خلاصه

هوش مصنوعی (AI) یک رویکرد جایگزین کارآمد برای تکنیک‌های مدل‌سازی کلاسیک است. هوش مصنوعی به شاخه‌ای از علوم کامپیوتر اشاره دارد که ماشین‌ها و نرم‌افزارهایی را با هوش انسان‌مانند توسعه می‌دهد. در مقایسه با روش‌های سنتی، هوش مصنوعی مزایایی را برای مقابله با مشکلات مرتبط با عدم قطعیت ارائه می‌دهد و کمک مؤثری برای حل چنین مشکلات پیچیده‌ای است. علاوه بر این، راه‌حل‌های مبتنی بر هوش مصنوعی جایگزین‌های خوبی برای تعیین پارامترهای طراحی مهندسی در مواقعی هستند که آزمایش امکان‌پذیر نیست، بنابراین باعث صرفه‌جویی قابل توجهی در زمان و تلاش انسان در آزمایش‌ها می‌شود. هوش مصنوعی همچنین می‌تواند فرآیند تصمیم‌گیری را سریع‌تر کند، نرخ خطا را کاهش دهد و کارایی محاسباتی را افزایش دهد. در میان تکنیک‌های مختلف هوش مصنوعی، یادگیری ماشین (ML)، تشخیص الگو (PR) و یادگیری عمیق (DL) اخیراً توجه قابل‌توجهی را به خود جلب کرده‌اند و خود را به عنوان کلاس جدیدی از روش‌های هوشمند برای استفاده در مهندسی سازه معرفی می‌کنند. هدف این مقاله مروری، خلاصه کردن تکنیک‌های مربوط به کاربردهای روش‌های هوش مصنوعی ذکر شده در مهندسی سازه است که در دهه گذشته توسعه یافته‌اند. ابتدا مقدمه ای کلی بر هوش مصنوعی ارائه شده و اهمیت هوش مصنوعی در مهندسی سازه توضیح داده شده است. پس از آن، مروری بر کاربردهای اخیر ML، PR و DL در این زمینه ارائه می‌شود و قابلیت چنین روش‌هایی برای رفع محدودیت‌های مدل‌های مرسوم مورد بحث قرار می‌گیرد. علاوه بر این، مزایای استفاده از چنین روش‌های الگوریتمی به تفصیل مورد بحث قرار می‌گیرد. در نهایت، راه‌های تحقیقاتی بالقوه و روندهای نوظهور برای استفاده از ML، PR، و DL ارائه شده‌اند و محدودیت‌های آنها مورد بحث قرار می‌گیرند.

معرفی
مهندسی عمران مملو از مشکلاتی است که از طریق تکنیک های محاسباتی سنتی ، باعث بوجود آمدن مشکلاتی در ارائه راه حل می شوند. با این حال، اغلب می تواند توسط یک متخصص حل شود. هوش مصنوعی کلاسیک (AI) این دسته از مشکلات را با به تصویر کشیدن ماهیت شناخت انسان در بالاترین سطح هدف قرار داده است. اصطلاح هوش مصنوعی در کارگاهی که در سال 1956 در کالج دارتموث برگزار شد ، معرفی شد. هوش مصنوعی یک روش محاسباتی است که تلاش می‌کند توانایی شناخت انسان را از طریق دستکاری نمادها و پایگاه‌های دانش ساختار یافته به صورت نمادین برای حل مشکلات مهندسی که با استفاده از روش‌های مرسوم راه حل را به چالش می‌کشند، شبیه‌سازی کند. هوش مصنوعی بر اساس تعامل رشته های مختلف توسعه یافته است. یعنی علوم کامپیوتر، نظریه اطلاعات، سایبرنتیک، زبانشناسی و فیزیولوژی عصبی..
چندین اصطلاح مربوط به هوش مصنوعی را می توان در ادبیات پیدا کرد، و آنها را باید برای توضیح بیشتر در مورد وضعیت هنر شناسایی نمود. یکی از این اصطلاحات هوش ماشینی (MI) است. AI و MI اصطلاحات تقریباً یکسانی هستند  و اغلب به جای یکدیگر استفاده می شوند. MI اغلب مترادف AI در نظر گرفته می شود. با این حال، با انواع مختلفی از مشکلات هوشمند سروکار دارد، به عنوان مثال، خوشه‌بندی، طبقه‌بندی، بینایی رایانه و غیره. به طور کلی، MI به ماشین‌هایی با رفتار و استدلال هوشمندانه شبیه انسان اشاره دارد، در حالی که هوش مصنوعی به توانایی ماشین برای تقلید از عملکردهای شناختی اشاره دارد. انسان ها وظایف خود را به شیوه ای هوشمندانه انجام می دهند. اصطلاح مهم دیگر محاسبات شناختی (CC) است که از قابلیت های ذهن انسان الهام گرفته شده است. سیستم های شناختی قادر به حل مسائل به شکلی شبیه تفکر و استدلال انسان هستند. چنین سیستم‌هایی مبتنی بر توانایی ماشین‌ها برای اندازه‌گیری، استدلال و تطبیق با استفاده از تجربیات آموخته‌شده است. ویژگی های اصلی سیستم های CC توانایی آنها در تفسیر داده های بزرگ، آموزش پویا و یادگیری تطبیقی و کشف احتمالی الگوهای مرتبط است. از نظر فنی، هوش مصنوعی به رایانه‌ها و ماشین‌هایی اطلاق می‌شود که می‌توانند هوشمندانه رفتار کنند، در حالی که CC بر حل مشکلات با استفاده از تفکر انسان‌مانند تمرکز می‌کند. مهم‌ترین تفاوت بین هوش مصنوعی و CC را می‌توان در رابطه با تعامل عادی با انسان‌ها تعریف کرد. برای هر سیستم هوش مصنوعی، عاملی وجود دارد که تصمیم می‌گیرد چه اقداماتی باید انجام شود. با این حال، سیستم‌های CC مانند انسان‌ها یاد می‌گیرند، استدلال می‌کنند و با هم تعامل دارند. بنابراین، می توان نتیجه گرفت که CC اساساً یک عامل هوش مصنوعی است و به این ترتیب CC زیر مجموعه ای از AI در نظر گرفته می شود. از سوی دیگر، سیستم های خبره شاخه ای از هوش مصنوعی هستند. همانطور که اشاره شد، هوش مصنوعی به عنوان توانایی یک ماشین برای تقلید از رفتار هوشمند انسان، به دنبال استفاده از الگوریتم های الهام گرفته از انسان برای حل مشکلات تعریف می شود. به طور مشابه، یک سیستم خبره به عنوان یک برنامه رایانه ای تعریف می شود که تلاش می کند از متخصصان انسانی تقلید کند تا مشکلاتی را که نیاز به دانش انسانی / متخصص دارد حل کند. از تعاریف ذکر شده برمی‌آید که هوش مصنوعی شامل شاخه‌های مختلفی مانند سیستم‌های خبره، یادگیری ماشین، تشخیص الگو و منطق فازی است.
در سال‌های اخیر، علاقه روزافزونی به استفاده از هوش مصنوعی در تمام حوزه‌های مهندسی وجود داشته است و چشم‌اندازها و امیدهای بسیاری را برانگیخته است. در حالی که جامعه مهندسی عمران شاهد رشد گسترده ای در استفاده از شاخه ها  و روش های مختلف هوش مصنوعی در حوزه های مختلف خود بوده است، مطالعه حاضر بر روی روش های هوش مصنوعی متمرکز است که در دهه گذشته توجه قابل توجهی را به خود جلب کرده است، یعنی یادگیری ماشین (ML)، الگو. شناخت (PR) و یادگیری عمیق (DL) با تمرکز بر کاربرد آنها در رشته مهندسی سازه. دامنه بررسی، خلاصه کردن پیشینه نظری روش‌ها، ارائه یک زمینه تاریخی در مورد استفاده از آنها، خلاصه کردن آخرین پیشرفت‌های تحقیقاتی و بحث در مورد مسیرهای امیدوارکننده برای تحقیقات آینده است.

