AI-Enabled Structural Health Monitoring with Piezoelectric Sensors
تقترح هذه الدراسة إطار عمل لمراقبة الحالة الهيكلية مدعوماً بالذكاء الاصطناعي يجمع بين محاكاة العناصر المحدودة لاستجابات مستشعرات الكهروضغطية وخوارزميات التعلم الآلي للكشف عن الشقوق وتحديد موقعها في العوارض الألومنيوم، مما يثبت إمكانات هذا النهج كإثبات للمفهوم رغم القيود في توليد البيانات الاصطناعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد مراقبة الحالة الإنشائية ممارسة تتمثل في الحفاظ على مراقبة مستمرة وهادئة للجسور والطائرات والمباني التي تدعم عالمنا الحديث. فبدلاً من الانتظار حتى يتحول الشق إلى فشل كارثي، يستخدم المهندسون أجهزة استشعار للاستماع إلى العلامات الدقيقة للاضطراب قبل وقت طويل من قدرة العين البشرية على رصدهما. ومن أكثر الأدوات فعالية لهذا الاستماع نوع خاص من المواد السيراميكية يسمى المحول الكهروضغطي (piezoelectric transducer). هذه الرقع الصغيرة والمسطحة لديها قدرة فريدة على العمل كمكبر صوت وميكروفون في آن واحد؛ فعندما ترسل نبضة كهربائية صغيرة إليها، فإنها تهتز وترسل موجة ميكانيكية عبر المعدن الذي تلتصق به. وإذا كان هذا المعدن سليماً، فإن الموجة تنتقل بسلاسة، أما إذا كان هناك شق أو عيب، فإن الموجة ترتد أو تتشتت أو يتغير سرعتها، ويلتقط المستشعر هذه الإشارات المتغيرة. ومن خلال تحليل كيفية تغير الإشارة، يمكن للمهندسين تحديد ما إذا كان الهيكل متضرراً وأين يقع الضرر.
في دراسة حديثة، استكشف الباحثان شاشانك باداسالاجي وهارشيتا باوار من جامعة إم إس رامايا للعلوم التطبيقية في بنغالورو بالهند، كيفية جعل هذه العملية أكثر ذكاءً من خلال الجمع بين المحاكاة الحاسوبية والذكاء الاصطناعي. ركزا على عارضة ألومنيوم بسيطة، وهي وحدة بناء شائعة في العديد من الهياكل خفيفة الوزن، لمعرفة ما إذا كان بإمكانهما تعليم الكمبيوتر اكتشاف الشق بمجرد النظر إلى الإشارات الكهربائية من مستشعر كهروضغطي. لم يقم الفريق ببناء عارضة فيزيائية في مختبر من أجل هذه التجربة تحديداً؛ بل أنشأوا "توأماً رقمياً" عالي التفصيل للعارضة داخل برنامج محاكاة قوي. سمحت هذه البيئة الافتراضية بوضع شق في عشرات المواقع المختلفة على طول العارضة وتسجيل كيفية تغير الإشارة الكهربائية بدقة استجابة لكل موقع جديد.
بدأ الباحثون بنمذجة عارضة ألومنيوم مستطيلة يبلغ طولها 200 مليمتر. قاموا بلصق رقعة كهروضغطية صغيرة في مكان واحد لتعمل كمحرك (actuator)، وهو الذي يرسل الإشارة، ورقعة أخرى لتعمل كمستشعر يستمع. ثم أدخلوا شقاً محاكياً في العارضة الرقمية، مع تحريكه خطوة بختمة من 20 مليمتراً إلى 180 مليمتراً على طول العارضة. وفي كل موضع من هذه المواضع الـ 33، أجروا محاكاة لمعرفة كيف تتقلب الجهد الكهربائي بمرور الوقت. ومن خلال هذه الأشكال الموجية المعقدة والمتغيرة، استخرجوا ستة أرقام محددة تصف شكل وتوقيت الإشارة، مثل ارتفاع القمم وسرعة وصول الإشارة. ومن خلال دمج البيانات من أربع نقاط استماع مختلفة، أنشأوا بصمة تفصيلية لكل موقع شق على حدة.
