تشخیص خرابی سازه با استفاده از یادگیری ماشین: مروری کاربردی 

پایش سلامت سازه (Structural Health Monitoring یا به اختصار SHM) یکی از حیاتی‌ترین حوزه‌های مهندسی عمران، مکانیک و هوافضا در عصر حاضر به شمار می‌رود. سازه‌های راهبردی نظیر پل‌ها، سدها، ساختمان‌های بلندمرتبه، توربین‌های بادی و خطوط لوله انتقال انرژی به مرور زمان تحت اثر بارهای سیکلی، خستگی، خوردگی و بلایای طبیعی دچار آسیب‌های موضعی می‌شوند. عدم شناسایی به‌موقع این آسیب‌ها نه‌تنها هزینه‌های گزاف تعمیرات اساسی را به همراه دارد، بلکه می‌تواند منجر به فجایع انسانی و شکست‌های سازه‌ای جبران‌ناپذیر گردد.

روش‌های سنتی بازرسی معمولاً متکی بر مشاهدات چشمی یا آزمایش‌های غیرمخرب (NDT) دوره‌ای هستند که علاوه بر هزینه و زمان‌بر بودن، امکان پایش بلادرنگ و تشخیص خرابی‌های پنهان درون ساختار را فراهم نمی‌کنند. در سال‌های اخیر، همگرایی فناوری حسگرهای هوشمند، پردازش کلان‌داده و الگوریتم‌های یادگیری ماشین (Machine Learning)، انقلابی بنیادین در پایش هوشمند سازه‌ها ایجاد کرده است.

الگوریتم‌های هوش مصنوعی با یادگیری الگوهای رفتاری نرمال از روی پاسخ‌های دینامیکی سازه، قادرند کوچک‌ترین ناهنجاری‌ها را در مراحل اولیه تشخیص دهند. در این مقاله از سایت دیتک، نقشه راه، متدولوژی‌های استخراج ویژگی، الگوریتم‌های یادگیری و چالش‌های پیاده‌سازی کاربردی یادگیری ماشین در تشخیص خرابی سازه را به طور جامع بررسی می‌کنیم.

کسب اطلاعات بیشتر: کاربرد هوش مصنوعی در مهندسی عمران، مکانیک و برق با مثال‌های واقعی 

۱. پایه‌های مفهومی پایش سلامت سازه (SHM) و مراتب چهارگانه ریندل

پایش سلامت سازه فرآیندی سامان‌یافته برای ردیابی تغییرات در خواص هندسی، ماتریس سختی و رفتار دینامیکی سازه بر اساس تحلیل سیگنال‌های حسگری در طول زمان است. هنگامی که در یک سازه ترک، جداشدگی اتصالات یا خوردگی رخ می‌دهد، سختی موضعی کاهش یافته و به تبع آن، مشخصات دینامیکی نظیر فرکانس‌های طبیعی، شکل مودها و نسبت میرایی دستخوش تغییر می‌شوند.

سیستم‌های مدرن SHM با دریافت این علائم حیاتی از طریق شبکه‌ای از سنسورها، همانند سیستم عصبی بدن عمل کرده و وضعیت کلی سازه را در هر لحظه ارزیابی می‌کنند.

برای طبقه‌بندی سطح آگاهی مهندسان از وضعیت آسیب، در دهه ۱۹۹۰ میلادی استانداردی طلایی توسط پیتر ریندل (Peter Rytter) پایه‌گذاری شد که همچنان مرجع اصلی توسعه الگوریتم‌های تشخیص آسیب است. این استاندارد فرآیند پایش را به چهار مرحله سلسله‌مراتبی از شناسایی اولیه تا پیش‌بینی عمر باقیمانده تقسیم می‌کند.

سیستم‌های هوشمند مبتنی بر یادگیری ماشین به تدریج ارتقا یافته‌اند تا از مراحل ساده تشخیص به سمت پیش‌بینی‌های پیشرفته حرکت کنند.