Adeli و همکاران  یک تکنیک یادگیری چند پارادایم را ارائه کرد که در آن نشان دادند که عملکرد را می توان به طور قابل توجهی با ادغام ماهرانه شاخه های مختلف هوش مصنوعی، از جمله شبکه های عصبی، الگوریتم های ژنتیک، مجموعه های فازی و پردازش موازی افزایش داد. مطالعه گسترده ای از محاسبات تکاملی، شاخه ای از هوش مصنوعی، در زمینه طراحی سازه توسط Kicinger و همکاران انجام شد. لیو و همکاران مروری بر مطالعات مربوط به کاربرد فراابتکاری به عنوان تکنیک‌های بهینه‌سازی برای پرداختن به مسائلی که در طول عمر پروژه‌های ساختمانی یا مهندسی با آن مواجه هستند، انجام داد. نظرسنجی بر روی روش‌های مختلف هوش مصنوعی (به عنوان مثال، منطق فازی، محاسبات تکاملی، شبکه‌های عصبی، هوش ازدحام، سیستم‌های خبره، و غیره) برای مهندسی عمران توسط لو و همکاران انجام شد. شاهین و همکاران کاربردهای هوش مصنوعی در مهندسی ژئوتکنیک را مطالعه کرد. و ساکا و همکاران یک بررسی بر روی الگوریتم های ریاضی و فراابتکاری در بهینه سازی طراحی سازه های اسکلت فلزی انجام داد. Adeli و همکاران  بررسی پیشرفت در بهینه سازی ساختمان های بلند را انجام دادند و بررسی کاربردها و روش‌شناسی تکنیک‌های تصمیم‌گیری چند معیاره فازی توسط مردانی و همکاران انجام شد.

اخیراً نظرسنجی در مورد کاربرد روش های تصمیم گیری چند معیاره برای تحلیل پل های معلق توسط گارسیا-سگورا و همکاران انجام شده است. سانچز و همکاران مروری بر کاربردهای شبکه های عصبی مصنوعی، شاخه ای از هوش مصنوعی، برای زیرساخت های عمرانی ارائه کرد که شامل نظارت بر سلامت سازه، شناسایی سیستم ساختاری، طراحی و بهینه سازی سازه و غیره می شود و یک بررسی جامع پیشرفته از طراحی ساختاری پایدار در سیستم‌های رتبه‌بندی ساختمان‌های سبز و کدهای ساختمان توسط Pongiglione و همکاران انجام شد.. علاوه بر این، بررسی روش‌های مختلف هوش مصنوعی (به عنوان مثال، شبکه‌های عصبی مصنوعی، بیزی، الگوریتم‌های ژنتیک، استدلال مبتنی بر مورد و منطق فازی) برای حوزه مکانیک شکست توسط خسروانی و همکاران انجام شد. در حالی که بررسی ادبیات کاربرد تجزیه و تحلیل تصمیم چند معیاره برای مدیریت قدیمی سد ، توسط Mieza و همکاران انجام شد. علاوه بر این، سیرا و همکاران مروری بر ارزیابی چند معیاره پایداری اجتماعی زیرساخت‌ها و Zavadskas و همکاران انجام داد.  روش‌های پیشرفته‌ای را که برای تصمیم‌گیری پایدار در مهندسی عمران، ساخت‌وساز و فناوری ساختمان بکار می‌رود، بررسی کردند.

اگرچه مقالات مروری اشاره‌شده کاربردهای هوش مصنوعی در سازه‌ها و زیرساخت‌های مهندسی عمران را برجسته می‌کنند، اما عمدتاً بر تکنیک‌های سنتی تمرکز کرده‌اند و روش‌های اخیر مانند PR، ML و DL را پوشش نمی‌دهند. با این حال، این روش‌های هوشمند پیشرفت‌های قابل‌توجهی را تجربه کرده‌اند و استفاده از آن در مهندسی سازه افزایش یافته است. بنابراین، این مقاله مروری بر چشم‌انداز وسیعی از تلاش‌های تحقیقاتی در مورد استفاده از چنین روش‌های نوظهور هوش مصنوعی (به عنوان مثال، PR، ML، و DL) در مهندسی سازه در دهه گذشته ارائه می‌کند. با توجه به محدودیت های موجود، تأکید بررسی برای هر مقاله بر روی مسئله مورد توجه، ساختار دامنه و مورد در نظر گرفته شده و روش هوش مصنوعی مورد استفاده قرار گرفت. مشارکت های این مقاله مروری عبارتند از:
(1) مطالعه و خلاصه کردن تکنیک های مربوط به کاربردهای PR، ML، و DL در مهندسی سازه در طول دهه گذشته
(2) شناسایی جهت های آینده و روندهای در حال ظهور برای به کارگیری PR، ML، و DL. در برنامه های مهندسی سازه
(3) محدودیت های فعلی روش های هوش مصنوعی بررسی شده در مهندسی سازه

