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.
شبکه عصبی، مدلی محاسباتی است که از نحوه پردازش اطلاعات توسط مغزهای زیستی الهام گرفته است. واحد پایه، نورون مصنوعی است که مقادیر ورودی را دریافت میکند، هرکدام را در یک وزن یادگرفتهشده ضرب میکند، حاصلضربها را جمع میکند، یک بایاس میافزاید و نتیجه را از یک تابع فعالسازی غیرخطی (نظیر ReLU، سیگموئید یا tanh) عبور میدهد. این نورونها به لایهها سازمان مییابند: یک لایه ورودی که داده را دریافت میکند، یک یا چند لایه پنهان که داده را به بازنماییهای فزاینده انتزاعی تبدیل میکنند، و یک لایه خروجی که پیشبینی نهایی را تولید میکند. رفتار شبکه توسط وزنها و بایاسهای آن تعیین میشود که از داده از طریق فرایندی به نام آموزش یاد گرفته میشوند. در طول آموزش، پیشبینیهای شبکه با مقادیر واقعی (برای یادگیری نظارتشده) مقایسه میشود و وزنها با استفاده از یک الگوریتم بهینهسازی — معمولاً گرادیان کاهشی و پسانتشار — برای کمینهسازی خطا تنظیم میشوند.
شبکههای عصبی بر اساس معماری و پارادایم آموزششان طبقهبندی میشوند. شبکههای عصبی پیشخور (FNN)، که پرسپترون چندلایه (MLP) نیز نامیده میشوند، سادهترین شکل هستند — اطلاعات در یک جهت از ورودی به خروجی جریان مییابد. شبکههای عصبی کانولوشنی (CNN) از لایههای کانولوشنی استفاده میکنند که وزنها را در مکانهای فضایی به اشتراک میگذارند و آنها را برای دادههای تصویری و سیگنالی بسیار مؤثر میسازند. شبکههای عصبی بازگشتی (RNN) اتصالاتی دارند که چرخه تشکیل میدهند و به آنها امکان میدهند «حافظهای» از ورودیهای گذشته داشته باشند — مناسب برای دادههای دنبالهای، هرچند رویه مدرن بهطور فزایندهای معماریهای LSTM، GRU و ترنسفورمر را ترجیح میدهد. خودرمزگذارها برای بازسازی ورودی خود آموزش میبینند و بازنماییهای فشردهای را یاد میگیرند که برای کاهش ابعاد و تشخیص ناهنجاری مفید است. شبکههای مولد رقابتی (GAN) از دو شبکه — یک مولد و یک تشخیصدهنده — تشکیل شده که در تقابل آموزش میبینند و قادر به تولید دادههای مصنوعی واقعگرایانه هستند. شبکههای عصبی آگاه به فیزیک (PINN) قوانین فیزیکی (نظیر معادلات دیفرانسیل) را مستقیماً در معماری شبکه یا تابع زیان وارد میکنند. شبکههای عصبی گرافی (GNN) بر دادههای ساختار-گراف عمل میکنند و برای سامانههایی با اتصال پیچیده به کار میروند.
شبکههای عصبی بهطور گسترده در مهندسی زلزله برای طیفی از کاربردها به کار میروند. در پایش سلامت سازه، شبکههای عصبی برای تشخیص و مکانیابی آسیب از دادههای ارتعاشی، برای شناسایی سیستم و برای تحلیل مودی خودکار به کار میروند. در تحلیل خطر لرزهای، برای پیشبینی حرکت زمین، برای برآورد بزرگا و فاصله از سیگنالهای اولیه و برای طبقهبندی مشخصات حرکت زمین به کار میروند. در مهندسی زلزله مبتنی بر عملکرد، بهعنوان مدلهای جانشین عمل میکنند که نتایج تحلیل تاریخچه پاسخ غیرخطی پرهزینه را با هزینه محاسباتی بهطور چشمگیری کاهشیافته تقریب میزنند. در بینایی ماشین برای مهندسی زلزله، CNNها برای تشخیص ترک، طبقهبندی خسارت از تصاویر و شناسایی اجزای سازهای به کار میروند. چالشها شامل: (۱) نیاز به مجموعههای داده بزرگ و با کیفیت بالا که مشکلی خاص در مهندسی زلزله است که در آن رویدادهای مخرب نادرند؛ (۲) ماهیت «جعبه سیاه» شبکههای عمیق که تفسیرپذیری را محدود میکند؛ (۳) خطر برازش بیشازحد و نیاز به اعتبارسنجی دقیق؛ (۴) دشواری انتقال مدلها در سراسر سازهها، مناطق و شرایط؛ و (۵) هزینه محاسباتی آموزش شبکههای بزرگ است. رویکردهای آگاه به فیزیک حوزه فعالی از پژوهش برای رفع برخی از این چالشها با وارد کردن محدودیتهای فیزیکی معلوم در مدل هستند. در ایران، پژوهش شبکه عصبی در مهندسی زلزله بهسرعت در حال رشد است با کاربردها در SHM، تشخیص آسیب، پیشبینی حرکت زمین و مدلسازی جانشین، که توسط در دسترس بودن داده از شبکههای لرزهای و حرکات شدید ایران پشتیبانی میشود.