّباً مسبقاً على مجموعة بيانات كبيرة من المصادر (مثلاً، خصائص الضرر المحاكاة أو صور الأسطح الملموسة العامة) تُعدّل بدقّة مع حفنة من الأمثلة المسمّاة من الجسر المستهدف، كما أن تقنيات التعلم من الطلقات الخفيفة التي تستخدم الشبكات المترابطة (الشبكات السامة، والشبكات المصورة) يمكن أن تصنف الضرر من خمسة أنواعا.

توحيد المعايير والمبادئ التوجيهية

وتعمل المنظمة الدولية لتوحيد المقاييس والجمعية الأمريكية للمهندسين المدنيين على معايير للإدارة الصحية المتكاملة المدعومة من منظمة العفو الدولية. وتشمل المواضيع المتطلبات الدنيا لمجموعات البيانات، وبروتوكولات التصديق النموذجية، وعتبات الدقة المقبولة، وأشكال الإبلاغ.

(ب) أن نظم الإدارة الذاتية الاصطناعية المستقبلية ستنذر بيانات من المقاييس التسارعية، وقياسات الإجهاد، والكاميرات، والمجسات الصوتية، وحتى الساتل إنسار (الرادار الاصطناعي المغنطيسي) من أجل التشهير الأرضي، ويمكن أن تستغل نماذج التعلم العميق التي تحتوي على هياكل متعددة الوسائط (مثلاً، محولات الضبط المختلف) معلومات تكميلية:

خاتمة

فالتعلُّم العميق يُعدُّ من جديد رصداً هيكلياً للصحة من خلال التمكين من إجراء تقييم آلي ودقيق ومستمر للجسور والمباني، ومن الكشف عن الكراك في الخرسانة باستخدام البرمجيات الوطنية للكيماويات إلى التنبؤات المتبقية، فإن هذه الأساليب تتحول من البحوث الأكاديمية إلى نشر في العالم الحقيقي، كما أنَّ تحسين القدرة على الكشف عن الفوائد، وانخفاض تكاليف التفتيش، والإنذارات في الوقت الحقيقي، والضرورة المبكرة، تظل قائمة على نحو جيد.

For further reading, a comprehensive review article published in Mechanical Systems and Signal Processing (2021)] surveys over 300 papers on deep learning for SHM. Practical case studies from the U.S. Federal Highway Administration can be accessed through their research page.