این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران مدرس، جلد ۲۳، شماره ۵، صفحات ۰-۰
عنوان فارسی تشخیص ترک در سازه‌های بتنی با کاربرد شبکه عصبی کانولوشن
چکیده فارسی مقاله  یکی از زمینه‌های فعال تحقیقاتی در بحث پایش‌ سلامت ‌سازه‌های بتنی تشخیص رخداد ترک در المان‌های سازه‌ای است. طبقه­بندی و تشخیص فنی براساس تصویر، روشی است که امروزه مورد توجه بسیاری از محققین قرار گرفته است. انجام روش مبتنی بر تصویر به دلیل پیشرفت فناوری تصویربرداری و پردازش سریع آن‌ها به سهولت صورت می‌گیرد، که این تشخیص توسط شبکه عصبی کانولوشن(CNN) انجام می‌شود. در این تحقیق تشخیص ترک در سازه­های بتنی با استفاده از شبکه عصبی کانولوشنی مطالعه شده است. مطالعه حاضر قابل تعمیم به تمام سازه­های بتنی برای نمونه سد، کانال، پل­ها، پوسته­ها، زیرسازی­های راه­ها و اسکلت­های بتنی می­باشد. بانک اطلاعاتی این پژوهش شامل 40.000 تصویر که، 20.000 تصویر بتن ترک­خورده و 20.000 بتن ترک­‌نخورده با ابعاد  3×227×227 پیکسل می‌باشد، 80 درصد تصاویر برای آموزش و 20 درصد باقیمانده برای صحت‌سنجی روش شبکه عصبی کانولوشن استفاده می‌شوند. دقت تشخیص بتن ترک‌ خورده از ترک‌ نخورده در حدود 16/98 درصد می‌باشد، که برای عملیاتی ‌شدن قابل قبول است و کاربردی محسوب می‌شود. همچنین طبق تحلیل ماتریس درهم‌ریختگی تعداد 147 تصویر از 8.000 تصویر داده­های صحت­سنجی به صورت اشتباه دسته‌بندی شده‌اند.
کلیدواژه‌های فارسی مقاله ترک در بتن،شبکه عصبی کانولوشن،پایش سلامت سازه،واحد پردازش گرافیکی
عنوان انگلیسی Crack Detection in Concrete Structures Using Convolutional Neural Network
چکیده انگلیسی مقاله One of the active areas of research in concrete structure health monitoring is the detection of cracking in structural elements. Image classification and diagnosis have attracted the attention of many researchers nowadays. Due to the advancement of artificial neural networks and their fast processing, a convolution neural network has been established to detect these cracks. In this study, crack detection in concrete structures has been studied using a convolutional neural network, which can be generalized to all concrete structures for example dams, canals, bridges, shells, road infrastructure, foundations and concrete frames. Convolution neural network training was performed by the SGDM method with the ReLU activator function. Also, 250 iterations were employed for convolution neural network training, which gradually reduced the error rate and increased the accuracy of detecting cracked and uneaten concrete. The convolutional neural network is trained and validated with these 250 iterations. First, images with 32-pixel window dimensions are converted and separated. Then, the 32-pixel window, the 16-pixel, and the 8-pixel windows filter the images. A total of 3 stages of 32, 16, and 8-pixel filter images are analyzed and interpreted. During the training process, validation is performed every 20 iterations, and a diagram related to the accuracy of convolution network estimation and data classification error is drawn and completed. In convolutional neural networks, where the output is in pairs, the cracked and uncracked images of the network architecture are almost identical, differing only in minor specifications. The database of this research includes 20,000 images of cracked concrete and 20,000 uncracked concrete with dimensions of 3×227×227 pixels, 80% of it is used for training and the remaining 20% is used for validation of the convolution neural network. The accuracy of distinguishing cracked concrete from uncracked ones is about 98.16%, which is acceptable for operation and is considered practical. To evaluate the accuracy and performance of the proposed algorithm, each classification was performed against the overall accuracy, the confusion matrix was used for the validation data. According to the clutter matrix, 3861 images, in other words, 48.3% have been predicted to be correctly cracked, and 3992 images, equivalent to 49.9%, have been predicted to be correctly uncracked, and a total of 147 incorrect images have been predicted, which is equivalent to 1.8 percent. Images that are cracked and not accidentally cracked are predicted. They had crack lines in the corner of the image or cracks with a very small width, which the proposed convolutional neural network was mistaken for due to a very small crack width or crack position. Also, the results of the present study showed that the accuracy of this research has the best accuracy in less analysis time compared to previous studies. It should be noted that this method and its associated database can be used to produce a crack detection application on a smartphone, to be able to make a good initial estimate of the structure in question, such as a bridge or building after an unusual loading event, such as an earthquake or explosion.
کلیدواژه‌های انگلیسی مقاله Cracks in Concrete,Convolutional Neural Network,Structural Health Monitoring,Graphics Processing Unit.
نویسندگان مقاله مهران سیف‌الهی | Mehran Seifollahi
M.Sc., Graduated of Civil-Hydraulic Structures Eng., Faculty of Civil Eng., Univ. of Tabriz, Tabriz, Iran
- کارشناسی ارشد عمران-سازه‌های هیدرولیکی، دانشگاه تبریز، تبریز

سلیم عباسی | Salim Abbasi
M.Sc., Graduated of Civil-Hydraulic Structures Eng., Faculty of Eng., Univ. of Mohaghegh Ardabili, Ardabil, Iran
کارشناسی ارشد عمران-سازه‌های هیدرولیکی، دانشگاه محقق اردبیلی، اردبیل

مازیار فهیمی فرزام | maziar Fahimi Farzam
Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران

رسول دانشفراز | Rasoul Daneshfaraz
Professor of Civil Eng., Faculty of Eng., Univ. of Maragheh, Maragheh, Iran
استاد بخش مهندسی عمران-سازه‌های هیدرولیکی، دانشگاه مراغه، مراغه

نشانی اینترنتی http://mcej.modares.ac.ir/browse.php?a_code=A-10-49933-5&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی اصیل (کامل)
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات