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.
یادگیری عمیق، زیرحوزهای از یادگیری ماشین است که از شبکههای عصبی مصنوعی با چندین لایه پنهان — از اینرو «عمیق» — برای یادگیری بازنماییهای داده در سطوح فزاینده انتزاع استفاده میکند. برخلاف روشهای سنتی یادگیری ماشین که بر ویژگیهای دستساز تکیه دارند، یادگیری عمیق ویژگیها را مستقیماً از داده خام از طریق فرایندی سلسلهمراتبی یاد میگیرد: لایههای اولیه الگوهای ساده را یاد میگیرند، لایههای عمیقتر بازنماییهای فزاینده پیچیده و انتزاعی را. این حوزه از سال ۲۰۱۲ منفجر شده است؛ زمانی که شبکههای عصبی کانولوشنی عمیق (CNN) بهطور چشمگیری از تمام روشهای پیشین در چالش طبقهبندی تصویر ImageNet پیشی گرفتند — پیشرفتی که ناشی از مجموعههای داده بزرگ، محاسبات GPU و پیشرفتهای الگوریتمی (فعالسازی ReLU، dropout، نرمالسازی دستهای) بود. یادگیری عمیق امروز سامانههای پیشرفته در تشخیص تصویر، تشخیص گفتار، ترجمه ماشینی، بازی و بهطور فزاینده کاربردهای علمی و مهندسی را توانمند میسازد.
یادگیری عمیق چندین معماری را برای انواع داده مختلف در بر میگیرد. شبکههای عصبی کانولوشنی (CNN) برای دادههای شبکهای (تصاویر، سیگنالها) طراحی شدهاند و معماری غالب برای بینایی ماشین هستند — که در مهندسی زلزله برای تشخیص ترک، طبقهبندی خسارت از تصاویر و پردازش سیگنالهای حسگر به کار میروند. شبکههای عصبی بازگشتی (RNN)، شامل حافظه کوتاهمدت بلند (LSTM) و واحد بازگشتی دروازهای (GRU)، برای دادههای دنبالهای (سریهای زمانی) طراحی شدهاند و برای پیشبینی پاسخ سازه، پایش زمان واقعی و تحلیل تاریخچه زمانی به کار میروند. ترنسفورمرها — که در اصل برای پردازش زبان طبیعی توسعه یافتند — بهطور فزایندهای برای طیف وسیعی از وظایف مدلسازی دنباله، شامل پردازش سیگنال لرزهای و پیشبینی پاسخ سازه، به کار میروند. مدلهای مولد نظیر خودرمزگذارهای متغیر (VAE) و شبکههای مولد رقابتی (GAN) میتوانند دادههای مصنوعی تولید کنند — که برای افزایش داده هنگام کمی داده برچسبدار، مشکلی رایج در مهندسی زلزله، مفید است. شبکههای عصبی گرافی (GNN) بر دادههای ساختار-گراف عمل میکنند و برای مدلسازی سامانههایی با اتصال پیچیده، نظیر شبکههای سازهای و شبکههای حسگر، به کار میروند.
یادگیری عمیق در حال تحول بخشیدن به پژوهش و عمل مهندسی زلزله در چندین حوزه کلیدی است. در پایش سلامت سازه (SHM)، مدلهای یادگیری عمیق برای تشخیص آسیب از دادههای ارتعاشی، شناسایی مودی خودکار و پردازش مجموعههای داده پایش پیوسته بزرگ به کار میروند. در بینایی ماشین برای مهندسی زلزله، CNNها برای تشخیص ترک در بتن، طبقهبندی خسارت پس از زلزله از تصاویر ماهوارهای یا پهپادی و شناسایی اجزای سازهای — وظایفی که پیشتر نیازمند بازرسی دستی بودند — به کار میروند. در تحلیل خطر لرزهای، یادگیری عمیق برای طبقهبندی حرکات زمین (مثلاً شناسایی حرکات تپشی)، برای برآورد سریع بزرگا از سیگنالهای لرزهای اولیه و برای توسعه مدلهای حرکت زمین به کار میرود. در مهندسی زلزله مبتنی بر عملکرد، مدلهای جانشین یادگیری عمیق بهطور چشمگیری تحلیل تاریخچه پاسخ غیرخطی را تسریع میکنند و ارزیابی تعداد زیادی از حرکات زمین و گزینههای طراحی را عملی میسازند. چالشها شامل: (۱) در دسترس بودن محدود دادههای برچسبدار که مشکلی پیوسته در مهندسی زلزله است؛ (۲) ماهیت «جعبه سیاه» شبکههای عمیق که تفسیرپذیری را محدود میکند — نگرانی حیاتی در تصمیمگیری مهندسی؛ (۳) خطر برازش بیشازحد و نیاز به اعتبارسنجی دقیق؛ (۴) هزینه محاسباتی آموزش و استقرار مدلهای عمیق؛ و (۵) دشواری انتقال مدلها در سراسر سازهها، مناطق و شرایط مختلف است. یادگیری عمیق آگاه به فیزیک — که قوانین فیزیکی را در معماری شبکه یا تابع زیان وارد میکند — پاسخی امیدبخش به این چالشها است. در ایران، پژوهش یادگیری عمیق بهسرعت در حال رشد است با کاربردها در SHM، تشخیص آسیب از تصاویر و پردازش سیگنال لرزهای که توسط در دسترس بودن فزاینده داده از شبکههای لرزهای و پایش سازه ایران پشتیبانی میشود. جامعه پژوهش ایران همچنین در حال توسعه کاربردهای یادگیری عمیق برای محتوای مهندسی فارسی و برای تحلیل انواع ساختوساز محلی است.