طريقة تجميع متعددة النماذج قائمة على التعلم العميق لاكتشاف الشقوق في الهياكل الخرسانية

خلاصة

في البنى التحتية المدنية مثل المباني والجسور والأنفاق ، تعتبر الشقوق علامات أولية للتدهور ، والتي تؤثر على الأداء الحالي والمستقبلي للهيكل بشكل سلبي. تعتبر خطط الصيانة المثلى من حيث التكلفة والسلامة مهمة لتقييم درجة تدهور الهيكل. عادة ما يتم إجراء التفتيش اليدوي ، ويمكن أن تساعد الشقوق التي يتم اكتشافها أثناء عمليات التفتيش المفتشين على فهم الحالة التالفة للهياكل الخرسانية. ومع ذلك ، فإن عمليات التفتيش هذه مكلفة ومرهقة وعرضة بسهولة للخطأ البشري. يعد الكشف التلقائي والسريع عن الشقوق في المرحلة المبكرة أمرًا حاسمًا لتجنب المزيد من تدهور الهيكل. في العقود الماضية ، قدم الباحثون تقنيات مختلفة للتعلم العميق لأتمتة مهمة اكتشاف الكراك. يقدم هذا البحث نهج المجموعات متعدد النماذج القائم على التعلم العميق لاكتشاف التشققات في الهياكل الخرسانية. تتكون البنية المقترحة من خمس شبكات عصبية تلافيفية مخصصة مختلفة (CNN) تم تدريبها على مجموعة بيانات تم إنشاؤها من مجموعتي بيانات عامتين. تتكون مجموعة البيانات من 8400 صورة متصدعة وغير متصدعة بدقة 224 * 224. تظهر التجارب التفصيلية أن تقنية فرقة تصويت الأغلبية تُظهر أداءً أفضل لاكتشاف الشقوق في الهياكل الخرسانية. تم تسجيل دقة نماذج CNN الفردية 1 و 2 و 3 و 4 بنسبة 95٪ و 96٪ و 95٪ و 97٪ على التوالي ، بينما تم تسجيل دقة تقنيات المجموعة بنسبة 98٪.