سطوح چهارگانه تشخیص آسیب بر اساس مدل ریندل

سطح اول در مدل ریندل، تشخیص وجود آسیب (Damage Detection) است که صرفاً تعیین می‌کند آیا تغییری غیرعادی در رفتار سیستم رخ داده است یا خیر. در سطح دوم، تعیین موقعیت آسیب (Localization) مد نظر قرار می‌گیرد تا مشخص شود کدام عضو سازه‌ای، گره یا اتصال دچار افت مشخصات فنی شده است. این سطح نیازمند شبکه توزیع‌شده‌ای از حسگرها برای ردیابی مکانی پدیده است.

سطوح سوم و چهارم مراتب پیشرفته‌تری را شامل می‌شوند که به ترتیب به برآورد شدت و عمق خرابی (Damage Quantification) و در نهایت پیش‌بینی عمر مفید باقیمانده سازه (Remaining Useful Life – RUL) اختصاص دارند. اکثر الگوریتم‌های یادگیری ماشین کلاسیک در سطوح ۱ و ۲ عملکردی خیره‌کننده دارند، در حالی که الگوریتم‌های مدرن یادگیری عمیق و مدل‌های ترکیبی به تدریج مرزهای سطوح ۳ و ۴ را بازتعریف می‌کنند.

اهمیت انتقال از نگهداری دوره‌ای به نگهداری پیش‌بینانه (Predictive Maintenance)

روش‌های متداول نگهداری یا بر پایه خرابی (Run-to-failure) هستند که هزینه تعمیر پس از وقوع حادثه را تحمیل می‌کنند، یا بر پایه تقویم زمانی ثابت انجام می‌شوند که هزینه‌تراش و غیربهینه است. پایش سلامت سازه با بهره‌گیری از یادگیری ماشین، مسیر گذار به سمت نگهداری پیش‌بینانه را هموار می‌سازد.

در این رویکرد، بازرسی‌ها و اقدامات تقویتی دقیقا در زمان مورد نیاز و بر اساس داده‌های عملکردی واقعی سازه برنامه‌ریزی می‌شوند. این انتقال استراتژیک، از خروج زودهنگام سازه‌ها از چرخه بهره‌برداری جلوگیری کرده، ضریب اطمینان جانی ساکنان و کاربران را به حداکثر رسانده و مدیریت دارایی‌های زیرساختی را کاملاً داده‌محور می‌نماید.

۲. زنجیره جمع‌آوری داده، حسگرها و پیش‌پردازش سیگنال‌های ارتعاشی

موفقیت هر مدل هوش مصنوعی ارتباطی ناگسستنی با کیفیت و دقت داده‌های ورودی آن دارد. در پروژه‌های عمرانی و مکانیکی، داده‌های پایش از طریق شبکه‌ای از شتاب‌سنج‌های پیزوالکتریک، ژئوفون‌ها، کرنش‌سنج‌های فیبر نوری (FBG)، شیب‌سنج‌ها و ایستگاه‌های داده‌برداری بی‌سیم گردآوری می‌شوند.

این حسگرها پاسخ سازه را تحت بارهای محیطی طبیعی (مانند باد، ترافیک عبوری و امواج دریا) با نرخ نمونه‌برداری مشخص در مقیاس‌های زمانی طولانی ثبت می‌کنند.

با این حال، داده‌های خامی که از محیط‌های عملیاتی واقعی دریافت می‌شوند، سرشار از نویزهای با فرکانس بالا، رانش‌های دمایی، قطعی لحظه‌ای خطوط داده و نوسانات فصلی هستند. فرآیند پیش‌پردازش تضمین می‌کند که سیگنال ورودی خالص‌سازی شده و اثرات نامطلوب محیطی که ارتباطی با آسیب واقعی ندارند، پیش از ورود به فاز یادگیری ماشین فیلتر شوند.

فیلتراسیون نویز و پالایش سری‌های زمانی

سیگنال‌های ارتعاشی برداشته‌شده از سازه معمولاً با نویزهای ناشی از تجهیزات اندازه‌گیری و تداخل‌های الکترومغناطیسی محیط آلوده هستند. گام اول در پیش‌پردازش، استفاده از فیلترهای دیجیتال پایین‌گذر، بالاگذر یا میان‌گذر (نظیر فیلترهای باترورث یا چبیشف) برای جداسازی باندهای فرکانسی غیرمرتبط است. حذف انحراف خط پایه (Trend Removal) و اصلاح داده‌های گمشده نیز در همین مرحله صورت می‌پذیرد.

