یادداشت: به کارگیری هوش مصنوعی در ارزیابی آسیب‌پذیری سازه‌های صنعت برق

نویسندگان: محمدعلی جعفری صحنه‌سرائی و امیر اکبری گرکانی - اعضای هیئت علمی گروه پژوهشی سازه‌های صنعت برق پژوهشگاه نیرو

افزایش عمر بهره‌برداری زیرساخت‌های صنعت برق، تشدید مخاطرات طبیعی و محیطی و پیچیده‌تر شدن سامانه‌های سازه‌ای، ضرورت استفاده از روش‌های نوین ارزیابی آسیب‌پذیری و پایش سلامت سازه را بیش از گذشته آشکار کرده است. در این میان، پیشرفت‌های اخیر در حوزه هوش مصنوعی و یادگیری ماشین، فرصت‌های جدیدی را برای ارتقای دقت، سرعت و کارایی فرآیندهای ارزیابی عملکرد سازه‌ها فراهم کرده‌اند. این فناوری‌ها با بهره‌گیری از داده‌های حاصل از آزمایش‌ها، پایش‌های میدانی و مدل‌سازی‌های عددی، می‌توانند به ابزاری مؤثر برای مدیریت ریسک و افزایش تاب‌آوری زیرساخت‌های صنعت برق تبدیل شوند.

ضرورت ارزیابی آسیب‌پذیری سازه‌های صنعت برق

سازه‌های صنعت برق به دلیل شرایط بهره‌برداری خاص، گستردگی جغرافیایی و قرارگیری در معرض عوامل محیطی گوناگون، همواره با خطر بروز انواع آسیب‌های سازه‌ای و ژئوتکنیکی مواجه هستند. آسیب‌های موضعی در اعضای سازه‌ای، خوردگی، فرسودگی مصالح، نشست‌های نامتقارن، فرونشست زمین و تغییر شرایط خاک از جمله عواملی هستند که می‌توانند در طول عمر بهره‌برداری عملکرد این سازه‌ها را تحت تأثیر قرار دهند.

از سوی دیگر، بخش قابل توجهی از زیرساخت‌های موجود کشور بر اساس آیین‌نامه‌ها و معیارهای طراحی دهه‌های گذشته احداث شده‌اند و با توجه به پیشرفت دانش مهندسی و بازنگری ضوابط طراحی، ممکن است در برابر مخاطرات کنونی دارای آسیب‌پذیری بیشتری باشند. در چنین شرایطی، ارزیابی مستمر وضعیت سازه‌ها، پایش سلامت و تصمیم‌گیری مبتنی بر ریسک، به یکی از ارکان اصلی مدیریت دارایی‌های صنعت برق تبدیل شده است.

هوش مصنوعی؛ گذار از مدل‌های صرفاً فیزیکی به مدل‌های داده‌محور

طی دهه اخیر، توسعه الگوریتم‌های یادگیری ماشین و افزایش توان پردازشی رایانه‌ها، زمینه استفاده گسترده‌تر از مدل‌های داده‌محور در مهندسی سازه را فراهم کرده است. در این رویکرد، به جای اتکاء کامل به مدل‌های مکانیکی و تحلیل‌های پرهزینه عددی، روابط میان پارامترهای ورودی و پاسخ سازه از طریق یادگیری الگوهای موجود در داده‌ها استخراج می‌شود.
اگرچه نخستین کاربردهای شبکه‌های عصبی مصنوعی در مسائل مهندسی سازه به اواخر دهه ۱۹۸۰ بازمی‌گردد، اما جهش واقعی این حوزه در سال‌های اخیر و همزمان با توسعه الگوریتم‌های پیشرفته یادگیری ماشین رخ داده است. امروزه شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و به‌ویژه الگوریتم XGBoost از مهم‌ترین ابزارهای مورد استفاده در این حوزه محسوب می‌شوند.

مهم‌ترین کاربردهای هوش مصنوعی در ارزیابی آسیب‌پذیری سازه‌ها

بر اساس مطالعات انجام‌شده توسط محققان پژوهشگاه نیرو در پروژه "ارزیابی عملکرد دکل‌های بتنی با استفاده از مدل‌های یادگیری ماشین" که به تازگی در گروه سازه‌های صنعت برق آغاز شده و در دست اجرا است، کاربردهای یادگیری ماشین در مهندسی سازه را می‌توان در چهار محور اصلی دسته‌بندی کرد.

