تشخیص و تحلیل الگوهای ترک در اعضای بتنی آسیبدیدهبا استفاده از روشهای پردازش تصویر
Keywords:
سازههای بتنی مسلح, الگوی ترک, هوش مصنوعی, پردازش تصویرAbstract
توسعه ترکها در سازههای بتنی یکی از مهمترین عوامل تخریب این سازهها است که تأثیرات مخرب آن بهویژه در نتیجه خوردگی میلگردهای فولادی مشهود است. ترکها به عنوان اولین نشانههای آسیب، نشاندهنده کاهش پیوند میان بتن و میلگرد و شروع تخریب سازهای هستند. گسترش تدریجی ترکها میتواند موجب کاهش قابلتوجه مقاومت مکانیکی سازه و ناپایداری کلی آن شود. ازاینرو، بررسی دقیق روند توسعه ترکها و شناسایی الگوی ایجاد و گسترش آنها نقشی حیاتی در پیشگیری از تخریب گسترده سازه و افزایش عمر مفید آن ایفا میکند. در این پژوهش، از فناوری پردازش تصویر به عنوان یک ابزار پیشرفته غیرمخرب برای شناسایی و تحلیل ترکها در سازههای بتنی آسیبدیده استفاده شده است. این روش امکان بررسی هندسی ترکها شامل طول، عرض، عمق و مسیر گسترش را فراهم میکند. علاوه بر این، پردازش تصویر به مهندسان امکان میدهد تا نقاط بحرانی سازه را شناسایی کرده و شدت آسیب را بهدقت بررسی کنند. نتایج این تحلیلها نه تنها برای برنامهریزی ترمیم و نگهداری بسیار مفید است، بلکه امکان پیشبینی روند آینده توسعه ترکها و ارزیابی خطرات احتمالی تخریب را نیز فراهم میکند. استفاده از این روش با ارائه تحلیل سریع، دقیق و مقرونبهصرفه، جایگزین مناسبی برای روشهای سنتی ارزیابی سازههای بتنی است. این رویکرد علاوه بر شناسایی آسیبهای موجود، به کاهش زمان و هزینههای ارزیابی و تعمیر سازه کمک میکند. یافتههای این پژوهش نشان میدهد که تمرکز بر پایش روند توسعه ترکها و بهرهگیری از فناوریهای نوین مانند پردازش تصویر میتواند گامی اساسی در مدیریت آسیبهای سازههای بتنی باشد و موجب ارتقای ایمنی، پایداری و طول عمر این سازهها شود.
Downloads
References
[1] Bertolini, L., et al. (2004). Corrosion of steel in concrete. Wiley .
[2] Neville, A. M. (2011). Properties of concrete. Pearson Education .
[3] Tang, L., & Nilsson, L. O. (1992). “Chloride transport in concrete”. Magazine of
Concrete Research .
[4] Tuutti, K. (1982). Corrosion of Steel in Concrete. Swedish Cement and Concrete
Research Institute .
[5] Andrade, C., & Alonso, C. (1996). “Corrosion rate measurements”. Cement and Concrete
Research .
[6] El Maaddawy, T., & Soudki, K. (2003). “Effectiveness of impressed current technique
to simulate corrosion of steel reinforcement in concrete”. Cement and Concrete Research .
[7] Zhang, J., et al. (2016). “Crack detection in concrete structures using machine learning
algorithms”. Engineering Structures .
[8] Chen, Y., et al. (2020). “Applications of deep learning in structural engineering”.
Structural Monitoring and Maintenance .
[9] Saleh, N., et al. (2022). “Impact of chloride ingress and automated crack detection in
reinforced concrete”. Advances in Civil Engineering Materials .
[10] Ghosh, S., et al. (2023). “Automation in structural health monitoring using AI tools”.
Journal of Artificial Intelligence in Civil Engineering .
[11] Ashraf, W. et al. (2022). “Application of AI-based techniques in structural health monitoring: A review.” Construction and Building Materials, 340, 125758.
[12] Huang, Y., & Zhao, Y. Y. (2019). “Visual crack detection using machine learning techniques.” Automation in Construction, 104, 123-134.
[13] Liu, Z., Huang, Y., Zhang, Z. (2020). “Crack detection using computer vision and deep learning techniques.” Automation in Construction, 114, 103115.
[14] Lins, R. G., & Ghaboussi, J. (2018). “Structural health monitoring of concrete structures with automated crack evaluation using image processing.” Journal of Infrastructure Systems, 24(4), 04018038.
[15] بهشتی نژاد حسین و محمودآبادی ملیکا،) 1۴03 (،تحلیل مقایسه ای روش های مکانیکی و پردازش تصویر در ارزیابی
ترک های تیر بتنی مسلح،دومین کنگره بین المللی توسعه علمی و فناوری دانشجویان مهندسی عمران
ایران،تهران، https://civilica.com/doc/2242653
[16] بهشتی نژاد حسین، ) 1397 (، بررسی آزمایشگاهی رفتار اعضای خمشی با آرماتورهای خورده شده و ارائه روش جدید
جهت تحلیل قابلیت اطمینان آنها. پایاننامه دکتری ، دانشگاه سیستان و بلوچستان، دانشکده عمران
[17] N Aravind, S Nagajothi, S Elavenil,Machine learning model for predicting the crack detection and pattern recognition of geopolymer concrete beams,Construction and Building Materials, ,(2021),ISSN 0950-0618,https://doi.org/10.1016/j.conbuildmat.2021.123785.
