מבוא

ניטור בריאותי סטרקטיטורי (SHM) הוא הנוהג של כל הזמן או מעת לעת להעריך את מצב התשתית כגון גשרים, מבנים, סכרים, מנהרות.המטרה היא לזהות נזק, הערכה של החיים שנותרו, והחלטות תחזוקה מדריך לפני הכשלונות להתרחש. שיטות SHM מסורתיות מסתמכות במידה רבה על בדיקות ידניות, חיישנים תקופתיים שנסקרו על ידי מומחים אנושיים, ואזהרות מבוססות הסף פשוטות, בעוד שגישות אלה שימשו במשך עשרות שנים, הן יכולות לעמוד על ידי בדיקות חישוביות, הן יכולות לעמוד על ידי בדיקות חישוביות, הן יכולות לעמוד על ידי מחסומים ידניים ופעולות מורכבות, ופעולות, הן יכולות לעמוד על ידי מחסומים מודרניים, ופעולות של נתונים, ומגבלות מעקב, אך הן יכולות לעמוד על ידי מחסומים ידניים, ומגבלות על ידי סודיות, ופעולות של נתונים, ומגבלות מעקב, ומגבלות זמן, אך הן יכולות לעמוד על ידי סודיות, אך הן יכולות להיות סובלות, אך ורקמות, אך הן יכולות להיות מתוחכמות, ועדכונים של נתונים מתוחכמות, אך ורקמות, ומגבלות מעקב מתוחכמות יעילות, הן יכולות לשמור על ידי חיישנים מודרניים, אך הן יכולות לשמור על ידי תסמינים של נתונים מתוחכמות, אך הן יכולות להיות מתוחכמות, אך ורקמות

ההתקדמות באינטליגנציה מלאכותית - במיוחד למידה עמוקה - מעבר לדרך משתנה קדימה.מודלים למידה עמוקה יכולים ללמוד באופן אוטומטי תכונות היררכיות מהנתונים הגולמיים, לזהות דפוסים מורכבים המעידים על השפלה מבנית, ולפעול בזמן אמת. בחמש השנים האחרונות, מחקר ופריסה שדה הוכיחו כי למידה עמוקה יכולה לשפר באופן משמעותי את הדיוק, המהירות, ואת העלות של SHM. מאמר זה מספק סקירה יסודית של איך עמוק הוא משמש לכיוונים טכניים, אתגרים, ותחומי יישום, אתגרים, שיפור משמעותי, שיפור משמעותי, יישומים, ותחומי יישומים, ותחומי יישומים, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, ותחומי יישומים טכניים, ותחומי יישומים, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, וחסכוניים, שיפור משמעותי, שיפור משמעותי, שיפור משמעותי, מהירות, מהירות, מהירות, מהירות, מהירות, וחסכוני של דיוק, וחסכוני של המאמר.

הבנה עמוקה של למידה

למידה עמוקה היא ענף של למידת מכונה המשתמש ברשתות עצביות מלאכותיות עם שכבות רבות (התעוררות "עמוקה") לדגם מערכות יחסים מורכבות, לא לינאריות בנתונים.בניגוד לשיטות לימוד מסורתיות הדורשות הנדסה תכונה ידנית, מודלים למידה עמוקה באופן אוטומטי להפיק תכונות רלוונטיות במהלך אימון.יכולות אלה הן בעלות ערך במיוחד ב-SHM, שבו חתימות הנזק יכולות להיות עדינותנות ומות שונות באופן נרחב על פני מבנים, חומרים, ותנאים סביבתיים.

אדריכלות רשת נילי המשמשת ב-SHM

מספר ארכיטקטורות למידה עמוקות הוכיחו יעילות עבור סוגים שונים של נתונים של SHM:

  • (FLT:0convolutional Neural Networks (CNN): irFLT:1 שפותח במקור עבור זיהוי תמונה, CNN מצטיינים בעיבוד נתונים מרחביים. in SHM, CNNs מוחלים על תמונות בדיקה חזותית (למשל, תמונות של משטחים קונקרטיים) כדי לזהות סדקים, ספא, קורוזיה, ודהמה.הם משמשים גם עם זמן רב של ייצוגים של אותות (spectrogram) למקרי נזקי תיבות של מוטציות).
  • רשתות Nural נוכחיות (RNN) ורשתות לטווח קצר ארוך (LSTM) רשתות:FLT:1 אדריכלות אלה נועדו עבור נתונים קיימים.הם מודלים תלות זמנית בזרמים חיישן כגון accelerometer, Stress, או טמפרטורה קריאה. LSTM, בפרט, יכול ללכוד דפוסים ארוכי טווח ומשמשים לחיזוי שימושי לחיים.
  • (FLT:0) אוטומטינקודים: FLT:1 לא נבדק מודלים למידה כי לומד לשחזר נתונים סטנדרטיים הפעלה. כאשר מבנה מתפתח נזק, השגיאה השחזור עולה, מתן ציון אנומלי. Autoencoders הם פופולריים עבור בעיות סיווג אחד-class שבו נתונים תווית הוא בקושי.
  • (FLT:0Graph Neural Networks (GNNss): 1 מתפתח בשנים האחרונות, גנונים פועלים על נתונים המובנות כגרפים.הם יכולים לעצב רשתות חיישן כמו צמתים וכושר כושר מרחבי כמו הקצוות, המאפשר נזק מקומי עם דיוק גבוה יותר.