 تحلیل عملکرد سازه و پیش‌بینی پاسخ در برابر مخاطرات

یکی از مهم‌ترین کاربردهای هوش مصنوعی، توسعه مدل‌های جانشین (Surrogate Models) یا فرامدل‌ها برای جایگزینی بخشی از تحلیل‌های پیچیده عددی است. این مدل‌ها با یادگیری رفتار سازه از روی داده‌های حاصل از شبیه‌سازی‌های پیشرفته، امکان پیش‌بینی سریع پاسخ سازه را فراهم می‌کنند.

کاربرد این رویکرد در تحلیل خطر لرزه‌ای، ارزیابی شکنندگی سازه‌ها، طراحی بهینه و پیش‌بینی مشخصات دینامیکی سازه‌ها مورد توجه گسترده قرار گرفته است. در بسیاری از موارد، استفاده از مدل‌های یادگیری ماشین توانسته است هزینه محاسباتی تحلیل‌های پیچیده را به میزان قابل توجهی کاهش دهد.

 پیش‌بینی ظرفیت باربری و خواص مصالح

بخش قابل توجهی از پژوهش‌های انجام‌شده در حوزه یادگیری ماشین به پیش‌بینی مقاومت و ظرفیت باربری اعضای سازه‌ای اختصاص دارد. پیش‌بینی مقاومت برشی و خمشی تیرها، ظرفیت ستون‌ها، رفتار اتصالات و تعیین خواص مکانیکی بتن از جمله مهم‌ترین موضوعات این حوزه هستند.

در زمینه بتن، بیشترین تمرکز مطالعات بر پیش‌بینی مقاومت فشاری بوده و نتایج نشان می‌دهد مدل‌های مبتنی بر شبکه‌های عصبی مصنوعی و XGBoost عملکرد بسیار مناسبی در این زمینه دارند. این رویکردها می‌توانند تعداد آزمایش‌های فیزیکی مورد نیاز را کاهش داده و فرآیند ارزیابی را تسریع کنند.

تشخیص آسیب، ترک و خوردگی

یکی از موفق‌ترین حوزه‌های کاربرد هوش مصنوعی در مهندسی عمران، تشخیص آسیب‌های سازه‌ای از طریق پردازش تصویر و بینایی ماشین است. استفاده از شبکه‌های عصبی کانولوشنی (CNN) امکان شناسایی خودکار ترک‌ها، خوردگی‌های بتن و میلگرد و سایر آسیب‌های سطحی را از طریق تصاویر برداشت‌شده توسط دوربین‌ها یا پهپادها فراهم کرده است.

توسعه این فناوری موجب شده است ارزیابی‌های بصری سنتی به سمت سامانه‌های هوشمند و خودکار حرکت کنند. افزون بر تشخیص وجود آسیب، بسیاری از مدل‌های جدید قادر به اندازه‌گیری طول، عرض، جهت و الگوی گسترش ترک‌ها نیز هستند که اطلاعات ارزشمندی برای ارزیابی وضعیت سازه فراهم می‌کند. همچنین مدل‌های یادگیری ماشین در بررسی آثار خوردگی بر خواص مکانیکی بتن و میلگرد، زمان شروع و سرعت گسترش خوردگی در بتن نیز مورد استفاده قرار گرفته اند.

پایش سلامت سازه و تحلیل داده‌های حسگرها

پایش سلامت سازه (SHM) یکی از مهم‌ترین حوزه‌های بهره‌گیری از یادگیری ماشین محسوب می‌شود. در این سامانه‌ها، داده‌های حاصل از حسگرهای نصب‌شده روی سازه به‌صورت پیوسته ثبت و تحلیل می‌شوند.

الگوریتم‌های یادگیری ماشین قادرند تغییرات جزئی در الگوهای ارتعاشی یا پاسخ دینامیکی سازه را شناسایی کرده و وجود آسیب را پیش از بروز خرابی‌های جدی تشخیص دهند. این قابلیت، امکان حرکت از نگهداری مبتنی بر زمان به نگهداری مبتنی بر وضعیت را فراهم می‌کند؛ رویکردی که نقش مهمی در کاهش هزینه‌های بهره‌برداری دارد.

