رنجبر, سجاد, مقدس نژاد, فریدون, ذاکری, حمزه. (1399). تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق. نشریه مهندسی عمران امیرکبیر, 52(9), 2255-2278. doi: 10.22060/ceej.2019.16103.6133
سجاد رنجبر; فریدون مقدس نژاد; حمزه ذاکری. "تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق". نشریه مهندسی عمران امیرکبیر, 52, 9, 1399, 2255-2278. doi: 10.22060/ceej.2019.16103.6133
رنجبر, سجاد, مقدس نژاد, فریدون, ذاکری, حمزه. (1399). 'تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق', نشریه مهندسی عمران امیرکبیر, 52(9), pp. 2255-2278. doi: 10.22060/ceej.2019.16103.6133
رنجبر, سجاد, مقدس نژاد, فریدون, ذاکری, حمزه. تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق. نشریه مهندسی عمران امیرکبیر, 1399; 52(9): 2255-2278. doi: 10.22060/ceej.2019.16103.6133

تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق

نشریه مهندسی عمران امیرکبیر
مقاله 9، دوره 52، شماره 9، آذر 1399، صفحه 2255-2278    اصل مقاله (4.01 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22060/ceej.2019.16103.6133
نویسندگان
سجاد رنجبر1؛ فریدون مقدس نژاد* 1؛ حمزه ذاکری2
1دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر
2hafez
چکیده
ارزیابی اطلاعات روسازی یکی از مهم‌ترین گام های پیاده سازی سامانه مدیریت روسازی است و سالانه تلاش های گسترده‌ای به منظور افزایش کارایی این سامانه با استفاده از فناوری‌های جدید انجام شده است. در سال های اخیر تمرکز سازمان ها بر توسعه سامانه های خودکار به منظور برداشت و ارزیابی بهتر اطلاعات روسازی بوده و تحقیقات گسترده ای در این زمینه انجام شده است. دانش داده کاوی و یادگیری ماشین با هدف بهره گیری از داده‌های موجود برای ساخت سامانه‌های هوشمند از جمله جدیدترین زمینه های تحقیقاتی در علوم مختلف نظیر پزشکی، مهندسی، اقتصادی است و نتایج بسیار خوبی از به کارگیری این دانش‌ها بدست آمده است. در زمینه مدیریت روسازی تحقیقات متعددی با هدف به کارگیری یادگیری ماشین به ویژه در ارزیابی خرابی‌های روسازی انجام شده است و نتایج این تحقیقات نشان می‌دهد که روش های مبتنی بر داده کاوی و هوش مصنوعی، ابزار های قدرتمندی در ساخت سامانه‌های خودکار و هوشمند هستند. در این مقاله ضمن تشریح مفاهیم تئوری، تلاش شده است که مدل‌هایی با هدف تشخیص و دسته بندی خرابی ترک خوردگی روسازی با استفاده از شبکه‌های پیچشی عمیق و به کارگیری روش انتقال یادگیری ایجاد شود و عملکرد آن ها از نظر دقت و سرعت یادگیری و اجرا مورد ارزیابی قرار گیرد. نتایج این پژوهش نشان می‌دهد که سرعت عملکرد مدل‌ها تا حد زیادی به مشخصه‌های مدل‌های از پیش تعلیم یافته بستگی دارد و دقت مدل‌ها بر اساس معیارهای مختلف (F-score، sensitivity، accuracyو ...) در بازه 0/94 تا 0/99 است که بیانگر عملکرد خوب مدل‌های مبتنی بر شبکه‌های پیچشی عمیق در تشخیص و ارزیابی خرابی‌های روسازی نظیر ترک خوردگی است.
کلیدواژه‌ها
یادگیری عمیق؛ انتقال یادگیری؛ ترک‌خوردگی روسازی؛ تشخیص؛ دسته‌بندی
مراجع
آمار
تعداد مشاهده مقاله: 1,320
تعداد دریافت فایل اصل مقاله: 1,691
پیوندهای مفید
آمار
تعداد نشریات9
تعداد شماره‌ها455
تعداد مقالات5,771
تعداد مشاهده مقاله8,374,796
تعداد دریافت فایل اصل مقاله6,932,929