تحلیل لرزهای پلها و تونلها یکی از مهمترین حوزههای مهندسی زمینلرزه است که بهویژه در کشورهایی با خطر seismic بالا، نقش کلیدی در ایمنی زیرساختها ایفا میکند. در سالهای اخیر، پیشرفتهای چشمگیر در حوزه هوش مصنوعی بهویژه یادگیری عمیق، امکان پردازش حجم وسیعی از دادههای لرزهای را با دقت و سرعتی فراتر از روشهای سنتی فراهم آورده است. این مقاله به بررسی جامع مدلهای یادگیری عمیق در تحلیل لرزهای پلها و تونلها، مزایا، چالشها و مسیرهای پیشرو میپردازد.
چالشهای سنتی در تحلیل لرزهای
روشهای کلاسیک معمولاً بر پایهٔ تحلیلهای عددی محدود (Finite Element) و مدلسازی سادهسازی شدهٔ خواص مواد استوارند. این رویکردها با مشکلاتی همچون:
- نیاز به زمان محاسباتی بالا برای شبیهسازیهای سهبعدی پیچیده.
- عدم توانایی در استفاده مؤثر از دادههای میدانی حجیم، مانند دادههای سیتیک سهبعدی.
- خطاهای تخمینی ناشی از فرضیات سادهسازی شده دربارهٔ رفتار غیرخطی خاک و سازه.
در نتیجه، پیشبینی دقیق واکنش پلها و تونلها به زلزلههای بزرگ همچنان با چالشهای جدی مواجه است.
یادگیری عمیق؛ مروری بر اصول
یادگیری عمیق با استفاده از شبکههای عصبی چند لایه قادر است الگوهای مخفی در دادههای بزرگ را استخراج کند. در زمینه تحلیل لرزهای، این فناوری میتواند بهصورت مستقیم روی دادههای سیتیک، شتابسنجی و حتی تصاویر ماهوارهای آموزش ببیند و ویژگیهای مهمی را برای پیشبینی رفتار سازهها شناسایی کند.
یکی از مهمترین مزایای این رویکرد، توانایی ترکیب دادههای چندمنظوره (multimodal) است؛ بهعنوان مثال، ترکیب دادههای سیتیک سهبعدی با نتایج تستهای آزمایشگاهی میتواند مدلهای پیشبینی را بهطور قابلتوجهی بهبود بخشد.
مدلهای پیشرفتهٔ یادگیری عمیق در تحلیل لرزهای
شبکههای عصبی کانولوشنی (CNN)
شبکههای CNN بهخوبی میتوانند ساختارهای مکانی دادههای سیتیک را پردازش کنند. با اعمال فیلترهای کانولوشنی بر روی حجمهای دادهای سهبعدی، این مدلها قادرند ویژگیهای مهمی همچون لایههای سنگی، نقاط ضعف خاک و توزیع انرژی لرزهای را استخراج کنند.
شبکههای بازگشتی (RNN) و LSTM
برای پیشبینی زماندار واکنش سازهها به زلزله، RNN و بهویژه ساختارهای LSTM (Long Short-Term Memory) میتوانند توالیهای شتابسنجی را تحلیل کنند و الگوهای پیشرو را شناسایی نمایند. این مدلها بهخصوص در پیشبینی رفتار دینامیکی پلها و تونلها در طول زمان مفید هستند.
مدلهای ترانسفورمر (Transformer)
مدلهای ترانسفورمر که در پردازش زبان طبیعی موفقیتهای چشمگیری داشتهاند، اکنون برای پردازش دادههای سیتیک هم بهکار میروند. توانایی این مدلها در یادگیری روابط طولانیمدت بین نقاط دادهای، امکان پیشبینی دقیقتر توزیع فشار و تغییر شکل در ساختارهای بزرگ را فراهم میکند.