علاوه بر فیلترهای کلاسیک، روش‌های پیشرفته‌تری نظیر تبدیل موجک پیوسته و گسسته (Wavelet Transform) و تجزیه مدهای تجربی (Empirical Mode Decomposition – EMD) برای واکاوی داده‌های غیرایستا و ضربه‌ای به کار گرفته می‌شوند. این الگوریتم‌ها ساختار سیگنال را به اجزای تشکیل‌دهنده در حوزه‌های فرکانسی مختلف تجزیه کرده و نویز زمینه را بدون تضعیف اطلاعات کلیدی آسیب از بین می‌برند.

نرمال‌سازی و خنثی‌سازی اثرات متغیرهای محیطی و عملیاتی (EOVs)

یکی از بزرگ‌ترین تله‌ها در پایش هوشمند، تغییر پاسخ‌های دینامیکی سازه در اثر تغییرات دما، رطوبت و تغییر شدت ترافیک است؛ پدیده‌ای که به اثرات متغیرهای محیطی و عملیاتی (Environmental and Operational Variations) شهرت دارد. برای مثال، گرمای تابستان می‌تواند سختی الاستیک مصالح را کاهش دهد و مدلی ساده‌لوح این تغییر را به عنوان یک خرابی جدی شناسایی کند.

برای خنثی‌سازی این تداخل، از تکنیک‌هایی نظیر تحلیل مولفه‌های اصلی (PCA)، مدل‌سازی ARX و روش‌های همبستگی آماری استفاده می‌شود تا پاسخ سازه نسبت به دما نرمال گردد. بدین ترتیب، تنها تغییراتی که منشأ آسیب‌دیدگی فیزیکی دارند به عنوان سیگنال معنادار برای مدل یادگیری باقی خواهند ماند.

۳. استخراج و انتخاب شاخص‌های حساس به خرابی (Feature Extraction)

داده‌های خام ارتعاشی به دلیل حجم بسیار زیاد و ابعاد بالا (High Dimensionality)، مستقیماً برای خوراک دادن به مدل‌های یادگیری ماشین کلاسیک مناسب نیستند. ورود مستقیم هزاران نمونه بر ثانیه به مدل‌ها می‌تواند باعث وقوع پدیده “نفرین ابعاد” (Curse of Dimensionality) و بیش‌برازش (Overfitting) گردد. از این رو، مرحله استخراج ویژگی پلی حیاتی میان پردازش سیگنال و یادگیری ماشین به حساب می‌آید.

استخراج ویژگی فرآیندی است که طی آن، اطلاعات نهفته در سیگنال‌های طولانی به تعدادی شاخص عددی خلاصه و متراکم (Damage-Sensitive Features) تبدیل می‌شود که نسبت به وجود ترک یا نقص ساختاری حساسیت بالا، اما نسبت به نویز پایداری مناسبی داشته باشند. این شاخص‌ها معمولاً در سه حوزه زمان، فرکانس و زمان-فرکانس استخراج می‌گردند.

شاخص‌های آماری در حوزه زمان و تحلیل فرکانسی

در حوزه زمان، تحلیل آماری شکل موج ارتعاشی می‌تواند علائم اولیه‌ای از ضربه یا شکستگی ارائه دهد. شاخص‌هایی نظیر ریشه میانگین مربعات (RMS)، کشیدگی (Kurtosis)، چولگی (Skewness)، فاکتور کرست (Crest Factor) و انحراف معیار جزو رایج‌ترین ویژگی‌های زمانی هستند که افزایش ناگهانی آن‌ها نشان‌دهنده رفتار غیرخطی یا ایجاد نقص موضعی در عضو سازه‌ای است.

در سوی دیگر، حوزه فرکانس با استفاده از تبدیل فوریه سریع (FFT) یا چگالی طیف توان (PSD) مورد بررسی قرار می‌گیرد. جابه‌جایی قله‌های فرکانسی تشدید به سمت فرکانس‌های پایین‌تر، اولین نشانه کاهش سختی سازه محسوب می‌شود. همچنین مقایسه شکل مودها و محاسبه شاخص‌های تطابق مودی (Modal Assurance Criterion – MAC) تغییر مکان دقیق خرابی را آشکار می‌سازد.

