پردازش سیگنال در پایش سلامت پل‌ها: یافته‌هایی از مقاله مروری ما

در اوایل سال ۲۰۲۶، مقاله ما با عنوان «روش‌های پردازش سیگنال برای پایش سلامت سازه‌ای پل‌ها: مروری جامع بر رویکردهای کلاسیک، داده‌محور و ترکیبی» در Journal of Advances in Bridge Engineering از انتشارات Springer Nature منتشر شد. در این پژوهش، با استفاده از یک فرایند چهارمرحله‌ای کتاب‌سنجی، ۲۰۱ مطالعه مرتبط با پایش سلامت پل‌ها را شناسایی و تحلیل کردیم. این مطالعات با استفاده از داده‌های Scopus و Web of Science اعتبارسنجی شده و بازه زمانی ۱۹۸۵ تا ۲۰۲۵ را پوشش می‌دهند.

در این مطلب، مهم‌ترین یافته‌های این پژوهش را مرور می‌کنیم؛ اینکه چهار دهه پژوهش در زمینه پردازش سیگنال چه تصویری از وضعیت پایش سلامت پل‌ها ارائه می‌دهد و مسیر آینده این حوزه به کدام سمت در حال حرکت است.

سه رویکرد اصلی در پردازش سیگنال

ما مطالعات بررسی‌شده را در قالب یک طبقه‌بندی مشخص سازمان‌دهی کردیم که روش‌های اندازه‌گیری، فرایندهای پردازش سیگنال و مدل‌های تشخیص را به یکدیگر مرتبط می‌کند:

۱. روش‌های کلاسیک

تبدیل فوریه سریع (FFT)، تبدیل موجک و تبدیل هیلبرت–هوانگ همچنان پایه‌های اصلی این حوزه هستند. شتاب، پارامترهای مودال و مؤلفه‌های فرکانسی از ماندگارترین توصیفگرهای رفتار سازه‌ای به شمار می‌روند. این روش‌ها از پشتوانه ریاضی قدرتمندی برخوردارند و به داده‌های آموزشی نیاز ندارند؛ بااین‌حال، در مواجهه با سیگنال‌های غیرایستا و غیرخطی که پل‌ها به‌ویژه در شرایط بارگذاری شدید تولید می‌کنند، با محدودیت‌هایی مواجه می‌شوند.

۲. روش‌های داده‌محور

از سال ۲۰۲۰، معماری‌های مبتنی بر CNN، LSTM و مدل‌های ترکیبی تقویت‌شده با تبدیل موجک با سرعت قابل‌توجهی توسعه یافته‌اند. این مدل‌ها در شناسایی الگوها در محیط‌های نویزی عملکرد بسیار خوبی دارند و می‌توانند رفتارهای غیرخطی سازه را که ممکن است از دید روش‌های کلاسیک پنهان بمانند، پیش‌بینی کنند. بااین‌حال، این مدل‌ها همچنان تا حد زیادی جعبه‌سیاه هستند؛ زمانی که یک مدل یادگیری عمیق وجود آسیب را اعلام می‌کند، مهندس باید بداند چرا.

۳. روش‌های ترکیبی

به نظر می‌رسد مسیر توسعه این حوزه بیش از هر چیز به سمت این رویکرد در حال حرکت است. بسیاری از مطالعات موفق اخیر، تکنیک‌های کلاسیک تحلیل سیگنال را با مدل‌های یادگیری عمیق ترکیب کرده‌اند؛ به این صورت که از FFT یا تبدیل موجک برای استخراج ویژگی‌های دارای معنای فیزیکی استفاده شده و سپس این ویژگی‌ها به مدل‌هایی مانند CNN یا LSTM داده می‌شوند. نتیجه، ترکیبی از قابلیت تفسیرپذیری و قدرت یادگیری است که در بسیاری از مطالعات به دقت‌هایی بیش از ۹۰ درصد منجر شده است.

۲۰۱ مطالعه چه چیزی را نشان دادند؟

چهار یافته حاصل از این مرور که شایسته توجه هستند:

• پل‌ها سهم بزرگی از پژوهش‌ها را به خود اختصاص داده‌اند، اما همچنان شکاف‌هایی وجود دارد. بیش از یک‌سوم مطالعات پایش سلامت سازه‌ای بر پل‌ها، ساختمان‌ها و نمونه‌های آزمایشگاهی متمرکز هستند. زیرساخت‌های پیچیده‌ای مانند سدها، سازه‌های فراساحلی و توربین‌های بادی به‌مراتب کمتر مورد مطالعه قرار گرفته‌اند.
• فولاد و بتن سهم غالب را دارند. تمرکز گسترده بر این دو مصالح، قابلیت تعمیم نتایج به سیستم‌های سازه‌ای مرکب و مصالح نوظهوری را که به‌طور فزاینده‌ای در مهندسی پل مدرن مورد استفاده قرار می‌گیرند، محدود می‌کند.
• ویژگی‌های مبتنی بر ارتعاش همچنان نقش اصلی را ایفا می‌کنند. با وجود چندین دهه نوآوری، شتاب و پارامترهای مودال همچنان از قابل‌اعتمادترین شاخص‌ها برای ارزیابی سلامت سازه به شمار می‌روند.
• روش‌های مبتنی بر گراف در حال رشد هستند. تحلیل هم‌رخدادی کلیدواژه‌ها نشان می‌دهد که توجه به حسگرهای فیبر نوری، بازرسی مبتنی بر بینایی ماشین، طرح‌های ترکیبی ادغام داده‌ها و روش‌های یادگیری مبتنی بر گراف در حال افزایش است؛ روندی که ارتباط نزدیکی با مسیر پژوهشی خود من دارد.

