Araştırma bağlamı
İnşaat mühendisliğinde, köprüler, tüneller ve yol yüzeyleri gibi altyapının yapısal sağlığının izlenmesi çok önemlidir. Bu izlemenin önemli bir yönü, zaman içinde çatlak genişliklerinin ölçülmesidir.
Beton kendini iyileştirme veya betonun kendi çatlaklarını özerk bir şekilde kapatma yeteneği, yapısal dayanıklılığı artırmak için fırsatlar sunar. Çok sayıda laboratuvar ve saha deneyini içeren ortaya çıkan ve hızla büyüyen bir alandır. Birincil metodolojik zorluk, kendi kendini iyileştirme sürecini izlemek için zaman içindeki çatlak genişliklerini doğru bir şekilde değerlendirmeye devam etmektedir. Amacımız, birden fazla sabit yerde kendini iyileştirmenin ilerlemesini doğru bir şekilde izlemek için yarı otomatik bir yöntem geliştirmekti. Görüntülerden özellikler çıkaran ve çatlak genişliklerinin değerlendirilmesini sağlayan görüntü işleme ve derin bir evrişimsel sinir ağı (DCNN) kullanıyoruz. Bu prosedür, çatlak gelişimi sırasında kaybedilen yapının orijinal bütünlüğünün geri kazanımının ilerlemesini değerlendiren aşamaları üzerinde kendini iyileştirmenin izlenmesine izin verir.
Özellikle kendi kendini iyileştirme için uygun olan somut çatlak genişliklerini değerlendirmek için derin öğrenme modellerini eğitmek için bir metodoloji ve büyük bir veri kümesini paylaşıyoruz. Bu kaynaklar, araştırma tekniklerinin geliştirilmesini destekleyebilir ve sonuçta beton yapıların dayanıklılığına ve güvenliğine katkıda bulunabilir.
Çatlak genişliği değerlendirmesi ve kendi kendini iyileştiren ilerlemeyi izleme
Yöntemimizin avantajlarından biri, birden fazla sıralı görüntüdeki özdeş konumların tutarlı gözlemlenmesidir. Bu tür bir tutarlılığa ulaşmak, gelişen çatlaklar, çevresel koşulların değişmesi ve görüntüleme cihazlarına göre değişken konumlandırılması nedeniyle özellikle zor olabilir. Bununla birlikte, metodolojimiz bu sorunları başarıyla ele almaktadır. Yöntem, beton örneklerinin tekrarlanan yüksek çözünürlüklü taramasını, ardından ölçek değişmez görüntü kaydı (SIFT) ve sabit ızgara çizgileri kesişen çatlaklar boyunca ayrıntılı parlaklık profili analizini içerir. Bu titiz yaklaşım, çatlak geometrisindeki değişikliklerin son derece doğru ve tutarlı bir şekilde izlenmesini sağlar.
Yaklaşımımızın gücü, veri toplama için sistematik tekrarlanan ölçüm stratejisinde yatmaktadır. Her ölçüm, kendi kendini iyileştirmenin her aşamasında sürekli olarak aynı mekansal yerlerde gerçekleştirilir. Bu bağımlı veri örneklemesi, testlerin özellik tahminlerinin ve istatistiksel gücünün hassasiyetini önemli ölçüde artırır, bu da araştırmacıların ince eğilimleri tespit etmelerini, faktör etkilerini ve geleneksel veya bağımsız örnekleme yöntemleri kullanılarak kaçırılabilecek etki faktörlerini tanımlamalarını sağlar. Yüksek çözünürlük ve zamansal süreklilik, somut yaş, nem içeriği, çatlak geometrisi ve çevresel koşullar gibi kendi kendini iyileştiren etkinliği etkileyen faktörlerin kesin değerlendirilmesini daha da desteklemektedir.
