Giriş Giriş Giriş
Yapısal sağlık izleme (SHM) sürekli veya periyodik olarak köprüler, binalar, barajlar ve tüneller gibi altyapı durumunu değerlendirmektir. Hedef zarar tespit etmek, kalan yaşam ve rehberlik kararları tespit etmektir. Geleneksel SHM yöntemleri, manuel görsel incelemelere, periyodik sensörlere, insan uzmanları tarafından incelenen ve basit eşgüdümlü uyarılara göre incelenebilir.Bu yaklaşımlar onlarca yıldır kullanılmış olsa da, birkaç iyi niyetli sınırlamadan muzdariptir: denetimler pahalı ve zamanlayıcıdır.
Yapay zekadaki ilerlemeler -özellikle derin öğrenme - dönüşümsel bir yol ileriye dönük olarak ortaya çıkabilir. Derin öğrenme modelleri otomatik olarak ham verilerden hiyerarşik özellikler öğrenebilir, yapısal bozulmaları kanıtlayabilir ve gerçek zamanlı olarak çalışır. Son beş yılda, araştırma ve alan dağıtımları, derin öğrenmenin doğruluğunu, hızını ve maliyetin daha iyi bir şekilde iyileştirebileceğini göstermiştir.
SHM için Derin Öğrenmeyi Anlamak
Derin öğrenme, yapay sinir ağları birçok katmanla kullanan bir makine öğreniminin bir şubesidir (hence "deep") karmaşık, verideki doğrusal olmayan ilişkiler. manuel özellik mühendisliği gerektiren geleneksel makine öğrenme yöntemlerinden farklı olarak, eğitim sırasında özellikle ilgili özellikleri elde etmek.Bu özellik SHM'de özellikle de değerlidir, ki bu hasar imzaları yapılar, malzemeler ve çevresel koşullar arasında geniş ölçüde değişebilir.
Neural Network Architectures SHM'de Kullanılan
Çeşitli derin öğrenme mimarileri farklı SHM verileri için etkili kanıtlamıştır:
- [FONT=0)Convolutional Neural Networks (CNNs): [Döneticileri için geliştirilmiş olan, CNNs, uzaysal verilerin işlenmesinde başarır. SHM'de CNN'ler hasar durumlarını sınıflandırmak için uygulanır.
- [FONT=0)Recurrent Neural Networks (RNNs) ve Long Short-Term Memory (LSTM) ağları:) Bu mimariler, olasılıksal bir veri için tasarlanmıştır.
- [FONT:0)Autoencoders:[Dönetici:[Dönetici:0)[Döneticileri)[Döneticileri normal işletim verileri yeniden inşa etmeyi öğrenen denetimsiz öğrenme modelleri.Bir yapı hasar geliştirirken, yeniden yapılandırma hatası artar, anomali puan sağlar. Autoencoders, etiketli hasar verilerinin az olduğu bir sınıf sınıflandırma problemleri için popülerdir.
- [FONT=0)Graph Neural Networks (GNNs): [Dönümüzdeki yıllarda GNNs, grafik olarak yapılandırılmış veriler üzerinde çalışır.
Uygulamada, birçok SHM sistemleri birden çok mimari birleştirir - örneğin, bir CNN'i kullanarak, bu özellikleri zaman modelleme için LSTM'ye beslemektedir.
SHM'de Derin Öğrenmenin Anahtar Uygulamaları
Görüntülerden ve videolardan otomatik Hasar Tespiti
Görsel denetim en yaygın SHM yöntemi olarak kalır, ancak bir CNN tarafından eğitilen veya insan hatasına eğilimlidir.Bu süreç, modüler bir bilgisayar vizyonu sistemleriyle bu süreci otomatikleştirmektedir. Tipik bir boru hattı, kablolar veya sabit kameraları kullanarak yapısal yüzeylerdeki görüntüleri veya video çerçevelerini tespit eder, sonra onları segmente ya da hasar türlerine sınıflandırmak için eğitilmiş bir CNN aracılığıyla geçirir.Fort-Net mimarisi, bu tür bir çatlakları göstermek için betonda çatlakları tespit edebilir.