בפועל, מערכות SHM רבות משלבות ארכיטקטורות מרובות - לדוגמה, באמצעות CNN כדי לעבד אותות רטט גולמי לתוך תכונות, ולאחר מכן להאכיל את התכונות האלה לתוך LSTM עבור מודלים זמניים.

יישומים מרכזיים של למידה עמוקה ב-SHM

גילוי נזקים אוטומטיים מתמונות וסרטונים

בדיקה חזותית נותרה שיטת ה-SHM הנפוצה ביותר, אך היא עבודה-מחדשת ו נוטה לשגיאה אנושית.מערכות ראיית מחשב מבוססות למידה מעמיקות משליכות את התהליך הזה. צינור טיפוסי כרוך בלכידת תמונות או מסגרות וידאו של משטחים מבניים באמצעות מל"טים או מצלמות קבועות, ולאחר מכן מעבירות אותם דרך רשת של CNN שהוכשרה לסקר או לסווג נזקים ב-2019, לדוגמה, ארכיטקטורת U-Net-Net יכולה לזהות סדקים ב-Flydexit-95% מנקודות מבט לאחור על גבי דגם אחד של דגם אחד של דגם אחר של דגם זהה-Firep.

נזק מבוסס ויברציה

שינויים בתכונות הדינמיות של המבנה - תדרים טבעיים, צורות מצב, יחסי לחות - מדד נזק.מודלים למידה עמוק לנתח את ההיסטוריה של זמן רטט מ accelerometers כדי לסווג את המיקום ואת החומרה. גישה אחת נפוצה מתייחסת לאות האצה הגולמית כמו סדרה זמן וליישם 1D-D CNN או LSTM כדי להבחין בין מצבים בריאים, פגומים, ותיקון.

המונחים: Acous Emission

פליטה אקוסטית (AE) חיישנים ללכוד גלי אלסטיים גבוהים שנוצרו על ידי צמיחה סדק, פריצה סיבים, או דלמנטום.מודלים למידה עמוקה יכולים לסווג אותות AE למנגנוני מקור (למשל, מריצה נגד סיבים למשוך במתחרים) רשתות עצביות מהפכתיות מוחלות על גלי AE בזמן הגלים של זמן גולמי יש תכונות מסורתיות מבוססות כיתה, במיוחד כאשר הם משתמשים ב-Aexicial HD כדי ליצור נזק עם סוג של דגם עם נוגדנים.

תחזוקה חיזויית וקיום חיים שימושיים (RUL) אסטימומציה

פרוגנוסטים שואפים לחזות מתי רכיב ייכשל.מודלים למידה עמוקה ילמדו מגמות השפלה מהנתונים ההיסטוריים של חיישן.לדוגמה, רשת LSTM יכולה לקחת רצף של מדידות מתוחות במשך חודשים וחיזוי חיי העייפות הנותרים של גל פלדה.העברה למידה מסייעת כאשר מתוייגת נתונים לרוץ אל-failure מוגבל - מודל לפני סימולציה נתונים מתאום דיגיטלי יכול להיות מוקרן על ידי דק על פני חיישנים אמיתיים על פני כדור הארץ.

גילוי בזמן אמת עם Edge Computing

עבור ניטור מתמשך, העברת כל נתוני חיישן גולמי לענן יכול להיות רוחב פס-רגיש ורגיש מאוד. Edge מחשוב בשילוב עם מודלים למידה עמוקה משקל מאפשר זיהוי בזמן אמת על-אתר. מכשיר כגון NVIDIA Jetson או Google יכול להפעיל את קודר אינטרנט קוונטי כי דגלים חריגים בתוך מילימטרים. כאשר aomaly מזוהה רק את האירוע הזה נייח (קיצור נתונים) והוא נשלח באופן דרמטי על ידי מרכז סין.

