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.
یادگیری ماشین (ML)، زیرحوزهای از هوش مصنوعی است که الگوریتمهایی توسعه میدهد که قادر به بهبود عملکرد خود در یک وظیفه از طریق تجربه — معمولاً با یادگیری الگوها از داده — هستند. برخلاف برنامهنویسی سنتی که در آن یک انسان قواعد نگاشت ورودیها به خروجیها را مشخص میکند، الگوریتمهای یادگیری ماشین این قواعد را از مثالها استنتاج میکنند. این حوزه در دو دهه گذشته منفجر شده است که ناشی از در دسترس بودن مجموعههای داده بزرگ، پیشرفتها در طراحی الگوریتم و افزایش چشمگیر توان محاسباتی (بهویژه GPUها) است. کاربردها از تشخیص تصویر و پردازش زبان طبیعی تا کشف علمی، سامانههای خودمختار و بهطور فزاینده، مهندسی زلزله گستردهاند.
یادگیری ماشین به چند پارادایم طبقهبندی میشود. یادگیری نظارتشده از دادههای برچسبدار (جفتهای ورودی-خروجی) برای یادگیری نگاشتی از ورودیها به خروجیها استفاده میکند — نمونهها شامل رگرسیون (پیشبینی یک مقدار پیوسته) و طبقهبندی (پیشبینی یک دسته) است. یادگیری بدون نظارت ساختار را در دادههای بدون برچسب پیدا میکند — نمونهها شامل خوشهبندی، کاهش ابعاد و تشخیص ناهنجاری است. یادگیری نیمهنظارتشده مقدار کمی داده برچسبدار را با مقدار زیادی داده بدون برچسب ترکیب میکند. یادگیری تقویتی از طریق تعامل با یک محیط، دریافت پاداش یا جریمه برای اعمال، یاد میگیرد — در کنترل، رباتیک و تصمیمگیری متوالی به کار میرود. در مهندسی زلزله، یادگیری نظارتشده پارادایم غالب است با کاربردهایی شامل تشخیص آسیب (طبقهبندی سازهها به آسیبدیده یا سالم)، مدلسازی شکنندگی (پیشبینی احتمال خسارت بهعنوان تابعی از شدت) و مدلسازی جانشین (تقریب شبیهسازیهای پرهزینه با مدلهای ML سریع).
یادگیری ماشین در حال تحول بخشیدن به عمل و پژوهش مهندسی زلزله است. در پایش سلامت سازه (SHM)، الگوریتمهای ML — بهویژه یادگیری عمیق و بینایی ماشین — برای تشخیص، مکانیابی و کمّیسازی آسیب از دادههای حسگر و تصاویر به کار میروند. در تحلیل خطر و ریسک لرزهای، ML برای توسعه GMPEها، طبقهبندی حرکات زمین و تولید ارزیابیهای سریع پس از زلزله به کار میرود. در مهندسی زلزله مبتنی بر عملکرد، مدلهای جانشین ML برای تسریع تحلیل تاریخچه پاسخ غیرخطی به کار میروند و ارزیابی هزاران گزینه طراحی را عملی میسازند. در بینایی ماشین، مدلهای یادگیری عمیق برای تشخیص ترک، طبقهبندی خسارت پس از زلزله از تصاویر ماهوارهای یا پهپادی و شناسایی اجزای سازهای به کار میروند. چالشها در بهکارگیری ML در مهندسی زلزله شامل: (۱) در دسترس بودن محدود دادههای برچسبدار، بهویژه برای رویدادهای نادر نظیر زلزلههای قوی؛ (۲) نیاز به رویکردهای آگاه به فیزیک که محدودیتهای فیزیکی معلوم را رعایت کنند؛ (۳) تفسیرپذیری مدلهای پیچیده که برای تصمیمگیری مهندسی حیاتی است؛ (۴) قابلیت انتقال مدلها در سراسر سازهها، مناطق و مشخصات حرکت زمین مختلف؛ و (۵) هزینه محاسباتی آموزش مدلهای بزرگ است. پژوهش مدرن بهطور فزایندهای ML را با مدلسازی مبتنی بر فیزیک ترکیب میکند — یادگیری ماشین آگاه به فیزیک — تا از نقاط قوت هر دو رویکرد بهره بگیرد. در ایران، ML بهطور فزایندهای در پژوهش روی SHM، تشخیص آسیب و ارزیابی سریع پس از زلزله به کار میرود با علاقه فزاینده به کاربرد ML برای تحلیل مجموعههای داده بزرگ تولیدشده توسط شبکههای لرزهای و حرکات شدید ایران.