|
|
مهندسی عمران امیرکبیر، جلد ۵۳، شماره ۸، صفحات ۳۲۰۱-۳۲۲۰
|
|
|
| عنوان فارسی |
یک روش هوشمند برای طبقه‌بندی ترک در سازه‌های بتنی بر اساس شبکه‌های عصبی عمیق |
|
| چکیده فارسی مقاله |
شناسایی و بررسی انواع ترک‌ها در سازه‌های بتنی یکی از موضوعات چالش‌برانگیز در حوزه مهندسی به شمار می‌رود. تشخیص چندشاخگی در ترک به دلیل اینکه موجب شناسایی سطوح شدت بالا در سازه‌های بتنی می‌شود، از اهمیت بسزایی برخوردار است. در این مقاله یک معماری جدید بر مبنای شبکه‌های عصبی کانولوشنی برای طبقه‌بندی ترک در سازه‌های بتنی ارائه گردید. معماری پیشنهادی در زمان کمتر و صحت بالاتر نسبت به سایر معماری‌های مرسوم و معتبر در یادگیری عمیق، چندشاخگی در ترک را شناسایی و طبقه‌بندی کرد. در این مقاله ترک‌های موجود در 12000 تصویر سازه‌های بتنی توسط الگوریتم پیشنهادی بررسی شدند که در نتیجه این تصاویر با صحت 99/3 درصد در دسته‌های تصاویر بدون ترک، تصاویر دارای ترک ساده و تصاویر دارای چندشاخگی در ترک طبقه‌بندی شدند. همچنین تحلیل ماتریس درهم‌ریختگی نشان از دقت 99/3 درصد و فراخوانی99/5 درصد داشت که تأییدی بر عملکرد مناسب الگوریتم پیشنهادی بود. آنالیز حساسیت الگوریتم پیشنهادی نیز الزام وجود تناسب میان تعداد داده، تعداد نورون‌های لایه تماماً متصل، زمان اجرا و درصد صحت مورد انتظار با توجه به کابرد مسأله را نشان داد. |
|
| کلیدواژه‌های فارسی مقاله |
ترک، سازه‌های بتنی، یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی کانولوشنی، |
|
| عنوان انگلیسی |
An Intelligent Method for Crack Classification in Concrete Structures Based on Deep Neural Networks |
|
| چکیده انگلیسی مقاله |
Identifying and examining the types of cracks in concrete structures is one of the challenging engineering issues. Detection of crack bifurcation is very important because it detects high-intensity surfaces in concrete structures. In this paper, a new architecture based on convolutional neural networks is presented for crack classification in concrete structures. The proposed architecture detected and classified crack bifurcation in less time and with higher accuracy than other conventional and authentic deep learning architectures. In this paper, the cracks in 12000 images of concrete structures were investigated by the proposed algorithm, which resulted in 99.3% accuracy in categorizing as non-cracked images, images with simple cracks, and bifurcated crack images. Moreover, the analysis of the confusion matrix showed an accuracy of 99.3% and a recall of 99.5%, which confirmed the proper performance of the proposed algorithm. The sensitivity analysis of the proposed algorithm also showed the need for proportionality between the number of data, the number of neurons in the fully connected layer, execution time, and the expected percentage of accuracy according to the application of the problem. |
|
| کلیدواژه‌های انگلیسی مقاله |
ترک, سازه‌های بتنی, یادگیری ماشین, یادگیری عمیق, شبکه‌های عصبی کانولوشنی |
|
| نویسندگان مقاله |
نوشین بیگدلی |
گروه مهندسی بزق-کنترل، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)
حامد جباری |
گروه مهندسی برق-کنترل، دانشکده فنی و مهندسی، دانشگاه بین‏‏المللی امام خمینی(ره)، قزوین، ایران،
مهدی شجاعی |
گروه مهندسی برق-کنترل، دانشکده فنی و مهندسی، دانشگاه بین‏‏المللی امام خمینی(ره)، قزوین، ایران
|
|
| نشانی اینترنتی |
https://ceej.aut.ac.ir/article_4113_577acc1065b7db2fb15124099502cff8.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|