⚡ electrical engineering

Cyber-Physical Seismic Resilience: Integrating Digital Twins and Machine Learning for Performance-Based Earthquake Engineering of CLT and Masonry Structures in High-Seismicity Regions — Lessons from the USA, Japan, and Proposals for Peru

यह अध्ययन एक परिवर्तनकारी प्रदर्शन-आधारित भूकंपीय इंजीनियरिंग ढांचे का प्रस्ताव करता है जो पेरू में क्रॉस-लैमिनेटेड टिम्बर और चिनाई वाली संरचनाओं की भूकंपीय लचीलेपन को बढ़ाने के लिए डिजिटल ट्विन्स और मशीन लर्निंग को एकीकृत करता है, जो अमेरिकी और जापानी प्रथाओं के विरुद्ध बेंचमार्किंग करता है, अनिश्चितता में कमी के लिए नवीन विश्लेणात्मक उपकरण पेश करता है, और निर्माण-चरण मॉडलिंग तथा वास्तविक समय की परिचालन निगरानी के बीच के अंतर को पाटता है।

मूल लेखक: PAUL RICARDO PRUDENCIO GALVEZ

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: PAUL RICARDO PRUDENCIO GALVEZ

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक ऐसी जगह पर घर बना रहे हैं जहाँ ज़मीन हिंसक रूप से हिलती है, जैसे कि पेरू में। लंबे समय से, बिल्डरों ने एक सख्त "रेसिपी बुक" (निर्धारित नियमों) का पालन किया है ताकि यह सुनिश्चित किया जा सके कि घर गिर न जाए। लेकिन यह शोध पत्र बताता है कि हमें एक स्मार्ट दृष्टिकोण की आवश्यकता है: एक "परफॉरमेंस-बेस्ड" (प्रदर्शन-आधारित) प्रणाली जो घर के वास्तविक व्यवहार से सीखती है, न कि केवल रेसिपी से।

यहाँ शोध पत्र का मुख्य विचार है, जिसे सरल अवधारणाओं और उपमाओं में विभाजित किया गया है:

1. समस्या: "रेसिपी बुक" बनाम "लाइव पायलट"

पेरू एक बहुत ही सक्रिय टेक्टोनिक प्लेट पर स्थित है, जिससे भूकंप एक निरंतर खतरा बना रहता है। वर्तमान में, देश पुराने निर्माण नियमों पर निर्भर है जो नई, उच्च-तकनीकी सामग्रियों जैसे कि क्रॉस-लैमिनेटेड टिम्बर (CLT) (सोचिए कि यह सुपर-स्ट्रॉन्ग, आपस में चिपके हुए लकड़ी के पैनल हैं) या कन्फाइंड मेसनरी (कंक्रीट फ्रेम के साथ ईंट की दीवारें) के सर्वोत्तम उपयोग को ध्यान में नहीं रखते हैं।

जबकि अमेरिका और जापान जैसे देश "डिजिटल ट्विन्स" और "मशीन लर्निंग" का उपयोग करने की ओर बढ़ चुके हैं ताकि यह अनुमान लगाया जा सके कि इमारतें भूकंप में कैसे जीवित रहेंगी, पेरू अभी भी पीछे है। शोध पत्र का तर्क है कि पेरू को अंदाज़ा लगाना बंद करना चाहिए और सुरक्षित, स्मार्ट संरचनाएं बनाने के लिए डेटा का उपयोग करना शुरू करना चाहिए।

2. समाधान: "डिजिटल ट्विन" (इमारत की छाया)

शोध पत्र डिजिटल ट्विन की अवधारणा पेश करता है।

उपमा: कल्पना कीजिए कि एक इमारत की एक आदर्श, अदृश्य "छाया" क्लाउड में तैर रही है। यह छाया एक कंप्यूटर मॉडल है जो बिल्कुल असली इमारत जैसा दिखता है।
यह कैसे काम करता है: जैसे-जैसे असली इमारत बनाई जा रही होती है और बाद में जब वह वहां रहती है, तो छोटे सेंसर (इमारत के लिए फिटनेस ट्रैकर की तरह) छाया को डेटा भेजते हैं। यदि असली इमारत डगमगाती है, तो छाया भी डगमगाती है। यदि कोई पेंच ढीला होता है, तो छाया को तुरंत पता चल जाता है।
"निर्माण चरण" का मोड़: लेखक इस "छाया" को निर्माण के दौरान शुरू करने का प्रस्ताव देते हैं। लकड़ी के पैनलों को कारखाने से बाहर निकलने से पहले ही उनमें सेंसर लगा दिए जाते हैं। यह सुनिश्चित करता है कि छाया, निर्माण पूरा होने के बाद अनुमान लगाने के बजाय, पहले दिन से ही वास्तविक इमारत के लिए पूरी तरह से कैलिब्रेटेड हो।

3. मस्तिष्क: मशीन लर्निंग (एक सुपर-इंटेलिजेंट सहायक)

एक डिजिटल ट्विन को डेटा की व्याख्या करने के लिए एक मस्तिष्क की आवश्यकता होती है। यहीं पर मशीन लर्निंग (ML) काम आता है।

उपमा: मशीन लर्निंग को एक सुपर-स्मार्ट सहायक के रूप में सोचें जिसने भूकंप के दौरान इमारतों के व्यवहार के बारे में लाखों किताबें पढ़ी हैं।
यह क्या करता है: हर बार झटके आने पर धीमी, महंगी कंप्यूटर सिमुलेशन चलाने के बजाय, यह सहायक एक "रैंडम फॉरेस्ट" (AI का एक प्रकार) का उपयोग करके तुरंत भविष्यवाणी करता है कि इमारत कितनी डगमगाएगी। यह एक मौसम पूर्वानुमानकर्ता की तरह है जो आपको पूरे देश के सामान्य पूर्वानुमान का इंतज़ार करने के बजाय, तुरंत बता सकता है कि आपके विशिष्ट पड़ोस में कितनी बारिश होगी।
परिणाम: शोध पत्र का दावा है कि यह AI इमारत की गति की 94% से अधिक सटीकता के साथ भविष्यवाणी कर सकता है, जो एक बहुत बड़ी छलांग है।

4. नए नियम: "स्कोरकार्ड" को अपडेट करना

शोध पत्र पुराने जोखिम गणना के तरीकों को बदलने या अपग्रेड करने के लिए चार विशिष्ट सूत्र प्रस्तावित करता है:

सूत्र 1: "अनिश्चितता छूट" (Uncertainty Discount)।
- पुराना तरीका: हम मान लेते हैं कि सबसे खराब स्थिति होगी क्योंकि हमें ठीक-ठीक पता नहीं है कि इमारत वास्तव में कैसे व्यवहार करेगी, इसलिए हम नुकसान की लागत का अत्यधिक आकलन करते हैं।
- नया तरीका: जैसे-जैसे डिजिटल ट्विन अधिक वास्तविक डेटा एकत्र करता है, AI अधिक आश्वस्त होता जाता है। शोध पत्र एक कारक (जिसे αML कहा जाता है) पेश करता है जो जैसे-जैसे हम अधिक सीखते हैं, नुकसान की अनुमानित लागत को कम कर देता है। यह आपकी बीमा प्रीमियम पर छूट पाने जैसा है क्योंकि आपने साबित कर दिया है कि आप एक सुरक्षित ड्राइवर हैं।
सूत्र 2: "रॉकिंग वॉल" संतुलन।
- लकड़ी (CLT) की इमारतों के लिए जो भूकंप के दौरान थोड़ा डगमगाने (जैसे हवा में झुकता हुआ पेड़) के लिए डिज़ाइन की गई हैं, AI लगातार धातु के कनेक्टर्स के घिसने या केबलों के तनाव में बदलाव को ध्यान में रखते हुए गणित को अपडेट करता है।
सूत्र 3: "वाइब्रेशन हेल्थ चेक"।
- जिस तरह एक डॉक्टर आपकी धड़कन सुनता है, डिजिटल ट्विन इमारत के प्राकृतिक कंपन को सुनता है। यदि कंपन की पिच बदलती है, तो AI जानता है कि इमारत को नुकसान पहुँचा है, भले ही आप उसे अपनी आँखों से न देख सकें।
सूत्र 4: "फास्ट-फॉरवर्ड" प्रेडिक्टर।
- जटिल भूकंप सिमुलेशन चलाने में घंटों प्रतीक्षा करने के बजाय, AI इमारत के स्तरों (stories) पर झटकों के कितने गंभीर होने का तत्काल उत्तर देता है।

5. पेरू के लिए रोडमैप

शोध पत्र केवल सपने नहीं देखता; यह पेरू के लिए एक चरण-दर-चरण योजना पेश करता है:

वर्ष 1-2: एक डेटाबेस बनाना। 50+ लकड़ी के कनेक्शनों का परीक्षण करना और विशेष रूप से लीमा और कुस्को जैसे पेरू के शहरों के लिए हजारों कंप्यूटर सिमुलेशन चलाना।
वर्ष 2-3: एक पायलट प्रोजेक्ट बनाना। लीमा में एक 6-मंजिला लकड़ी की इमारत का निर्माण करना जिसमें निर्माण के दौरान दीवारों में सेंसर लगे हों ताकि "डिजिटल ट्विन" सिस्टम का परीक्षण किया जा सके।
वर्ष 3-5: इस सिस्टम को अन्य क्षेत्रों में ईंट (मेसनरी) की इमारतों तक फैलाना और पेरू के इंजीनियरों के लिए एक मुफ्त, ओपन-सोर्स सॉफ्टवेयर प्लेटफॉर्म बनाना।
वर्ष 5+: राष्ट्रीय निर्माण कोड (NTP E.030) को इन नए, डेटा-संचालित तरीकों को आधिकारिक तौर पर शामिल करने के लिए अपडेट करना।

निचोड़

शोध पत्र निष्कर्ष निकालता है कि डिजिटल ट्विन्स (वास्तविक समय की छाया) और मशीन लर्निंग (सुपर-ब्रेन) को जोड़कर, पेरू भूकंप के नुकसान के बारे में अनिश्चितता को 35% तक कम कर सकता है। इसका मतलब है बेहतर निर्णय लेना कि कहाँ निवेश किया जाए, सुरक्षित इमारतें, और पुराने नियमों से हटकर एक ऐसे भविष्य की ओर बढ़ना जहाँ इमारतें इंजीनियरों को सुरक्षित रखने के लिए उनसे "बात" करती हैं।

तकनीकी सारांश: पेरू में साइबर-फिजिकल भूकंपीय लचीलापन (Cyber-Physical Seismic Resilience)

समस्या विवरण

पेरू अपनी नाज़का और दक्षिण अमेरिकी टेक्टोनिक प्लेटों के संगम पर स्थित होने के कारण एक गंभीर भूकंपीय भेद्यता का सामना कर रहा है, जैसा कि 2007 पिको (Mw 8.0) और 1970 अनकैश (Mw 7.9) भूकंपों जैसी ऐतिहासिक घटनाओं से सिद्ध होता है। इस उच्च खतरे के बावजूद, पेरू का निर्माण क्षेत्र निर्धारित डिज़ाइन पद्धतियों (NTP E.030/E.090) तक सीमित है, जिनमें प्रदर्शन-आधारित भूकंपीय इंजीनियरिंग (PBEE) ढांचे का अभाव है। हालांकि क्रॉस-लैमिनेटेड टिम्बर (CLT) और कन्फाइंड मेसनरी (confined masonry) भूकंपीय लचीलेपन के लिए क्षमता प्रदान करते हैं, लेकिन वास्तविक समय की निगरानी, प्रयोगात्मक डेटाबेस और नियामक प्रावधानों की कमी के कारण पेरू में इनके कार्यान्वयन में बाधा आ रही है। इसके अतिरिक्त, महंगे नॉन-लीनियर टाइम-हिस्ट्री एनालिसिस (NLTHA) पर निर्भरता के कारण PBEE की ओर संक्रमण कम्प्यूटेशनल रूप से अत्यधिक कठिन है, और नुकसान के अनुमान में एपिस्टेमिक अनिश्चितता (epistemic uncertainty) को कम करने के लिए डिजिटल ट्विन (DT) और मशीन लर्निंग (ML) को एकीकृत करने में एक महत्वपूर्ण अंतर मौजूद है।

कार्यप्रणाली

यह अध्ययन मानकीकृत इंजीनियरिंग अनुसंधान संश्लेषण दिशानिर्देशों का पालन करते हुए एक व्यवस्थित साहित्य समीक्षा (Systematic Literature Review) का उपयोग करता है। इस प्रक्रिया में चार चरण शामिल थे:

पहचान (Identification): स्कॉपस (Scopus) और वेब ऑफ साइंस (Web of Science) में डिजिटल ट्विन, मशीन लर्निंग, CLT, मेसनरी और भूकंपीय/PBEE से संबंधित शब्दों का उपयोग करके एक बूलियन खोज की गई, जिससे 412 रिकॉर्ड प्राप्त हुए।
स्क्रीनिंग और पात्रता (Screening & Eligibility): डुप्लिकेट हटाने और शीर्षकों/सारों की समीक्षा के बाद, 84 रिकॉर्डों का मूल्यांकन किया गया।
समावेशन (Inclusion): डेटा निष्कर्षण के लिए 38 उच्च-प्रभाव वाले अध्ययन चुने गए, जो संरचनात्मक इंजीनियरिंग में DT/ML अनुप्रयोगों पर केंद्रित थे, जिसमें CLT या मेसनरी पर भूकंपीय ध्यान दिया गया था।

यह शोध इन निष्कर्षों को वैश्विक प्रथाओं (USA, जापान) के विरुद्ध पेरू की वास्तविकता के बेंचमार्किंग के लिए संश्लेषित करता है और एक नवीन, आधुनिक PBEE ढांचा प्रस्तावित करता है। यह ढांचा एक निर्माण-चरण डिजिटल ट्विन (CP-DT) आर्किटेक्चर को एकीकृत करता है जो बिल्डिंग इंफॉर्मेशन मॉडलिंग (BIM) को परिचालन स्ट्रक्चरल हेल्थ मॉनिटरिंग (SHM) के साथ जोड़ता है।

मुख्य योगदान और प्रस्तावित ढांचा

यह शोध एक आधुनिक PBEE ढांचे को पेश करता है जो पेरू के लिए विशेष रूप से तैयार किया गया है, जो CP-DT और चार विशिष्ट तकनीकी नवाचारों पर केंद्रित है:

ML-वर्धित अपेक्षित वार्षिक हानि (EAL):
मानक FEMA P-58 लॉस इंटीग्रल को एक ML-व्युत्पन्न अनिश्चितता न्यूनीकरण कारक, $\alpha_{ML}$ (जहाँ $\alpha_{ML} \in (0, 1]$ ) द्वारा संवर्धित किया गया है। जैसे-जैसे डिजिटल ट्विन सेंसर डेटा एकत्र करता है, $\alpha_{ML}$ को एक रैंडम फॉरेस्ट मॉडल द्वारा निरंतर कैलिब्रेट किया जाता है, जिससे एपिस्टेमिक अनिश्चितता कम होती है और अनुमानित EAL अपने बढ़े हुए बेसलाइन से कम हो जाता है।

सूत्र: $EAL_{DT} = \int_0^\infty [\sum P(DS_j | EDP) \cdot C_j] \cdot \alpha_{ML} \cdot d\lambda(IM)$

CLT रॉकिंग वॉल्स के लिए काइनेमैटिक फॉर्मूलेशन:
पोस्ट-टेंशनिंग (PT) और ऊर्जा विसारक (energy dissipators) वाली CLT रॉकिंग वॉल्स के लिए एक रिस्टोरिंग मोमेंट फॉर्मूलेशन को DT के माध्यम से अपडेट किया जाता है। DT, स्ट्रैन गेज डेटा पर ML रिग्रेशन का उपयोग करके दीर्घकालिक प्रीस्ट्रेस लॉस ( $T_{pt,0}$ ) और थकान-प्रभावित यील्ड फोर्स ( $F_{hd,y}$ ) को अपडेट करता है, जिससे यह सुनिश्चित होता है कि मॉडल "एज़-बिल्ट" भौतिक वास्तविकता को दर्शाता है।
फ्रीक्वेंसी-आधारित डैमेज इंडेक्स ( $DI_{CLT}$ ):
DT से प्राप्त एम्बिएंट वाइब्रेशन डेटा का उपयोग करके एक ग्लोबल स्ट्रक्चरल डैमेज इंडेक्स की गणना की जाती है। यह स्टोकैस्टिक सबस्पेस आइडेंटिफिकेशन (SSI) से प्राप्त नेचुरल फ्रीक्वेंसी की तुलना सैद्धांतिक BIM फ्रीक्वेंसी से करता है।

सूत्र: $DI_{CLT} = 1 - \frac{1}{N} \sum_{i=1}^N (\frac{f^n_{DT,i}}{f^n_{BIM,i}})^2 \cdot w_i$
स्केल: 0 का अर्थ है बिना क्षति के; 1 के करीब होने का अर्थ है गंभीर गिरावट।

त्वरित भविष्यवाणी के लिए रैंडम फॉरेस्ट सरोगेट:
पूर्ण NLTHA की कम्प्यूटेशनल लागत से बचने के लिए, एक रैंडम फॉरेस्ट (RF) सरोगेट मॉडल भूकंपीय और संरचनात्मक मापदंडों (जैसे स्पेक्ट्रल एक्सेलरेशन, पीरियड, मास रेशियो) को मैक्सिमम इंटर-स्टोरी ड्रिफ्ट रेशियो (MIDR) के साथ मैप करता है। मॉडल को पेरू की भूकंपीय स्थितियों के विशिष्ट 5,000+ NLTHA रिकॉर्ड्स के सिंथेटिक डेटाबेस पर प्रशिक्षित किया गया है।

परिणाम

तुलनात्मक परिपक्वता: एक तुलनात्मक मैट्रिक्स यह रेखांकित करता है कि जहाँ USA और जापान में उन्नत PBEE एकीकरण, वास्तविक समय का हानि अनुमान और व्यापक प्रयोगात्मक डेटाबेस मौजूद है, वहीं पेरू वर्तमान में बिना PBEE या DT कार्यान्वयन के बुनियादी निर्धारित कोड्स पर निर्भर है।
मॉडल प्रदर्शन: प्रस्तावित रैंडम फॉरेस्ट सरोगेट ने MIDR भविष्यवाणी के लिए क्रॉस-वैलिडेशन में $R^2 > 0.94$ का कोएफिशिएंट ऑफ डिटरमिनेशन प्राप्त किया, जो संरचनात्मक मांग की भविष्यवाणी करने में उच्च सटीकता प्रदर्शित करता है।
अनिश्चितता न्यूनीकरण: DT और ML के एकीकरण से भूकंपीय हानि अनुमान में एपिस्टेमिक अनिश्चितता को 35% तक कम करने का अनुमान है।
कार्यान्वयन रोडमैप: यह शोध पेरू के लिए चार चरणों वाला रोडमैप प्रस्तुत करता है:
- चरण 1 (वर्ष 1–2): एक पेरूवियन CLT भूकंपीय डेटाबेस स्थापित करना (50+ साइक्लिक टेस्ट, 5,000+ NLTHA रिकॉर्ड)।
- चरण 2 (वर्ष 2–3): एम्बेडेड MEMS सेंसर के साथ लीमा में एक 6-मंजिला CLT इमारत पर CP-DT पायलट तैनात करना।
- चरण 3 (वर्ष 3–5): CP-DT को कन्फाइंड मेसनरी तक विस्तारित करना और ETABS एवं OpenSees के अनुकूल एक ओपन-सोर्स प्लेटफॉर्म विकसित करना।
- चरण 4 (वर्ष 5+): प्रदर्शन-आधारित प्रावधानों के साथ नियामक संशोधनों (NTP E.030/E.090) को सूचित करना।

महत्व और दावे

यह शोध दावा करता है कि CLT और मेसनरी के लिए PBEE में डिजिटल ट्विन और मशीन लर्निंग का एकीकरण भूकंपीय जोखिम कम करने के लिए एक व्यावहारिक रूप से प्राप्त करने योग्य उद्देश्य है जिसके तत्काल लाभ हैं। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

अंतराल को पाटना: परिपक्व बाजारों (USA/जापान) से पेरू के संदर्भ में एक मात्रात्मक गैप विश्लेषण और एक ठोस प्रौद्योगिकी हस्तांतरण रणनीति प्रदान करना।
नियामक आधुनिकीकरण: प्रदर्शन-आधारित डिजाइन और डिजिटल निगरानी आवश्यकताओं को शामिल करने के लिए पेरूв नियमों (NTP E.030/E.090) को अपडेट करने के लिए एक तकनीकी आधार प्रदान करना।
आर्थिक दक्षता: यह प्रदर्शित करना कि DT-ML एकीकरण के माध्यम से एपिस्टेमिक अनिश्चितता को कम करने से अधिक सटीक, जोखिम-सूचित निवेश निर्णय लेना संभव है, जो उच्च भूकंपीय भेद्यता और सीमित संसाधनों वाले राष्ट्र के लिए महत्वपूर्ण है।
लाइफसाइकिल कैलिब्रेशन: एक CP-DT आर्किटेक्चर स्थापित करना जो यह सुनिश्चित करता है कि डिजिटल मॉडल केवल निर्माण-पश्चात धारणाओं पर निर्भर रहने के बजाय, विनिर्माण और असेंबली चरणों से ही भौतिक वास्तविकता के साथ कैलिब्रेट हो जाए।

अध्ययन का निष्कर्ष है कि यह दृष्टिकोण निर्धारित अनुपालन (prescriptive compliance) से प्रदर्शन-आधारित लचीलेपन (performance-based resilience) की ओर प्रतिमान को बदल देता है, जो सीधे स्थानीय सामग्रियों, निर्माण प्रथाओं और आर्थिक बाधाओं की चुनौतियों का समाधान करता है।