نظریه گراف در ارزیابی آسیب پس از زلزله: چرا کارآمد است؟

در دوران کارشناسی ارشد در دانشگاه شهید بهشتی، ماه‌ها به تصاویر ستون‌های بتنی ترک‌خورده نگاه می‌کردم. نه به ستون‌های واقعی، بلکه به عکس‌های آن‌ها. پرسشی که پژوهش پایان‌نامه‌ام را شکل می‌داد در ظاهر ساده بود: آیا می‌توان به یک کامپیوتر آموزش داد که به یک ستون بتن مسلح آسیب‌دیده نگاه کند و میزان کاهش ظرفیت مقاومتی آن را تخمین بزند؟

پاسخ این پرسش مرا به دنیای نظریه گراف هدایت کرد؛ شاخه‌ای از ریاضیات که به‌طور شگفت‌انگیزی برای ارزیابی آسیب پس از زلزله مناسب است. دلیل آن را می‌توان در نحوه تبدیل الگوهای پیچیده ترک به داده‌های ساختاریافته پیدا کرد.

چرا روش‌های مبتنی بر پیکسل کافی نیستند؟

روش‌های متداول بینایی ماشین، مانند شبکه‌های عصبی کانولوشنی (CNN) که با تصاویر آسیب‌دیده آموزش داده می‌شوند، می‌توانند تشخیص دهند که آیا یک ستون آسیب دیده است یا خیر. برخی از آن‌ها حتی قادرند ترک‌ها را از پس‌زمینه تصویر تفکیک کنند. اما مسئله‌ای که برای مهندسان سازه اهمیت بیشتری دارد، دشوارتر است: این ستون چه مقدار از مقاومت جانبی و سختی خود را از دست داده است؟

مشکل اینجاست که آسیب فقط به عرض یا طول ترک مربوط نمی‌شود؛ بلکه الگوی ترک‌ها نیز اهمیت دارد. یک ترک عریض در نزدیکی پای ستون با شبکه‌ای متراکم از ترک‌های ریز که در سطح ستون گسترش یافته‌اند، یکسان نیست. حتی اگر هر دو الگو مساحت پیکسلی مشابهی را پوشش دهند، می‌توانند نشان‌دهنده سازوکارهای شکست کاملاً متفاوتی باشند.

نظریه گراف وارد می‌شود

در معنای ریاضی، یک گراف مجموعه‌ای از گره‌هاست که توسط یال‌ها به یکدیگر متصل می‌شوند. حال این مفهوم را به یک سطح بتنی ترک‌خورده تعمیم دهید:

• گره‌ها می‌توانند محل تقاطع ترک‌ها، نقاط انتهایی ترک‌ها و نقاط هندسی مهم روی سطح ستون باشند.
• یال‌ها بخش‌های ترک هستند که این گره‌ها را به یکدیگر متصل می‌کنند؛ به‌طوری که هر یال می‌تواند بر اساس ویژگی‌هایی مانند عرض، طول و جهت ترک وزن‌دهی شود.

در اینجا یک الگوی پیچیده ترک ناگهان به یک مجموعه‌داده ساختاریافته تبدیل می‌شود. می‌توان ویژگی‌های سطح گراف، مانند توزیع درجه گره‌ها، ضریب خوشه‌بندی، طول مسیرها و ویژگی‌های طیفی را محاسبه کرد؛ ویژگی‌هایی که توپولوژی آسیب را ثبت می‌کنند، نه صرفاً ظاهر بصری آن را.

گراف واقعاً چه چیزی را ثبت می‌کند؟

سه ویژگی مهم سازه‌ای وجود دارد که ویژگی‌های گراف می‌توانند آن‌ها را بهتر از روش‌های صرفاً پیکسلی آشکار کنند:

۱. توزیع آسیب

ستونی که آسیب آن به یک ناحیه خاص متمرکز شده است، می‌تواند گرافی با گره‌های با درجه بالا در همان ناحیه ایجاد کند؛ در حالی که آسیب توزیع‌شده‌تر، گرافی یکنواخت‌تر ایجاد می‌کند. این الگوها می‌توانند با سازوکارهای مختلف خرابی، مانند شکست برشی یا خمشی، ارتباط داشته باشند.

۲. تغییرات اتصال‌پذیری

با گسترش ترک‌ها، ساختار اتصال‌پذیری گراف نیز تغییر می‌کند. معیارهایی مانند ضریب خوشه‌بندی و طول متوسط مسیر می‌توانند هم‌زمان با تجمع آسیب تغییر کنند. ردیابی این تغییرات می‌تواند به تخمین کاهش سختی سازه کمک کند.