موانع پیاده‌سازی در دنیای واقعی

با وجود اعداد قابل‌توجه مربوط به دقت مدل‌ها، سه مانع اصلی همچنان از پیاده‌سازی گسترده این روش‌ها در مقیاس واقعی جلوگیری می‌کنند:

1. محدودیت داده‌های واقعی. بیشتر مدل‌های یادگیری ماشین به دلیل کمیابی داده‌های جامع مربوط به پل‌های واقعاً آسیب‌دیده، با استفاده از داده‌های شبیه‌سازی‌شده آموزش داده می‌شوند. این مسئله قابلیت تعمیم مدل‌ها به شرایط واقعی بهره‌برداری را محدود می‌کند.
2. تفسیرپذیری پایین مدل‌های یادگیری ماشین. مهندسان باید بتوانند به خروجی مدل اعتماد کنند. پیش‌بینی‌های جعبه‌سیاه نمی‌توانند به‌تنهایی مبنای مناسبی برای تصمیم‌گیری‌های حساس مرتبط با ایمنی باشند.
3. نبود معیارهای استاندارد ارزیابی. بدون مجموعه‌داده‌ها و معیارهای ارزیابی مشترک، مقایسه روش‌های مختلف میان مطالعات گوناگون همچنان دشوار است.

این یافته‌ها برای مهندسان شاغل چه معنایی دارند؟

اگر مسئولیت پایش یک پل را بر عهده دارید، یافته‌های ما چند نکته مهم را پیشنهاد می‌کنند:

1. با روش‌های کلاسیک شروع کنید. تحلیل مودال مبتنی بر ارتعاش روشی بالغ و قابل‌اعتماد است و می‌تواند یک خط مبنای قابل دفاع در اختیار شما قرار دهد. برای شناسایی یک تغییر ۳۰ درصدی در سختی، لزوماً به یادگیری ماشین نیاز ندارید.
2. هرجا داده کافی دارید، روش‌های داده‌محور را اضافه کنید. اگر چندین سال داده شتاب‌نگاشت جمع‌آوری کرده‌اید، حتی یک خودرمزگذار ساده می‌تواند برخی ناهنجاری‌هایی را که روش‌های کلاسیک قادر به شناسایی آن‌ها نیستند، آشکار کند.
3. به سمت رویکردهای ترکیبی حرکت کنید. بهترین نتایج از ترکیب استخراج ویژگی‌های مبتنی بر فیزیک با مدل‌های یادگیری به دست می‌آیند، نه از انتخاب یکی از این دو رویکرد در مقابل دیگری.
4. منتظر شرایط ایده‌آل نمانید. بهترین سیستم پایش سلامت سازه‌ای، سیستمی است که واقعاً به کار گرفته شود. جمع‌آوری داده را از همین حالا آغاز کنید؛ روش‌های تحلیلی، از جمله رویکردهای یادگیری نیمه‌نظارتی و انتقالی، می‌توانند هم‌زمان با توسعه داده‌ها پیشرفت کنند.

این حوزه به کدام سمت می‌رود؟

این مرور نشان می‌دهد که پایش سلامت سازه‌ای در حال عبور از یک ابزار صرفاً تشخیصی و تبدیل شدن به یک سیستم پیش‌نگر برای پشتیبانی از تصمیم‌گیری است. ادغام فناوری‌های پیشرفته حسگری، از جمله حسگرهای فیبر نوری و شبکه‌های حسگر بی‌سیم، با یادگیری مبتنی بر گراف و همجوشی داده‌های چندمنبعی، یکی از مسیرهای مهم آینده این حوزه محسوب می‌شود. این تحولات می‌توانند زمینه‌ساز چارچوب‌های مقیاس‌پذیر و تاب‌آور برای پایش سلامت سازه‌ای شوند و به ارتقای ایمنی، پایداری و مدیریت چرخه عمر زیرساخت‌های پل کمک کنند.

برای پژوهش خودم، این مطالعه مروری مستقیماً بر رویکردهای مبتنی بر نظریه گراف و بینایی ماشین که برای ارزیابی ستون‌های بتن مسلح پس از زلزله در حال توسعه آن‌ها هستم، تأثیر گذاشته است. اصول مشابهی از پردازش سیگنال در هر دو مسئله وجود دارد؛ چه در حال پایش یک پل در طول چند دهه باشیم و چه در حال ارزیابی یک ستون پس از وقوع زلزله.

اگر در زمینه پایش سلامت سازه‌ای، پردازش سیگنال یا تشخیص آسیب فعالیت می‌کنید، خوشحال می‌شوم با شما در ارتباط باشم. با من در تماس باشید.