روش‌های محاسباتی و داده‌محور

استنباط بایسین، چارچوبی آماری است که احتمال یک فرضیه را با در دسترس قرار گرفتن شواهد جدید به‌روزرسانی می‌کند و از قضیه بیز برای ترکیب دانش پیشین با داده‌های مشاهده‌شده استفاده می‌کند. این چارچوب رویکردی اصولی برای تصمیم‌گیری تحت عدم قطعیت فراهم می‌آورد و به‌طور گسترده در مهندسی زلزله، SHM و به‌روزرسانی مدل به کار می‌رود.

بینایی ماشین (CV)، حوزه‌ای از هوش مصنوعی است که به رایانه‌ها امکان استخراج، تحلیل و درک اطلاعات از تصاویر و ویدئوهای رقمی را می‌دهد. در مهندسی زلزله، به‌طور فزاینده‌ای برای تشخیص خودکار ترک، ارزیابی خسارت پس از زلزله و شناسایی اجزای سازه‌ای به کار می‌رود.

یادگیری عمیق، زیرحوزه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد (شبکه‌های عمیق) برای یادگیری بازنمایی‌های سلسله‌مراتبی داده استفاده می‌کند. این حوزه پیشرفت‌های چشمگیری در بینایی ماشین، پردازش زبان طبیعی و به‌طور فزاینده در کاربردهای مهندسی زلزله نظیر تشخیص آسیب و مدل‌سازی جانشین ایجاد کرده است.

روش اجزای محدود (FEM)، تکنیکی عددی برای حل معادلات دیفرانسیل جزئی با تقسیم یک دامنه پیچیده به زیردامنه‌های کوچک‌تر و ساده‌تر به نام اجزای محدود است. این روش ابزار محاسباتی غالب در مهندسی سازه برای تحلیل تنش‌ها، تغییرشکل‌ها و پاسخ دینامیکی سازه‌ها تحت بارگذاری دلخواه است.

تحلیل دینامیکی افزایشی (IDA)، روش تحلیل تاریخچه پاسخ غیرخطی است که در آن سازه تحت مجموعه‌ای از حرکات زمین قرار می‌گیرد که هرکدام به چندین تراز شدت مقیاس‌بندی شده‌اند تا تصویری جامع از عملکرد آن در سراسر بازه کامل تقاضاهای لرزه‌ای — از پاسخ کشسان تا فروریزش — ترسیم شود.

یادگیری ماشین (ML)، حوزه‌ای از هوش مصنوعی است که الگوریتم‌هایی توسعه می‌دهد که قادر به یادگیری الگوها از داده و پیش‌بینی بدون برنامه‌ریزی صریح هستند. در مهندسی زلزله، به‌طور فزاینده‌ای برای تشخیص آسیب، مدل‌سازی شکنندگی، ارزیابی سریع پس از زلزله و مدل‌سازی جانشین به کار می‌رود.

شبیه‌سازی مونت‌کارلو، روشی محاسباتی است که از نمونه‌گیری تصادفی برای برآورد خواص آماری سامانه‌های پیچیده استفاده می‌کند. در مهندسی زلزله، برای انتشار عدم قطعیت در تحلیل‌های احتمالاتی خطر و ریسک لرزه‌ای به کار می‌رود و به‌جای مقادیر جبری واحد، توزیع‌هایی از نتایج تولید می‌کند.

شبکه عصبی، مدلی محاسباتی است که از ساختار و عملکرد نورون‌های زیستی الهام گرفته و از لایه‌های به‌هم‌پیوسته گره‌هایی تشکیل شده که داده ورودی را به پیش‌بینی خروجی تبدیل می‌کنند. این معماری بنیادی یادگیری ماشین و یادگیری عمیق مدرن است.

مدل جانشین — که متامدل، شبیه‌ساز یا سطح پاسخ نیز نامیده می‌شود — تقریبی سریع از یک شبیه‌سازی محاسباتی پرهزینه است که بر تعداد محدودی از اجراهای شبیه‌سازی آموزش دیده است. این مدل تحلیل احتمالاتی، بهینه‌سازی و تصمیم‌گیری زمان واقعی را که با شبیه‌سازی اصلی غیرعملی خواهند بود ممکن می‌سازد.

کمی‌سازی عدم قطعیت (UQ)، رشته‌ای است که به مشخصه‌یابی، انتشار و کاهش عدم قطعیت در مدل‌های محاسباتی و پیش‌بینی‌های مهندسی می‌پردازد. این رشته چارچوبی دقیق برای تصمیم‌گیری تحت عدم قطعیت فراهم می‌آورد که برای مهندسی زلزله مدرن بنیادی است.