ومع امتلاكهم هذه المكتبة من البصمات الرقمية، اتجه الفريق نحو تعلم الآلة لمعرفة ما إذا كان بإمكان الكمبيوتر تعلم النمط. قسموا عملهم إلى مهمتين: الأولى، مجرد تحديد ما إذا كانت العارضة سليمة أم متصدعة، والثانية، تخمين الموقع الدقيق للشق. بالنسبة للمهمة الأولى، استخدموا أداة تصنيف تعلمت رسم خط فاصل بين الإشارات "السليمة" والإشارات "المتصدعة". ولإنشاء مجموعة من الأمثلة السليمة لتدريب الكمبيوتر، أخذوا إحدى الإشارات المتصدعة وقاموا بتعديلها رياضياً، بإضافة بعض الضجيج العشوائي وتغيير التوقيت، لمحاكة ما قد تبدو عليه عارضة مثالية. ثم اختبروا النظام على تسلسل من البيانات بدأ بإشارات سليمة ثم تحول فجأة إلى إشارات متصدعة. نجح الكمبيوتر في تحديد لحظة ظهور الضرر، حيث أطلق إنذاراً بمجرد تغير الإشارة، مما أثبت أن المفهوم يمكن أن يعمل في جدول زمني للمراقبة المستمرة.
بالنسبة للمهمة الثانية، المتعلقة بتحديد موقع الشق، استخدم الباحثون نوعاً مختلفاً من نماذج تعلم الآلة المصممة لتقديم تنبؤات مع مقياس مدمج للثقة. تم تدريب هذا النموذج فقط على البيانات من العوارض المتصدعة، وطُلب منه تخمين موقع الشق بناءً على سمات الإشارة. أظهرت النتائج أن الكمبيوتر يمكنه عموماً تتبع الاتجاه الخاص بمكان الشق، لكنه لم يكن دقيقاً تماماً. قدر النموذج الموقع بمتوسط خطأ قدره 25.09 مليمتر. ورغم أن هذا قد يبدو هامش خطأ كبيراً، إلا أن النظام كان صادقاً بشأن عدم اليقين لديه، حيث قدم نطاقاً من المواقع المحتملة بدلاً من تخمين واحد قد يكون خاطئاً. كما قام الباحثون بتصور البيانات لإظهار أن الإشارات من مواقع الشقوق المختلفة تشكل بالفعل مجموعات متميزة، مما أكد أن الشقوق تترك بصمة فريدة على العارضة.
لقد كان الباحثون حذرين في صياغة نتائجهم كإثبات للمفهوم وليس كحل نهائي جاهز للاستخدام. وأشاروا إلى أن بياناتهم "السليمة" تم إنشاؤها اصطناعياً من محاكاة لعارضة متصدعة بدلاً من الحصول عليها من عارضة حقيقية غير متضررة، مما يحد من مدى ثقتنا في النتائج. علاوة على ذلك، جاءت مجموعة البيانات بأكملها من نموذج حاسوبي، وليس من تجارب فيزيائية باستخدام معدن حقيقي ومستشعرات حقيقية. ومع ذلك، فإن هذا العمل يوضح مساراً واضحاً للمضي قدماً؛ فهو يظهر أنه من خلال الجمع بين فيزياء كيفية انتقال الموجات عبر المعدن وقوة التعرف على الأنماط للذكاء الاصطناعي، يمكننا بناء أنظمة تكتشف الضرر وتحدد موقعه. وتشير الدراسة إلى أنه مع توفر المزيد من البيانات، والاختبارات الواقعية، والنماذج الأكثر دقة، يمكن لهذا النهج أن يساعد المهندسين في نهاية المطاف على الحفاظ على سلامة بنيتنا التحتية من خلال رصد المشاكل قبل أن تصبح مرئية للعين المجردة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.