دیروز از پایاننامه کارشناسی ارشد خود در دانشگاه شهید بهشتی دفاع کردم و با موفقیت از آن فارغالتحصیل شدم. این پژوهش که تحت راهنمایی دکتر محمدجواد حمیدیا و با ارزیابی دکتر حمید بایسته و دکتر کیارش م. دولتشاهی انجام شد، حاصل دو سال پژوهش در نقطه تلاقی بینایی ماشین، نظریه گراف و یادگیری ماشین با هدف ارزیابی سازهها پس از زلزله است.
عنوان پایاننامه: تخمین کاهش مقاومت جانبی و سختی ستونهای بتن مسلح آسیبدیده در اثر زلزله با استفاده از بینایی ماشین، نظریه گراف و یادگیری ماشین.
مسئلهای که قصد داشتم حل کنم
پس از وقوع یک زلزله، مهندسان با هزاران ساختمان آسیبدیده مواجه میشوند. فرآیند معمول ارزیابی — اعزام تیمهای بازرسی برای بررسی چشمی ستونها — زمانبر است و میتواند تحت تأثیر قضاوت فردی و تفاوت میان ارزیابها قرار گیرد. دو بازرس ممکن است حتی در ارزیابی یک ستون مشابه به نتایج متفاوتی برسند. علاوه بر این، ارزیابی صرفاً بصری لزوماً نمیتواند ظرفیت باقیمانده عضو را بهصورت کمی برآورد کند.
پرسش اصلی که پژوهش من بر اساس آن شکل گرفت این بود: آیا میتوان به یک سیستم محاسباتی آموزش داد که با مشاهده ترکهای یک ستون بتن مسلح، میزان کاهش مقاومت آن را بهصورت کمی تخمین بزند؟
رویکرد پژوهش: گرافها، نه فقط پیکسلها
در روشهای متداول بینایی ماشین، ترکها عمدتاً بهصورت الگوهای پیکسلی تحلیل میشوند؛ یعنی مشخص میشود ترکها در کجا قرار دارند و چه عرضی پیدا کردهاند. اما عرض ترک بهتنهایی تمام اطلاعات مورد نیاز را در اختیار ما قرار نمیدهد. یک ترک مورب منفرد در نزدیکی پایه ستون میتواند بیانگر سازوکار آسیب متفاوتی نسبت به شبکهای متراکم از ترکهای خمشی ظریف در سطح ستون باشد. حتی ممکن است هر دو الگو سطح پیکسلی مشابهی را پوشش دهند، اما از دیدگاه رفتار و ایمنی سازهای، اطلاعات متفاوتی ارائه کنند.
در رویکرد من، الگوهای ترک به نمایشهای گرافی تبدیل میشوند؛ محل تقاطع ترکها بهعنوان گره و قطعات ترک بهعنوان یالهای وزندار در نظر گرفته میشوند. ویژگیهای گراف، مانند درجه گره، ضریب خوشهبندی و طول مسیر، توپولوژی آسیب را ثبت میکنند؛ یعنی نهفقط ظاهر ترکها، بلکه نحوه اتصال و سازمانیافتگی آنها را نیز در نظر میگیرند. سپس این ویژگیها به مدلهای یادگیری ماشین داده میشوند تا مقاومت جانبی و سختی باقیمانده ستون را پیشبینی کنند.
دفاع از پایاننامه شامل چه مباحثی بود؟
در جلسه دفاع، کل فرآیند پژوهش ارائه شد؛ از پردازش تصاویر با استفاده از Python و OpenCV گرفته تا ساخت گراف از نقشههای اسکلتبندیشده ترک و توسعه مدلهای رگرسیون برای تخمین ظرفیت باقیمانده. کمیته، به ریاست دکتر محمدجواد حمیدیا و با حضور دکتر حمید بایسته و دکتر کیارش م. دولتشاهی، پرسشهای ارزشمندی درباره قابلیت تعمیم روش به هندسههای مختلف ستون، نقش شبکههای عصبی گرافی در مقایسه با ویژگیهای کلاسیک گراف و مسیرهای عملی برای استفاده از این فناوری در بازرسیهای میدانی مطرح کرد.
از ارزیابی دقیق و علمی اعضای کمیته سپاسگزارم. این پرسشها به تقویت پژوهش و روشنتر شدن مسیرهای بعدی آن کمک کردند.
مرحله بعد چیست؟
این پایاننامه ارتباط مستقیمی با مسیر گستردهتر پژوهش من در زمینه ارزیابی لرزهای و پایش سلامت سازهای دارد. روش مبتنی بر گراف تنها به ستونها محدود نمیشود؛ همین اصول را میتوان در شبکههای حسگر پلها، چارچوبهای دوقلوی دیجیتال و هر حوزهای که در آن لازم است دادههای مکانی پیش از ورود به فرآیند یادگیری به ساختاری معنادار تبدیل شوند، مورد استفاده قرار داد.
در حال حاضر، توسعههای بعدی این پژوهش را دنبال میکنم؛ از جمله استفاده از شبکههای عصبی گرافی برای یادگیری مستقیم از نمایشهای گرافی الگوهای ترک، ارزیابی آسیب بر اساس چند معیار گرافی و ادغام این چارچوب با سیستمهای پشتیبان تصمیمگیری پس از زلزله.
اگر در زمینه ارزیابی سازه، پایش زیرساختها یا کاربرد بینایی ماشین و یادگیری ماشین در مهندسی عمران فعالیت میکنید، خوشحال میشوم با شما در ارتباط باشم. با من در تماس باشید.
استاد راهنما: دکتر محمدجواد حمیدیا
داوران: دکتر حمید بایسته، دکتر کیارش م. دولتشاهی
دانشگاه: دانشگاه شهید بهشتی، دانشکده مهندسی عمران، آب و محیط زیست
تاریخ: ژوئیه ۲۰۲۶
گفتگو
0 نظرلطفا وارد حساب شوید تا به تبادل نظر بپردازید.
هنوز گفتگویی انجام نشده
نخستین نفر باشید که نظرهای خود را به اشتراک میگذارد!