کاهش ابعاد ویژگی‌ها با PCA و تکنیک‌های انتخاب مبتنی بر رتبه‌بندی

پس از استخراج ده‌ها ویژگی گوناگون از کانال‌های مختلف سنسورها، انتخاب بهینه‌ترین زیرمجموعه از آن‌ها ضرورت می‌یابد تا از همبستگی‌های تکراری و سربار محاسباتی کاسته شود. روش تحلیل مولفه‌های اصلی (PCA) به عنوان یک روش بدون نظارت، ماتریس ویژگی‌ها را به فضایی با ابعاد کمتر اما با حداکثر واریانس نگاشت می‌کند.

علاوه بر PCA، الگوریتم‌های انتخاب ویژگی نظیر فیلترهای آماری مبتنی بر ضریب همبستگی پیرسون، اطلاعات متقابل (Mutual Information) یا روش‌های بازگشتی رتبه‌بندی ویژگی‌ها (RFE) به کار می‌روند. هدف غایی در این مرحله، دستیابی به برداری فشرده و تفکیک‌پذیر از ویژگی‌هاست که بیشترین تمایز را بین حالت سازه سالم و سازه آسیب‌دیده ایجاد کند.

۴. الگوریتم‌های یادگیری ماشین کلاسیک در پایش سلامت سازه

رویکردهای سنتی یادگیری ماشین برای سال‌ها ستون فقرات سیستم‌های طبقه‌بندی و خوشه‌بندی در SHM بوده‌اند. این مدل‌ها به دلیل شفافیت ریاضیاتی بالا، تفسیرپذیری آسان و نیاز به توان محاسباتی به مراتب کمتر در مقایسه با شبکه‌های عمیق، همچنان در بسیاری از سیستم‌های پایش لبه (Edge Computing) و ایستگاه‌های پردازش در محل سازه ترجیح داده می‌شوند.

این الگوریتم‌ها بر اساس نوع برچسب‌گذاری داده‌ها به دو دسته کلی “یادگیری بانظارت” (Supervised) و “یادگیری بدون نظارت” (Unsupervised) تقسیم می‌شوند. از آنجا که در سازه‌های واقعی اطلاعات آسیب معمولاً در دسترس نیست، انتخاب متدولوژی مناسب یادگیری، تعیین‌کننده ضریب موفقیت عملیاتی پروژه در شرایط واقعی خواهد بود.

یادگیری بدون نظارت برای تشخیص ناهنجاری (Anomaly Detection)

در اکثر سناریوهای واقعی دنیای مهندسی، داده‌های مربوط به حالت آسیب‌دیده سازه به سادگی قابل ثبت نیستند؛ زیرا مهندسان نمی‌توانند اجازه دهند پلی بزرگ تا آستانه ترک‌خوردگی عمیق پیش برود تا از آن داده برداری شود! بنابراین، کلان‌داده‌های موجود همگی متعلق به وضعیت سالم سازه (Baseline) هستند. این چالش، یادگیری بدون نظارت را به انتخابی ایده‌آل برای سطح اول پایش آسیب تبدیل می‌کند.

الگوریتم‌هایی نظیر فاصله ماهالانوبیس (Mahalanobis Distance)، ماشین بردار پشتیبان تک‌کلاسه (One-Class SVM)، خوشه‌بندی K-Means و مدل‌های مخلوط گوسی (GMM) بر روی داده‌های دوره سلامت سازه آموزش می‌بینند تا مرز نرمال بودن را تعریف کنند. به محض آنکه رفتار جدید سازه از این مرز آماری خارج شود، سامانه زنگ هشدار ناهنجاری را به صدا درمی‌آورد.

طبقه‌بندی و تعیین مکان آسیب با یادگیری با‌نظارت (SVM، جنگل تصادفی و KNN)

چنانچه داده‌های حالت‌های مختلف خرابی از طریق مدل‌های شبیه‌سازی اجزای محدود کالیبره‌شده (Digital Twins) یا آزمایش‌های آزمایشگاهی در مقیاس کوچک تولید شده باشند، می‌توان از یادگیری بانظارت برای سطوح ۲ و ۳ ریندل بهره جست. ماشین‌های بردار پشتیبان چندکلاسه (SVM) با توابع هسته غیرخطی مانند RBF توانایی بی‌نظیری در تفکیک حالات مرزی ترک‌ها از خود نشان می‌دهند.