יתרונות של Deep Learning-Powered SHM

  • (FLT:0) ,Higher Detection Accuracy:FLT:1 (מטה-אנליז) של מחקרים שפורסמו מראים כי מודלים למידה עמוקה לעתים קרובות להשיג 5-15% גבוה יותר של שיעור חיובי אמיתי עבור זיהוי סדק בהשוואה לבדיקה ידנית או למידה מכונה מסורתית, עם שיעור חיובי נמוך יותר כוזב.
  • (FLT:0) ,Reduced Inspection Cost and Time:cioFLT:1) בדיקות חזותיות מבוססות רחפנים באמצעות CNN יכולות לבדוק גשר באורך של 500 מטר תוך שעה ולעבד את התמונות בין לילה.
  • (FLT:0) ניטור מתמיד של אזורים בלתי נגישים: ⁇ FLT 1:1 למידה עמוקה מאפשר ניטור של אזורים קשים או מסוכנים לבני אדם להגיע, כגון מתחת לגשר או הפנים של מערכת הקיר של בניין גבוה.
  • (FLT:0) מערכות אזהרה מוקדמות: FLT:1 על ידי ניתוח מגמות ולא רק סף פשוט, מודלים למידה עמוקה יכולים להטיל אזהרות שבועות או חודשים מראש.
  • (FLT:0) ,Adaptability to different Structural Types:FLT 1 עם העברת למידה, מודל מאומן על גשר אחד יכול להיות מותאם במהירות לגשר דומה עם כמה ימים של אימוני נתונים, צמצום הצורך בנתונים מתוייגים גדולים עבור כל מבנה חדש.

אתגרים ומגבלות נוכחיות

למרות הבטחתו, שילוב למידה עמוקה במערכות SHM התפעוליות עומד בפני מכשולים משמעותיים שקהילת ההנדסה מטפלת בהם באופן פעיל.

איכות נתונים וזמינות

מודלים למידה עמוקה הם נתונים-hungry. פריסות SHM רבות לייצר כמויות עצומות של נתונים, אבל הנתונים האלה לעתים קרובות unlabeled (אין אמת קרקע על נזק) או מכיל רמות רעש גבוהות של רטט סביבתי (wind, תנועה, הולכי רגל) או מינוף נתונים נזק, במיוחד עבור אירועים נדירים או חמורים, הוא יקר ולעתים בלתי אפשרי מבלי לגרום נזק מכוון למבנה.

מודל Interpretability

מהנדסים וגופים רגולטוריים צריכים להבין מדוע מודל שזרעו אנמליות.רשתות עצביות עמוקות הן לעתים קרובות "קופסאות שחורות" (טכניקות כגון מנגנוני תשומת לב, Grad-CAM (עבור CNN על תמונות), וערכי SHAP יכולים לספק הסברים חלקיים, אך אלה עדיין אינם סטנדרטיים עבור SHM. ללא נוסחאות, בעלי תשתיות עשויים להיות חסרי מוטיבציה לפעול על מודלים, במיוחד ברזולוציה גבוהה של החלטות לגבי הסגר או על סגירת מבנים.

הכללה על פני מבנים וסביבתם

מודל שהוכשר על נתונים מגשר פלדה באקלים ממוזג לא יכול להופיע היטב על גשר בטון בקופסה-ג'ירדר באזור מונסון טרופי.הבדלים בתכונות חומריות, גיאומטריה, מיקום חיישן, ותנאים מבולגנים גורמים לשינויי הפצה.

שילוב עם קיימות תשתיות

מערכות SHM קיימות רבות בנויות על חומרה ותוכנה מורשת שמתקשרות באמצעות פרוטוקולים קנייניים. integrating a Deep Learning inference Engine דורשות רטרופורמטיביות עם מכשירים קצה או שינוי צינורות ענן.עלות מעלה ודאגות אבטחת סייבר לעתים קרובות להאט אימוץ.בנוסף, תחזוקה ארוכת טווח של מודלים למידה עמוקה (הפעלתם כפעולות מבניות) דורשת מומחיות כי חברות הנדסה אזרחית רבות כיום חסרות.

מגמות מחקר ודרכים לעתיד

רשתות ניברסאליים ורשתות ניברסאליות (PINNs)

תאום דיגיטלי הוא העתק וירטואלי של מבנה המתעדכן באופן רציף עם נתוני חיישן.מודלים למידה עמוק יכולים להיות מוטבע בתוך תאומים דיגיטליים לחזות תגובה מבנית תחת תרחישים שונים.רשתות עצביות בעלות מידע על פיסיקה משלבות את המשוואות השולטות של מכניקה מבנית (למשל, ניסוח סופי) לתוך הפונקציה אובדן, הבטחת תחזיות הן הסתברות פיזית.