۳. الگوهای جهت‌گیری ترک

توزیع جهت یال‌ها در گراف می‌تواند اطلاعاتی درباره جهت‌گیری الگوهای تنش و مکانیسم آسیب ارائه دهد. ترک‌های مورب، ترک‌های قائم ناشی از شکافتگی و ترک‌های افقی ناشی از رفتار خمشی، می‌توانند امضاهای گرافی متفاوتی ایجاد کنند؛ در حالی که یک روش ساده مبتنی بر پیکسل ممکن است همه آن‌ها را صرفاً به‌عنوان «آسیب» در نظر بگیرد.

خط لوله یادگیری ماشین که توسعه دادم

در پایان‌نامه‌ام یک خط لوله سه‌مرحله‌ای توسعه دادم:

1. پردازش تصویر: شناسایی ترک‌ها و اسکلت‌بندی آن‌ها با استفاده از Python و OpenCV و تبدیل تصاویر خام به نقشه‌های ترک.
2. ساخت گراف: تبدیل الگوهای اسکلت‌بندی‌شده ترک به نمایش‌های گرافی، با تعریف گره‌ها در محل تقاطع‌ها و نقاط انتهایی و وزن‌دهی یال‌ها بر اساس ویژگی‌های ترک.
3. یادگیری ماشین: آموزش مدل‌های رگرسیونی و در ادامه، شبکه‌های عصبی گرافی برای پیش‌بینی کاهش مقاومت جانبی و سختی بر اساس ویژگی‌های گراف.

نتایج امیدوارکننده بودند: ویژگی‌های مبتنی بر گراف در پیش‌بینی ظرفیت باقی‌مانده سازه‌ای، به‌ویژه در ستون‌هایی با الگوهای ترک پیچیده و چندجهته، عملکرد بهتری نسبت به ویژگی‌های صرفاً پیکسلی نشان دادند.

چرا این موضوع برای مهندسی اهمیت دارد؟

پس از وقوع زلزله، مهندسان باید در مدت کوتاهی تصمیم‌های مهمی بگیرند: آیا ورود به این ساختمان ایمن است؟ آیا این ستون به تعویض نیاز دارد یا می‌توان آن را تعمیر کرد؟ روش‌های فعلی تا حد زیادی به بازرسی بصری متکی هستند؛ روشی که می‌تواند ذهنی، زمان‌بر و میان بازرسان مختلف متفاوت باشد.

یک سیستم بینایی ماشین مبتنی بر گراف که از طریق دوربین تلفن همراه یا تصاویر پهپاد مورد استفاده قرار گیرد، می‌تواند در آینده امکان‌های زیر را فراهم کند:

• کمی‌سازی شدت آسیب در مدت کوتاه
• ارائه ارزیابی‌های سازگارتر میان بازرسان مختلف
• ردیابی روند تغییرات آسیب در طول توالی پس‌لرزه‌ها
• اتصال مستقیم نتایج به مدل‌های سازه‌ای برای تخمین ظرفیت باقی‌مانده

مسیر پیش رو

این پژوهش پایان‌نامه‌ای مستقیماً به مسیر گسترده‌تری از پژوهش‌های من در زمینه پایش سلامت سازه‌ای متصل می‌شود. همین نگاه مبتنی بر گراف را می‌توان هم برای تحلیل ترک‌های یک ستون و هم برای تحلیل شبکه‌های حسگری یک پل به کار گرفت؛ در هر دو مسئله، هدف استخراج ویژگی‌های ساختاریافته و معنادار از داده‌های پیچیده فضایی است.

مسیرهای آینده‌ای که در حال بررسی آن‌ها هستم شامل شبکه‌های عصبی گرافی است که مستقیماً از نمایش‌های گرافی ترک‌ها یاد می‌گیرند، ارزیابی چندمعیاره آسیب با ترکیب چندین شاخص گرافی، و ادغام این چارچوب‌ها با فناوری دوقلوی دیجیتال برای پایش چرخه عمر سازه است.

اگر در زمینه بینایی ماشین برای ارزیابی سازه، روش‌های مبتنی بر گراف یا پایش سلامت سازه‌ای فعالیت می‌کنید، خوشحال می‌شوم با شما در ارتباط باشم. با من در تماس باشید.