جنگل‌های تصادفی (Random Forest) و الگوریتم‌های تقویت گرادیان (XGBoost) نیز به دلیل مقاومت فوق‌العاده در برابر بیش‌برازش و قابلیت ارزیابی اهمیت هر ویژگی در فرآیند تصمیم‌گیری، به طور گسترده‌ای برای تعیین دقیق المان آسیب‌دیده به کار می‌روند. این روش‌ها سرعت پیش‌بینی بالایی را برای سامانه‌های بلادرنگ مهندسی فراهم می‌کنند.

۵. تحول یادگیری عمیق: شبکه‌های CNN، LSTM و مدل‌های دوقلوی دیجیتال

اگرچه یادگیری ماشین کلاسیک نتایج موفقی داشته است، اما وابستگی شدید آن به فرآیند دستی استخراج ویژگی (Feature Engineering)، نقطه ضعفی عمده در سیستم‌های کلان‌داده به شمار می‌رود. یادگیری عمیق (Deep Learning) با معرفی شبکه‌های چندلایه پیچیده، قابلیت یادگیری خودکار نمایش ویژگی‌ها را مستقیماً از روی سیگنال‌های خام ارتعاشی یا تصاویر بازرسی فراهم کرده است.

با ظهور یادگیری عمیق، مرزهای پایش سازه گسترش یافته و امکان ترکیب داده‌های غیرهمگن (مانند ترکیب سیگنال شتاب، کرنش و تصاویر حرارتی یا پهپادی) میسر گردیده است. علاوه بر این، ادغام شبکه‌های عصبی با مدل‌های فیزیکی تحت مفهوم دوقلوی دیجیتال (Digital Twin)، پارادایم نوینی را در مهندسی پایش به وجود آورده است.

شبکه‌های عصبی پیچشی (CNN) برای پردازش سیگنال و تصاویر بازرسی

شبکه‌های عصبی پیچشی یک‌بعدی (1D-CNN) قادرند به صورت مستقیم به داده‌های سری زمانی شتاب حسگرها متصل شده و فیلترهای استخراج الگوهای آسیب را به صورت درون‌زا و در لایه‌های ابتدایی خود آموزش دهند. این ساختارها نیاز به تبدیل فوریه یا موجک پیشین را تا حد زیادی مرتفع می‌سازند.

از سوی دیگر، شبکه‌های دوبعدی (2D-CNN) در دو حوزه کلیدی به کار می‌روند: اول، تحلیل ماتریس‌های زمان-فرکانس (مانند اسپکتوگرام حاصل از تبدیل موجک)، و دوم، پردازش تصاویر سطحی ثبت‌شده توسط ربات‌ها و پهپادها برای شناسایی و اندازه‌گیری ابعاد ترک در بتن یا گسیختگی در سازه‌های فولادی که دقت تشخیصی هم‌تراز یا فراتر از چشم انسان را ارائه می‌دهد.

شبکه‌های بازگشتی و LSTM در تحلیل سری‌های زمانی و تخمین عمر باقیمانده

رفتار دینامیکی سازه‌ها ذاتاً وابسته به زمان بوده و حالت جاری سازه تحت تاثیر تاریخچه بارگذاری و تغییرشکل‌های پیشین قرار دارد. شبکه‌های حافظه کوتاه-مدت طولانی (LSTM) و واحدهای بازگشتی دریچه‌ای (GRU) به دلیل توانایی در یادآوری وابستگی‌های زمانی در بازه‌های طولانی، ابزار اصلی برای مدلسازی پاسخ‌های دینامیکی پیوسته هستند.