جایگاه ژئوتکنیک در ارزیابی هوشمند سازه‌ها

یکی از نکات مهم در ارزیابی آسیب‌پذیری سازه‌های صنعت برق، توجه همزمان به رفتار سازه و شرایط ژئوتکنیکی است. تغییرات ظرفیت باربری خاک، نشست، روانگرایی، فرونشست زمین و ناپایداری‌های زیرسطحی می‌توانند عملکرد فونداسیون‌ها و در نتیجه عملکرد کل سیستم را تحت تأثیر قرار دهند.

امروزه مدل‌های داده‌محور برای پیش‌بینی رفتار خاک، ظرفیت باربری فونداسیون‌ها، نشست‌های تحکیمی و مخاطرات ژئوتکنیکی نیز توسعه یافته‌اند. تلفیق داده‌های ژئوتکنیکی با داده‌های پایش سلامت سازه، امکان ارزیابی یکپارچه سیستم خاک–پی–سازه را فراهم کرده و دقت تشخیص آسیب را به طور محسوسی افزایش می‌دهد.

چالش‌های پیش رو

با وجود ظرفیت‌های قابل توجه هوش مصنوعی، چند چالش اساسی همچنان مانع گسترش کامل این فناوری در مهندسی سازه است.

نخست، کمبود بانک‌های اطلاعاتی جامع و استاندارد برای آموزش مدل‌ها است. برخلاف بسیاری از حوزه‌های دیگر، داده‌های باکیفیت و در مقیاس بزرگ در مهندسی سازه و ژئوتکنیک هنوز محدود هستند.

دوم، نبود چارچوب مشخص برای انتخاب الگوریتم مناسب و تنظیم بهینه ابرپارامترها، مقایسه نتایج مطالعات مختلف را دشوار کرده است.

سوم، مسئله تفسیرپذیری مدل‌ها همچنان یکی از دغدغه‌های اصلی جامعه مهندسی محسوب می‌شود. بسیاری از مدل‌های پیشرفته یادگیری ماشین، اگرچه دقت بالایی دارند، اما توضیح چرایی تصمیمات آنها دشوار است. از این رو، توسعه مدل‌های «هوش مصنوعی آگاه از فیزیک» (Physics-Informed Machine Learning) به عنوان یکی از مسیرهای آینده این حوزه مطرح شده است.

جمع‌بندی

شواهد پژوهشی نشان می‌دهد هوش مصنوعی از مرحله مطالعات آزمایشگاهی عبور کرده و به تدریج در حال تبدیل شدن به یکی از ابزارهای کلیدی ارزیابی عملکرد، پایش سلامت و مدیریت ریسک سازه‌ها است. در صنعت برق، جایی که قابلیت اطمینان و تداوم بهره‌برداری از زیرساخت‌ها اهمیت راهبردی دارد، بهره‌گیری از این فناوری می‌تواند دقت ارزیابی آسیب‌پذیری را افزایش داده، زمان تصمیم‌گیری را کاهش دهد و زمینه‌ساز نگهداری هوشمند دارایی‌ها شود. با این حال، تحقق کامل این ظرفیت مستلزم توسعه پایگاه‌های داده تخصصی، افزایش قابلیت تفسیر مدل‌ها و تلفیق مؤثر دانش مهندسی با روش‌های نوین داده‌محور خواهد بود.

 

منابع:

1. Thai, Huu-Tai, "Machine learning for structural engineering: A state-of-the-art review." Structures, vol. 38, pp. 448-491. Elsevier, (2022).
2. Sun, Han, Henry V. Burton, and Honglan Huang. "Machine learning applications for building structural design and performance assessment: State-of-the-art review." Journal of Building Engineering 33 (2021): 101816.
3. Xie, Yazhou. "Deep learning in earthquake engineering: A comprehensive review." ASCE OPEN: Multidisciplinary Journal of Civil Engineering 3, no. 1 (2025): 03125001.
4. https://strucinspect.com/en/
5. Zhang W, Li H, Li Y, Liu H, Chen Y, Ding X. "Application of deep learning algorithms in geotechnical engineering: a short critical review". vol. 54. Springer Netherlands; 2021. DOI: 10.1007/s10462-021-09967-1.