به گزارش خبرگزاری مهر، امیر فرخی تحلیل‌گر امور شهری طی یادداشتی اظهار کرد: سازه‌ها به عنوان دارایی‌های ارزشمند در هر کشور به شمار می‌روند. در زمان بهره‌برداری از سازه‌ها عوامل زیادی نظیر زلزله، اجرای نامناسب، افزایش بارگذاری، خوردگی، خستگی و … سبب ایجاد آسیب‌های مخرب و غیر مخرب در آنها می‌شود و این موضوع موجودیت این سرمایه‌ها را در معرض خطر قرار می‌دهد.

این مهم اهمیت نگهداری و تعمیر به موقع سازه‌ها را دو چندان می‌کند. در واقع نیاز به یک سیستم پایش با هدف شناسایی به موقع آسیب و اعلام هشدار آن کاملاً احساس می‌شود. امروزه با پیشرفت فناوری، استفاده از هوش مصنوعی در زمینه‌های مختلفی در حال فراگیر شدن است که پایش سلامت سازه‌ها یکی از کاربردهای آن‌می‌باشد. در شهرهای هوشمند، پایش برخط سلامت سازه‌ها نقش حیاتی در افزایش ایمنی و بهره‌وری زیرساخت‌ها دارد. در پایش برخط سلامت سازه‌ها، با استفاده از فناوری‌های پیشرفته مانند هوش مصنوعی، داده‌های جمع‌آوری شده از حسگرها به صورت برخط تحلیل می‌شوند تا هرگونه نقص یا آسیب به سرعت شناسایی و اقدامات لازم برای تعمیر و نگهداری انجام شود.

روش‌های تشخیص آسیب عمدتاً به دو دسته کلی و محلی طبقه بندی می‌شوند. روش‌های محلی به تنهایی برای پایش سلامت سازه‌های عمرانی در ابعاد بزرگ کفایت نمی‌کند در نتیجه چنین محدودیتی استفاده از روش‌های تشخیص کلی را الزام‌آور می‌سازد. روش کلی را نیز می‌توان در دو گروه استاتیکی و دینامیکی (مبتنی بر ارتعاش) دسته‌بندی کرد. رویکردهای متفاوتی در زمینه نوع ویژگی استخراج شده در این روش‌ها وجود دارد که آن‌ها را نیز می‌توان به دو دسته پارامتریک و غیرپارامتریک تقسیم نمود.

اساس روش‌های پارامتریک بر وجود رابطه بین آسیب و تغییرات در ویژگی‌های مودال سازه، تکیه کرده است. روش‌های پارامتریک بر این فرضیه استوار است که آسیب سازه به طور قابل توجهی بر جرم، سختی و یا میرایی مودال سازه‌ها تأثیر می‌گذارد. در حالی که این فرض به طور کلی قابل درک به نظر می‌رسد، اما برای کاربردهای عملی این روش کاستی‌هایی شناسایی شده‌اند.
پژوهش‌ها نشان داده است که انواع خاصی از آسیب‌های سازه‌ای نمی‌توانند همیشه با تغییرات در ویژگی‌های دینامیکی مرتبط باشند به‌ویژه آن‌هایی که مربوط به مودهای پایین ارتعاشی هستند.

آسیب‌های سازه‌ای محلی فقط بر مودهای فرکانسی بالاتر تأثیر می‌گذارد که معمولاً شناسایی آن‌ها با استفاده از روش‌هایی که مبتنی بر خروجی تنها هستند، دشوار است. عواملی مختلفی به غیر از آسیب مانند دما، رطوبت و نویز نیز اندازه‌گیری پارامترهای مودال را تحت تأثیر قرار می‌دهند. بنابراین، تغییرات در این پارامترها لزوماً نشان دهنده وجود آسیب در سازه نیست. برخلاف رویکردهای پارامتریک که بر شناسایی پارامترهای مودال سیستم تکیه دارند، روش‌های غیرپارامتریک، برای تشخیص آسیب سازه‌ای از ابزارهای آماری مستقیماً بر روی پاسخ‌های ارتعاشی اندازه‌گیری شده استفاده می‌کنند.

به همین جهت چنین روش‌های غیرپارامتریکی قادر به استخراج ویژگی‌هایی از آسیب هستند که به راحتی نمی‌توان آن‌ها را به تغییرات فیزیکی در سازه نسبت داد. در واقع، نکته قابل توجه در چنین رویکردی امکان استخراج ویژگی‌هایی است که به راحتی در تغییرات رخ‌داده در پارامترهای دینامیکی قابل تشخیص نیستند. امروزه با پیشرفت علم، تکنولوژی و ظهور قدرت محاسباتی و همچنین توسعه در زمینه فناوری حسگرها و انتقال داده‌ها، استفاده از هوش مصنوعی و پردازش سیگنال در تمامی زمینه‌ها در حال فراگیر شدن است.

یکی از مهمترین کاربردهای آن‌ها در روش‌های پایش سلامت سازه‌ها است که می‌تواند مشکلات روش‌های پیشین این فرایند را برطرف سازد. یادگیری ماشین به عنوان یکی از اصلی‌ترین زیر شاخه‌های هوش مصنوعی، پژوهش‌ها و مطالعات زیادی را در زمینه تشخیص آسیب به خود اختصاص داده است.