این شبکه‌ها علاوه بر پیش‌بینی وضعیت سلامت در گام زمانی بعد، نقشی کلیدی در سطح چهارم مدل ریندل ایفا می‌کنند. با تحلیل روند رشد شاخص‌های فرسودگی در طول ماه‌ها یا سال‌ها، مدل‌های LSTM می‌توانند منحنی استهلاک سازه را شبیه‌سازی کرده و زمان تقریبی نیاز به تعمیر اساسی یا لحظه شکست سازه (RUL) را با تخمین بازه عدم‌قطعیت برآورد نمایند.

۶. چالش‌های عملیاتی، محدودیت‌های داده و چشم‌انداز آینده

علیرغم پیشرفت‌های درخشان تئوری و آزمایشگاهی، پیاده‌سازی کاربردی الگوریتم‌های یادگیری ماشین در پروژه‌های صنعتی و زیرساخت‌های بزرگ با موانع قابل توجهی روبرو است. یکی از مهم‌ترین چالش‌ها، نایاب بودن داده‌های حالت تخریب‌شده در سازه‌های در حال بهره‌برداری است که منجر به عدم تعادل شدید داده‌ها (Data Imbalance) می‌گردد و ارزیابی اعتبار مدل را در دنیای واقعی با ابهام مواجه می‌کند.

علاوه بر کمبود داده، رفتار مدل‌های یادگیری عمیق به عنوان جعبه‌های سیاه (Black-box) از منظر استانداردهای مهندسی اطمینان‌بخش نیست. نهادهای تصمیم‌گیرنده و سازمان‌های ایمنی ترجیح می‌دهند منطق منجر به صدور هشدار تخریب را بر اساس قوانین فیزیک، مکانیک جامدات و تحلیل ماتریسی سازه‌ها درک کنند، نه صرفاً بر مبنای وزن‌های بهینه‌شده ماتریسی در یک شبکه عصبی.

شبکه‌های عصبی آگاه از فیزیک (PINNs) و تلفیق تئوری با داده

برای رفع چالش جعبه سیاه بودن مدل‌های هوش مصنوعی، رویکرد شبکه‌های عصبی آگاه از فیزیک (Physics-Informed Neural Networks – PINNs) به عنوان پارادایمی تحول‌آفرین ظهور کرده است. در این متدولوژی، معادلات دیفرانسیل حاکم بر مکانیک سازه و قوانین تعادل به عنوان یک جمله جریمه (Penalty Term) به تابع زیان (Loss Function) مدل یادگیری ماشین افزوده می‌شوند.

این نوآوری باعث می‌شود شبکه حتی در صورت کمبود داده‌های آموزشی یا حضور نویزهای شدید، همواره پاسخ‌هایی از نظر فیزیکی پایدار و سازگار با معادلات نیوتن و تعادل تنش ارائه دهد. بدین ترتیب، تقریب‌های کورکورانه مدل‌های داده‌محور حذف شده و اعتماد مهندسان محاسب به نتایج هوش مصنوعی به شکل چشمگیری افزایش می‌یابد.

پایش لبه (Edge AI) و آینده اینترنت اشیای سازه‌ای (IoT)

با گسترش سخت‌افزارهای کم‌مصرف و بردهای پردازشی اختصاصی هوش مصنوعی، گرایش عمومی به سمت پیاده‌سازی مدل‌های یادگیری سبک بر روی گره‌های حسگری (Edge Computing) شدت گرفته است. این رویکرد نیاز به ارسال پیوسته و پهنای باند بالای ترابایت‌ها داده خام به سرورهای ابری را برطرف کرده و پردازش اولیه را در محل سازه انجام می‌دهد.

در چشم‌انداز آینده، تلفیق فناوری نوین 5G، اینترنت اشیای سازه‌ای و دوقلوهای دیجیتال متصل به هوش مصنوعی، شهرهای هوشمند را به اکوسیستم‌هایی با قابلیت خودترمیمی و مدیریت تاب‌آوری لحظه‌ای در برابر سوانح طبیعی مانند زلزله و طوفان تبدیل خواهد کرد.

مقایسه جامع روش‌های مختلف هوش مصنوعی در تشخیص خرابی سازه

برای جمع‌بندی مباحث و کمک به مهندسان در انتخاب الگوریتم مناسب برای سناریوهای عملیاتی، جدول زیر ویژگی‌ها، مزایا و محدودیت‌های روش‌های گوناگون پایش را به تفکیک مقایسه می‌کند: