هوش مصنوعی و سیستم های کامپیوتری در مهندسی عمران

مناطق یادگیری ماشین در زمینه تحقیقات مهندسی عمران استفاده می شود.
از داده های مهندسی عمران قابل درک است

جست‌وجوی هر تلاش علمی جمع‌آوری داده‌ها و معنا بخشیدن به آن است. مهندسی از درک رفتار سیستم ها و مواد از طریق تجزیه و تحلیل داده ها و الگوهای نقشه برداری از آن متولد شد.
مهندسی عمران شاخه‌ای از مهندسی است که اصول آن همیشه بر روش‌های تجربی تکیه می‌کند، جایی که جمع‌آوری داده‌ها برای درک رفتار مواد و پیش‌بینی پاسخ ساختاری اهمیت بالایی دارد.
با پیشرفت های اخیر در هوش مصنوعی و یادگیری ماشین، که در آن سیستم های کامپیوتری می توانند الگوهای داده ها را درک کنند، علاقه محققان به مهندسی عمران به طور تصاعدی در حال افزایش است.
برخی از حوزه هایی که محققان به طور فعال از یادگیری ماشین در مهندسی عمران استفاده می کنند به شرح زیر است.

1. مدیریت ساخت و ساز:
   برای اینکه هر پروژه مهندسی عمران با موفقیت اجرا شود، هزینه، کیفیت و زمان باید جهت حاکم باشد که همه ذینفعان از آن پیروی خواهند کرد. هزینه مهم ترین عامل برای تصمیم گیری موفقیت پروژه است. بسیاری از محققان از شبکه‌های عصبی مصنوعی برای ارائه مدل‌هایی استفاده می‌کنند که هزینه پروژه‌های سرمایه‌بر مانند پل‌ها، بزرگراه‌ها، زمین‌های ورزشی و کارخانه‌های سیمان را در فاز اولیه پروژه‌ها زمانی که داده‌های طراحی در دسترس نیست، پیش‌بینی می‌کنند. این مدل ها با استفاده از داده های پروژه های گذشته، با استفاده از پارامترهای طراحی به عنوان ویژگی ها و هزینه به عنوان برچسب آموزش داده می شوند.
2. مهندسی سازه:

کارایی و دقت چگونگی حمل وزن برخی از چیزها در طبیعت و توزیع آن بر روی زمین، برای قرن ها دغدغه مهندسان سازه بوده است. بسیاری از طرح های ساختاری نمادینی که امروزه می بینیم از طبیعت الهام گرفته شده اند. به عنوان مثال می توان به استادیوم ملی پکن، الهام گرفته از لانه پرنده اشاره کرد. مهندسان سازه اکنون به لطف طراحی مولد قادر به طراحی سازه های بهتر هستند. یادگیری ماشینی همچنین در پایش سلامت سازه‌ای که داده‌های ارتعاش بزرگ توسط یک ماشین بردار پشتیبان یا یک شبکه عصبی تجزیه و تحلیل می‌شود و طبقه‌بندی می‌شود که آیا یک سازه آسیب دیده است یا خیر، استفاده شده است.

مجری ذیصلاح |مهندس مجری ذیصلاح تهران و اراک

3. مهندسی ژئوتکنیک

از آنجایی که بیشتر سازه‌های مهندسی عمران به زمین متصل می‌شوند، موضوع درک رفتار خاک در شرایط تنش مختلف مورد توجه زیرشاخه‌ای در مهندسی عمران به نام مهندسی ژئوتکنیک بوده است.
درک رفتار خاک در شرایط مختلف تنش مستلزم یک مهندس برای جمع‌آوری نمونه‌های عظیم خاک، انجام آزمایش‌های آزمایشگاهی و تجزیه و تحلیل داده‌ها است که در اغلب موارد، زمان‌بر و وقت‌گیر است.
یادگیری ماشین در حوزه‌های ژئوتکنیک مانند پیش‌بینی رطوبت بهینه و حداکثر چگالی خشک با استفاده از ویژگی‌های شاخص ساده مانند حد مایع، محدودیت پلاستیک، انقباض و توزیع اندازه ذرات کاربرد بیشتری پیدا می‌کند. چنین مدل‌هایی با استفاده از شبکه‌های عصبی مصنوعی طراحی شده‌اند و پتانسیل کاهش آزمایش‌های کار فشرده و زمان‌بر مانند تست‌های تراکم پروکتور را دارند.

4. منابع آب و مهندسی محیط زیست:

ضرب المثلی هست که می گوید آب حیات است. این بدان معناست که در غیاب آن تمام حیاتی که روی زمین وجود دارد به پایان می رسد.
علیرغم اینکه آب حیات بسیاری از گونه های زمین را حفظ می کند، جنبه تاریکی نیز در ایجاد تخریب از طریق حوادثی مانند سیل دارد.
کاربردهای یادگیری ماشینی در منابع آب در سال‌های اخیر افزایش یافته است و به محققان این امکان را می‌دهد تا راه‌حل‌های جدیدی را برای مشکلات چالش برانگیز با بارندگی بیش از حد که باعث سیل می‌شود، ارائه دهند.
بسیاری از محققان نتایج امیدوارکننده‌ای را از مدل‌های یادگیری عمیق در بارش راداری در حال پخش یا پیش‌بینی با وضوح بالا بارش گزارش کرده‌اند. استفاده از مدل های یادگیری عمیق (ConvLSTM) در بارش باران راداری و پیش بینی سیل مورد مطالعه قرار گرفته است. مدل یادگیری عمیق از ترکیبی از شبکه‌های عصبی کانولوشنال استفاده می‌کند که به طور گسترده در وظایف بینایی رایانه‌ای مانند تشخیص چهره و طبقه‌بندی تصویر و شبکه‌های عصبی تکراری، که معمولاً در ترجمه زبان استفاده می‌شوند، استفاده می‌شود. برای پیش‌بینی سطح آب آینده در 5 مکان در حوضه حوضه Bedok سنگاپور، مدل‌های یادگیری عمیق با استفاده از داده‌های راداری مشاهده شده گذشته از سرویس هواشناسی سنگاپور آموزش داده شدند. نتایج چنین مطالعاتی می تواند برای کشورهای گرمسیری با تغییر الگوهای آب و هوایی مفید باشد.