Titreşim tabanlı Hasar Tanımlama
Bir yapının dinamik özelliklerindeki değişiklikler - doğal frekanslar, mod şekilleri, damping oranları - tıbbi hasarlar - derin öğrenme modelleri, vibrasyon zamanlarını bir yere ve ciddiyetle sınıflandırmak için analiz eder.Bir ortak yaklaşım, İsviçre'de bir zaman serisi olarak ham ivme sinyaline sahiptir ve yapay hasar senaryolarına uymak için 1D CNN veya LSTM'yi uygular.[değiştir | kaynağı değiştir]
Akustik Emisyon İzleme
AE sinyalleri kaynak mekanizmalarına (örneğin, v., v.d.) yükselticiler, C.T. tarafından üretilen yüksek frekanslı elastik dalgalar, fiber kırılmalar veya delaminasyon. Deep learning models, özellikle de birçok hasar türü ortak olduğunda AE sinyalleri kaynak mekanizmalarına (örneğin, KAIST'den gelen bir karma CNN-LSTM modeli kullanılarak, AE dalgalamaları% 96 oranında sınıflandırmak için kullanılır.
Öngörücü Bakım ve Faydalı Yaşam (RUL) Estimasyon
Prognostics, bir bileşen başarısız olduğunda tahmin etmeyi hedefliyor. Deep learning models tarihsel sensör verilerinden sapma eğilimleri öğrenir. Örneğin, bir LSTM ağı, gerçek sensör okumalarında bir dizi su kesintisi alabilir ve kalan bir çelik telinin yorgunluğunu tahmin eder. Transfer öğrenme yöntemi, etiketli koşu verilerinin sınırlıyken yardımcı olur - dijital ikizden gelen bir model önceden simülasyona dayalı olarak incelenebilir.
Gerçek Zamanlı Bir Şekilde Edge Computing ile Analiz
Sürekli izleme için, buluta tüm ham sensör verilerini aktarın, milisaniyeler içinde anormal vibrasyon kalıplarının tespit edildiği bir ölçüm için, yalnızca hafif derin öğrenme modelleriyle eşleştirilmiş, veri hacmine ciddi şekilde bir şekilde bir cihaz gönderilebilir. Bu mimari, Çin ve Avrupa'daki uzun vadeli köprüler üzerinde dağıtılabilir.
Deep Learning-Powered SHM
- [[Düzücük Analiz: [Dönetici: 0,4] Meta-analys of published study show that deep learning models often to mak algılama için% 15 daha yüksek gerçek pozitif oranları manuel denetim veya geleneksel makine öğrenimine kıyasla, daha düşük bir yanlış pozitif oran ile.
- [FONT:0)Redüktör Maliyet ve Zaman: Otomatik drone tabanlı görsel denetimler CNN'leri kullanarak bir saat boyunca 500 metre köprüyü araştırabilir ve görüntüleri bir gecede işlemeye devam edebilir. Geleneksel ip-erişim denetimi iki gün boyunca üç kişilik bir mürettebat gerektirebilir.% 60-80 maliyet tasarrufu rapor edilmiştir.
- [FONT:0) Inaccessible Area'nın ayrılmaz İzlemesi:[Dön öğrenme, insanların köprünün veya uzun bir binanın perde duvarı sisteminin alt tarafında olduğu gibi, insanların ulaşmak için zor veya tehlikeli alanların izlenmesine olanak sağlar.
- [FONT:0]Early Uyarı Sistemleri:[Dönetici:[Döneticileri analiz ederek, basit eşlerden ziyade, derin öğrenme modelleri önceden uyarı haftalarını veya aylarını önceden sorun. Örneğin, LSTM izleme, kritik bir çatlaklar ortaya çıkmadan iki ay önce anormal hareket için uyarılan mühendisler.
- [FONT:0] Farklı Yapısal Tiplere Uygunluk:) Transfer öğrenme ile, bir köprü üzerinde eğitilmiş bir model, yalnızca birkaç gün yeniden eğitim veri toplama, her yeni yapı için büyük etiketli veri setlerine ihtiyaç duyar.
Mevcut Zorluklar ve Sınırlar
Sözcülüğe rağmen, operasyonel SHM sistemleri içine derin öğrenmeyi entegre etmek, mühendislik topluluğunun aktif olarak ele alındığı önemli engellerle karşı karşıyadır.
Data Quality and Sayı
Derin öğrenme modelleri veri yükleridir. Birçok SHM dağıtımları büyük miktarda veri üretir, ancak bu veriler genellikle silinmemiş (herhangi bir element simülasyonu hakkında temel bilgiler içerir) veya sentetik veriler üzerinde eğitilmiş modeller (pi, trafik, yayalar). etiketli hasarlar elde etmek, özellikle nadir veya ciddi olaylar için, özellikle de bir yapıya zarar vermeden pahalı ve bazen imkansız.
Model Yorumability
Mühendisler ve düzenleyici bedenler neden bir modelin bir anomali olduğunu anlamalılar. Derin sinir ağları genellikle "kara kutular" olarak yorumlanabilirler, özellikle köprüler veya bina tahliyeleri hakkında kararlar alırlar.
Genelleştirme Across Structures and Environments
Bir çelik transuss köprünün bir mikrop taştan eğitim almış bir model, muzdaki bir köprüyü tropikal bir manastır bölgesinde beton kutulu bir köprüde iyi performans göstermeyebilir. Malzeme özellikleri, geometri, sensör yerleştirme ve ortam koşulları dağıtımlarına neden olur. Domain adaptasyonu ve multi-task öğrenme aktif araştırma alanlarıdır, ancak alan destekli çözümler nadir kalır.
Mevcut Altyapı ile entegrasyon
Mevcut birçok SHM sistemi, özel protokolleri kullanarak iletişim kuran miras donanım ve yazılım üzerine inşa edilmiştir. Derin bir öğrenme motoru, şu anda birçok sivil mühendislik firmasının eksik olduğu uzmanlık gerektirir.
Future Yol ve Araştırma Trendleri
Dijital Twins ve Fizik-Inform Neural Networks (PINNs)
Dijital ikiz, yapısal mekaniklerin yönetim denklemlerini (örneğin, sonlu elemanlar formülasyonu) çeşitli senaryolarda yapısal cevabı tahmin etmek için dijital ikizler içinde gömülür. Örneğin, PINNs, 100 eğitim örneği ile hasar görmüş bir köprünün dinamik yanıtını simüle etmek için kullanılmıştır.
Yasal Uyarı Öğrenme için
Birçok ülkede, kritik altyapıdan gelen sensör verileri hassastır. Avrupa Komisyonu tarafından finanse edilen birçok binadaki tren modellerini kullanarak satın almalı; sadece model gradients değiş tokuş edilir. Bu, farklı ajanslar tarafından toplu olarak izlenen köprülerin bir ağının daha sağlam bir anomali dektör öğrenmesine olanak sağlar. Avrupa Komisyonu tarafından finanse edilen bir pilot proje, üç ülkedeki beş köprüde beş köprüde umut verici erken sonuçlarla beslenmeye devam etmektedir.
Transfer Öğrenme ve Daha Az Sıcak Öğrenme
etiketli hasar verilerinin kıtlığını aşmak için, transfer öğrenme, büyük bir kaynak veri kümesi üzerinde önceden eğitim verilen bir modele izin verir (örneğin, genel beton yüzeylerin özelliklerini veya görüntülerini simüle etmek) araştırma laboratuvarlarından alan denemelerine kadar uzanan bir avuç etiketli örnekle hareket eder.
Standartlaştırma ve Kılavuz
Uluslararası Standartlaştırma Örgütü (ISO) ve Amerikan Sivil Mühendisleri Derneği (ASCE) AI-assisted SHM. Topics web sitesi için standartlar üzerinde çalışıyor, doğru eşleme ve raporlama biçimleri için gerekli olan temel bilgileri içeriyor. ASCE SEI/ASHRAE komitesinden beyaz bir kağıt (virlik web sitesinde kullanılabilir:0).ASCE'nin web sitesi) güvenlik-kırık öğrenme modellerini güvenlik açısından doğrulayıcı olarak kullanma için bir çerçeve oluşturuyor.
Multi-Modal Sensör Fusion
Future SHM sistemleri, hızlanan ölçümlerden, kameralardan, akustik sensörlerden ve hatta uydu InSAR (Interferometri S Sentetik Aperture Radar) çok yönlü mimarilerle ilgili temel öğrenme modellerini (örneğin, çapraz dönüşüm transformatörler) kullanarak, vibrasyon verilerini (terasyonel değişikliklerle hassas) görsel çatlaklarla (yerli hasarlara karşı hassas) etkinleştirir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Derin öğrenme, otomatik, doğru ve sürekli köprülerin ve binaların değerlendirilmesine olanak sağlayarak yapısal sağlık izlemesini yeniden şekillendirmektedir. CNNs'in hayatta kalma beklentisiyle, bu yöntemler akademik araştırmadan gerçek dünya dağıtımına kadar hareket eder. - yüksek algılama doğruluk, denetim maliyetleri, gerçek zamanlı uyarılar ve erken uyarılar - iyi niyetli sorunlarla ilgili olarak daha derin bir şekilde öğrenme ve öğrenme yeteneğiyle ilgili olarak daha derin bir şekilde bilgi sahibi olur.
Daha fazla okuma için, ABD Federal Otoyol Yönetimi'nden yayınlanan kapsamlı bir inceleme makalesi, [FONTSTR][FONT=0] [FONT=0] [FONT=FONT=3) tarafından erişilebilir.