TY - JOUR ID - 3465 TI - تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق JO - نشریه مهندسی عمران امیرکبیر JA - CEEJ LA - fa SN - 2588-297X AU - رنجبر, سجاد AU - مقدس نژاد, فریدون AU - ذاکری, حمزه AD - دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر AD - hafez Y1 - 2020 PY - 2020 VL - 52 IS - 9 SP - 2255 EP - 2278 KW - یادگیری عمیق KW - انتقال یادگیری KW - ترک‌خوردگی روسازی KW - تشخیص KW - دسته‌بندی DO - 10.22060/ceej.2019.16103.6133 N2 - 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. UR - https://ceej.aut.ac.ir/article_3465.html L1 - https://ceej.aut.ac.ir/article_3465_aac7a70f87face6f752a780d29749fb6.pdf ER -