למידה מבוססת פרטיות עבור Private-Preworth SHM

במדינות רבות, נתוני חיישן מתשתית קריטית רגישים.רכבות למידה פדרנדות מודלים על פני מבנים מרובים ללא שיתוף נתונים גולמיים; רק מודלים ⁇ s משוחזרים.זה מאפשר רשת של גשרים המנטרים על ידי סוכנויות שונות ללמוד באופן קולקטיבי גלאי חזק יותר תוך שמירה על ריבונות נתונים. פרויקט טייס ממומן על ידי הוועדה האירופית הוא בדיקותSHM על חמישה גשרים בשלוש מדינות, עם תוצאות מוקדמות.

למידה מרחוק ומעט-Shot Learning

כדי להתגבר על המחסור בנתונים של נזק מתוייגים, למידה העברה מאפשרת מודל מראש על מודל נתונים מקור גדול (למשל, תכונות נזק מדמיות או תמונות של משטחים קונקרטיים גנריים) להיות מכוונן עם רק קומץ של דוגמאות מתוייגות מגשר היעד.כמה-shot טכניקות באמצעות רשתות למידה חד-תכליתיות (רשתות ⁇ , רשתות פרוטיפטיות) יכולות לאחד נזק מ 5 סוגים אלה של שיטות מחקר.

תקנים והנחיות

הארגון הבינלאומי לתקינה (ISO) והחברה האמריקאית של מהנדסים אזרחיים (ASCE) פועלים על סטנדרטים עבור נושאים בעלי מניות AI כוללים דרישות מינימום של נתונים, פרוטוקולים אימות מודלים, סף דיוק מקובלים, ותבניות דיווח. מסמך לבן מועדת ASCE SEI/ASHE (זמין ב-F:0ASCES האתר של LTFIR) לקווים מנחים לשימוש עמוק בדגמים של יישומים של ASCE SEI/ASHRAE (S) עבור מודלים קריטיים.

Multi-Modal Sensor Fusion

מערכות SHM בעתיד ימזגו נתונים מ- Accelerometers, מדפי זנים, מצלמות, חיישנים אקוסטיים ואפילו לוויינים אינSAR (Interferometric Synthetic Aperture Radar) עבור עיוות קרקעי.מודלים למידה עמוקה עם ארכיטקטורות מרובות-מודולליות (למשל, משחתני מעבר) יכולים לנצל מידע משלים: לדוגמה, שילוב נתונים (רגישים לכדי שינוי ויזואלי) עם ירידה משמעותית ב- 30% מאפקטים מקומיים (או-או-או-או-או-טיפוס) עם שינויים רגישים יותר).

מסקנה

למידה עמוקה מעצבת מחדש מעקב בריאות מבני על ידי מתן הערכה אוטומטית, מדויקת ומתמשכת של גשרים ובניינים.מגילוי סדקים ב בטון באמצעות CNN כדי להישאר חיזוי חיים עם LSTMs, שיטות אלה נעות ממחקר אקדמי לתוך פריסה בעולם האמיתי.היתרונות - דיוק גבוה יותר, זיהוי מזג אוויר גבוה יותר, ירידה בעלויות בדיקה, התראות עתיות רבות עוצמה, ותרעות מוקדמות - הם מותנים היטב אתגרים מבניים, אך עדיין, כמו גם מודלים של למידה, דורשות גבוהה, והופכים לשילוב של טכנולוגיות, והופכים לאימון, והופכים להתפתחויות מתקדמות, והופכים לטכנולוגיות למידה, כמו גם לאימון רחבות, כמו גם שינויים, כמו גם שינויים מתקדמים, כמו גם לאימון יעיל יותר, כמו גם שינויים חזקים יותר, כמו גם שינויים מתקדמים יותר, ושינויים מתקדמים, כמו גם שינויים מתקדמים, כמו גם טכנולוגיות, כמו גם טכנולוגיות, כמו גם אינטגרציה, ושינויים מתקדמים, כמו גם אינטגרציה, כמו גם למערכות למידה, כמו גם אינטגרציה, כמו גם אינטגרציה, כמו גם אינטגרציה, דרישות למידה, ושינויים מתקדמים יותר, כמו גם למערכות למידה, כמו גם למערכות למידה, כמו גם למערכות למידה, כמו גם אינטגרציה, כמו גם אינטגרציה, כלומר, כמו גם אקטיביות

לקריאה נוספת, מאמר מקיף שפורסם ב-FLT:0Mechanical Systems and Signal Processing (2021)BuildFLT:1 סקרים מעל 300 מאמרים על למידה עמוקה עבור SHM. מעשי מקרה מחקרים של מינהל הכבישים הפדרלי בארה"ב ניתן לגשת דרך FLT שלהם:2research PageveFLT 3: 3.