مروري بر شناسايي آسيب و ترك در سازه ها با استفاده از الگوريتم ها و شبكه هاي عصبي مصنوعي

نظارت بر آسيب هاي سازه اي، براي حفظ عمر مفيد سازه هاي عمراني بسيار مهم است. روش‌ هاي نظارت بسياري براي ارائه ابزار هاي عملي براي هشدار اوليه در برابر آسيب هاي سازه اي يا هر نوع نا هنجاري ايجاد شده‌ اند. لذا روش نظارت بر سلامت سازه، امروزه يك رويكرد اصلي براي مديريت شناسايي و تشخيص آسيب در مناطق مختلف به شمار مي آيد. نياز به نظارت بر رفتار سازه، هر روز در حال افزايش است، اما به دليل توسعه مصالح جديد و سازه هاي پيچيده تر، اين امر، منجر به توسعه روش‌ هاي نظارت بر سلامت سازه قوي و حساس مي شود. هوش مصنوعي، يك رويكرد جايگزين كارآمد براي روش هاي مدل سازي كلاسيك است. راه حل‌ هاي مبتني بر هوش مصنوعي، جايگزين‌ هاي خوبي براي تعيين پارامتر هاي طراحي مهندسي در مواقعي هستند كه آزمايش امكان پذير نيست؛ بنابراين منجر به صرفه‌ جويي قابل توجهي در زمان و تلاش انسان در آزمايش ها مي شود. امروزه، يادگيري ماشيني به موفق ترين زير شاخه هوش مصنوعي تبديل شده است. شناسايي آسيب با استفاده از پردازش سيگنال هوشمند و الگوريتم هاي بهينه سازي مبتني بر معيار هاي ارتعاش از جمله مواردي هست كه حائز اهميت مي باشد. در اين مقاله، برخي از مطالعات اخير در زمينه كاربرد هاي شبكه هاي عصبي مصنوعي براي شناسايي آسيب و ترك بررسي شده است. سعي شده است تا مروري جامع بر مقالات مطرح شده در زمينه كاربرد روش هاي بهينه سازي و روش هاي معكوس، هوش مصنوعي و يادگيري ماشين، ارزيابي آسيب و ترك در سازه هاي مختلف با استفاده از شبكه هاي عصبي مصنوعي، با نگاهي ويژه بر مطالعات انجام شده در دهه هاي گذشته، انجام شود.