Özellikle somutta kendi kendini iyileştiren araştırmalar için geliştirilmesine rağmen, yaklaşımımız, genel yapısal sağlık izleme veya yapay zeka temelli hasar değerlendirmeleri gibi doğru çatlak genişliği ölçümlerinin gerekli olduğu daha geniş bağlamlar için de geçerlidir.
Veri kümesinde ne var
Veri kümemiz, öz-iyileşmeyi gözlemlemek için koşullar yaratmak için dikkatlice hazırlanmış, yaşlı ve çatlamış olan yüksek mukavemetli beton örnekler kullanılarak toplanmıştır. Çeşitli iyileşme aşamalarında numune yüzeylerinin ayrıntılı görüntülerini yakalamak için yüksek çözünürlüklü taramalar kullanıldı. Ortaya çıkan veri kümesi, her biri görünür çatlaklar kesişen ızgara çizgileri boyunca toplanan kapsamlı parlaklık profillerine sahip 19.098 kayıt içerir. Kayıtlar, konvansiyonel bir sinir ağı ve analitik algoritma tarafından sağlanan kıyaslama ölçümlerinin yanı sıra referans değerleri olarak hizmet veren operatör çatlak genişliği ölçümlerini içerir.
Veri kümesinin temel bileşenleri şunları içerir:
- Her kesişen ızgara boyunca parlaklık profilleri.
- Manuel referans ölçümleri.
- Derin bir evrişimli sinir ağı modelinden ve analitik kenar dedektöründen tahminler.
- Kendi araştırmamız için eğitilmiş derin bir evrişimli sinir ağı modeli.
- İyileşmenin birçok aşamasında beton yüzeylerin yüksek çözünürlüklü taramaları.
- Tutarlı, sabit ızgara çizgileri kesişen çatlak yolları.
Bu büyük ve kapsamlı veri kümesi, çatlak genişliği tahminine yönelik derin öğrenme modellerini eğitmek ve değerlendirmek için çok uygundur.
Veri kümesini paylaşmak
Yayınlanmış araştırmalar, çatlak genişliklerinin izlenmesinde derin öğrenme metodolojilerinin önemli potansiyelini göstermektedir. Ayrıntılı, onaylanmış bir veri kümesine açık erişim sağlamak, bireysel araştırma grupları için gerekli kaynakları ve zamanı önemli ölçüde azaltır, inovasyonu teşvik eder ve araştırma verimliliğini artırır. Veri kümemizi paylaşarak, çeşitli araştırma projelerini teşvik etmeyi ve etkinleştirmeyi planlıyoruz.
Yapısal mühendislik, malzeme bilimi ve hesaplamalı zeka da dahil olmak üzere çeşitli alanlardan araştırmacıları bu verileri şunlara kullanmaya davet ediyoruz:
- Doğru çatlak genişliği tahmini için evrişimsel sinir ağlarını geliştirin ve rafine edin.
- Farklı koşullar altında kendini iyileştiren dinamikleri araştırmak için kendinizi veya önceden eğitilmiş modelimizi kullanın.
- Hassas çatlak genişliği izlemesini daha geniş yapısal sağlık izleme ve öngörücü bakım sistemlerine entegre edin.
- Metodolojiyi genişletin ve inşaat mühendisliği, malzeme mühendisliği, öngörücü bakım veya diğer ilgili alanlarda yeni uygulamaları keşfedin.
Ayrıntılı metodoloji, veri kümesi erişimi ve daha fazla bilgi için lütfen yayınlarımıza bakın:
1. Jakubowski, J. ve Tomczak, K. (2025). Betondaki çatlak genişliğini ve kendini iyileştiren ilerlemeyi değerlendirmek için derin öğrenme modelleri geliştirmek için veri kümesi. Bilimsel veriler, 12, 165.
2. Jakubowski, J. & Tomczak, K. (2024) Betonda çatlak genişliği değerlendirmesi ve kendini iyileştirme değerlendirmesi için derin öğrenme metasensor. Yapı. İnşa etmek. Mater. 422, 135768.
Bir yanıt yazın