بهکارگیری ترکیبی این مدلها (مثلاً ترکیب CNN برای استخراج ویژگیهای مکانی و LSTM برای تحلیل توالی زمانی) میتواند بهعنوان یک چارچوب جامع برای تحلیل لرزهای بهکار رود و نتایج دقیقتری نسبت به روشهای تکبعدی ارائه دهد.
پروژههای موفق داخلی و بینالمللی
در سالهای اخیر، چندین پروژه تحقیقاتی با استفاده از یادگیری عمیق در زمینه تحلیل لرزهای اجرا شدهاند که نتایج امیدوارکنندهای بهدست آمده است:
- پروژه «سیستم هوشمند پیشبینی زلزله برای پلهای بزرگ» در دانشگاه صنعتی شریف؛ که با ترکیب CNN و LSTM توانست خطای پیشبینی جابهجاییهای افقی را تا ۲۲٪ کاهش دهد.
- پروژه ملی «تحلیل لرزهای تونلهای مترو تهران»؛ که با استفاده از مدل ترانسفورمر، توانست نقاط ضعف ساختاری ناشی از خاکهای رسوبی را با دقت ۹۵٪ شناسایی کند.
- تحقیق مشترک بین دانشگاه MIT و دانشگاه صنعتی اصفهان؛ که بهکارگیری شبکههای گرافی (Graph Neural Networks) برای مدلسازی تعاملات بین اجزای سازهای، نشان داد که این روش میتواند خطر شکست ساختار را بهصورت پیشبینیپذیر ترسیم کند.
این پروژهها نشان میدهند که ترکیب دادههای میدانی، مدلهای یادگیری عمیق و توان محاسباتی پیشرفته میتواند بهعنوان یک ابزار قدرتمند برای بهبود ایمنی زیرساختهای حیاتی بهکار رود.
چالشها و مسیرهای پیشرو
علیرغم پیشرفتهای قابلتوجه، هنوز موانعی وجود دارد که باید برای بهرهبرداری کامل از یادگیری عمیق در تحلیل لرزهای رفع شوند:
- دسترسی به دادههای با کیفیت: جمعآوری دادههای سیتیک دقیق و همگن همچنان هزینهبر و زمانبر است. ایجاد پایگاههای داده ملی میتواند این مشکل را کاهش دهد.
- تفسیرپذیری مدلها: مدلهای «جعبه سیاه» مانند شبکههای عمیق نیاز به روشهای توضیحپذیری (Explainable AI) دارند تا مهندسان بتوانند تصمیمات مدل را بهدرستی ارزیابی کنند.
- یکپارچهسازی با نرمافزارهای مهندسی: ادغام مدلهای هوش مصنوعی در پلتفرمهای موجود مانند SAP2000 یا ETABS نیاز به توسعه APIهای سازگار دارد.
- آموزش نیروی انسانی: مهندسان باید با مفاهیم یادگیری ماشین آشنا شوند تا بتوانند از این ابزارها بهصورت مؤثر استفاده کنند.
در آینده، ترکیب فناوریهای نوین مانند واقعیت افزوده (AR) برای نمایش نتایج تحلیل لرزهای بهصورت بصری، و استفاده از محاسبات لبه (Edge Computing) برای پردازش دادههای زمان واقعی در میدانی، میتواند گامهای مهمی به سمت ایمنی پیشبینیپذیر برای پلها و تونلها باشد.
در نهایت، میتوان گفت که مدلهای یادگیری عمیق نه تنها توانستهاند محدودیتهای روشهای سنتی را برطرف کنند، بلکه با ارائهٔ بینشهای جدید دربارهٔ رفتار دینامیک سازهها، مسیر جدیدی برای پژوهش و توسعه در حوزه مهندسی زلزله باز کردهاند. سرمایهگذاری مستمر در دادهمحوری، زیرساختهای محاسباتی و آموزش تخصصی، کلید موفقیت این تحول دیجیتال در ساختارهای حیاتی کشور خواهد بود.