مروری بر هوش مصنوعی
به طور کلی دو نوع هوش ماشینی وجود دارد: محاسبات سخت و روش های محاسبات نرم. محاسبات سخت که مبتنی بر منطق باینری، سیستم‌های واضح و تحلیل عددی است، نیاز به یک مدل تحلیلی دقیق دارد و قادر به تولید پاسخ‌های دقیق است. محاسبات نرم با محاسبات معمولی تفاوت دارد زیرا بر خلاف محاسبات سخت، می تواند با داده های مبهم و پر سر و صدا مقابله کند، اطلاعات تصادفی را در خود جای دهد و محاسبات موازی را امکان پذیر می کند.

روش های نوظهور هوش مصنوعی
همانطور که قبلاً بحث شد، تشخیص الگو، یادگیری ماشین و یادگیری عمیق از جمله روش‌های هوش مصنوعی جدید هستند که به طور فزاینده‌ای به عنوان ابزارهای قابل اعتماد و کارآمد در زمینه مهندسی سازه در حال ظهور هستند. این بخش پیشینه فنی در مورد روش های ذکر شده و بینش در مورد استفاده از چنین الگوریتم هایی برای مسائل مهندسی سازه ارائه می دهد.

الگو شناسی
در طول دهه گذشته، علاقه فزاینده ای به کاربرد تشخیص الگو (PR) در مهندسی سازه برای اهدافی مانند پایش سلامت سازه (SHM)/تشخیص آسیب، مهندسی زلزله و طراحی لرزه ای، قابلیت اطمینان سازه، شناسایی سازه و سنجش عملکرد.

بحث و رهنمودهای آینده
این مطالعه مقالات منتشر شده در دهه گذشته را در مورد کاربردهای روش های نوظهور هوش مصنوعی، یعنی تشخیص الگو (PR)، یادگیری ماشین (ML) و یادگیری عمیق (DL) در مهندسی سازه مرور کرد. مقالات به طور کامل برای شناسایی ماهیت مشکل، الگوریتم‌های هوش مصنوعی اتخاذ شده و مورد استفاده، و برای ارزیابی کاربرد روش‌ها برای مشکل داده شده بررسی شدند. این نظرسنجی نشان داد که PR و ML به طور گسترده توسط جامعه مهندسی سازه استفاده می شود

نتیجه گیری
این مقاله مروری اهمیت روش‌های نوظهور هوش مصنوعی را برای کاربردهای مهندسی سازه در طول دهه گذشته ارائه می‌کند. این نظرسنجی نشان داد که در میان روش‌های متعدد هوش مصنوعی، تشخیص الگو (PR)، یادگیری ماشین (ML) و یادگیری عمیق (DL) به طور فزاینده‌ای برای SHM و شناسایی آسیب، بهینه‌سازی، مدل‌سازی خواص بتن، شناسایی سازه، زلزله اقتباس و استفاده شده‌اند.

قدردانی
تحقیقی که در این مقاله توضیح داده شد با بودجه بنیاد ملی علوم ایالات متحده با شماره کمک مالی CNS-1405273 انجام شد.

افراد دارای مهارت در این زمینه

در صورتی که در این زمینه تخصص یا مهارتی دارید، پس از ثبت نام در سایت و تکمیل فرم مشخصات شخصی ، پروفایل خود را به لیست زیر اضافه نمایید .