بحث في تحديد الأضرار الهيكلية بناءً على شبكة مخطط تدفق الطاقة الزمني

لماذا تهم سلامة الهياكل الكبيرة

تحمل الجسور وناطحات السحاب والهياكل الكبيرة الأخرى حياتنا اليومية بهدوء، لكن مع مرور السنين نتيجة المرور والرياح والطقس تتآكل تدريجيًا. يحاول المهندسون اكتشاف الشقوق المخفية أو المفاصل المترخية قبل أن تتحول إلى كوارث، ومع ذلك قد تكون الفحوصات التقليدية مكلفة وبطيئة وأحيانًا تفشل في التقاط مؤشرات التحذير المبكرة. تقدم هذه الدراسة طريقة جديدة لـ"الاستماع" إلى الهياكل أثناء اهتزازها، عبر نظام ذكاء اصطناعي موجه بالفيزياء يمكنه كشف أضرار دقيقة دون الحاجة إلى أمثلة معنونة للفشل.

الاستماع إلى الاهتزازات كمؤشرات تحذيرية مبكرة

عندما تهتز جسر أو إطار بفعل الرياح أو الحركة، فإنها تهتز بأنماط معقدة. غالبًا ما يثبت المهندسون مستشعرات حركة صغيرة (مسرعات) في نقاط عديدة لتسجيل هذه الاهتزازات. يغير الضرر مثل التشقق أو التآكل عادةً صلابة مكون ما، وهو ما يغير بدوره كيفية انتقال طاقة الاهتزاز عبر الهيكل. تستخدم العديد من الأساليب الحديثة التعلم العميق لفرز هذه الإشارات وكشف الشذوذ. ومع ذلك، فإن معظم هذه الأدوات تتعامل مع البيانات كأرقام لتُطابق فقط، دون تضمين الفيزياء الأساسية. قد تعمل جيدًا على بيانات مخبرية نقية، لكن في العالم الحقيقي — مع الضوضاء و تغير درجات الحرارة وأحيانًا مستشعرات معطلة — قد تصدر نفس النماذج إنذارات خاطئة أو تفوّت مشكلات حقيقية.

تحويل الهيكل إلى شبكة لتدفق الطاقة

يقترح المؤلفون استراتيجية مختلفة: تمثيل الهيكل كشبكة من النقاط الموصولة وتتبع كيفية تدفق طاقة الاهتزاز بينها بمرور الوقت صراحةً. في شبكة مخطط تدفق الطاقة الزمني (TPF-GNet) الخاصة بهم، يصبح كل مستشعر عقدة في رسم بياني، وكل رابط مادي بين المكونات يصبح حافة ذات صلابة وامتصاص قابلة للتعلم. من خلال التكامل العددي لتسارعات المستشعرات، تستعيد الطريقة السرعة والإزاحة ثم تحسب تدفق الطاقة الفوري — مقدار الطاقة الميكانيكية التي تنتقل من عقدة إلى أخرى في كل لحظة. يصبح هذا التدفق الطاقي الرسالة الأساسية التي تُمرَّر عبر الرسم البياني، بحيث يتعلم النموذج أنماطًا تحترم قوانين الحركة بدلًا من مجرد ملاءمة الإحصاءات.

تعليم الشبكة كيف يبدو "الحالة السليمة"

تُدرَّب TPF-GNet فقط على بيانات من هيكل سليم، دون أي أمثلة لوجود ضرر. في مرحلة التدريب هذه يتعلم النموذج إعادة بناء تاريخ اهتزاز كل مستشعر مستهدف من جيرانه عبر محاكاة تدفق الطاقة عبر الشبكة. بعد التدريب، يتلقى النظام بيانات اهتزاز جديدة من هيكل حالته غير معروفة. إذا كان الهيكل لا يزال سليمًا، يمكن للنموذج أن يتنبأ بحركة كل مستشعر بدقة جيدة، وتبقى أخطاء إعادة البناء صغيرة ومحدودة التوزيع. إذا حدث ضرر — خاصة فقدان الصلابة في عارضة أو عمود — فسيتباعد تدفق الطاقة الحقيقي عن ما يتوقعه النموذج، وتزداد أخطاء إعادة البناء وتنتشر أكثر. يلخّص المؤلفون هذا التغير بعامل واحد حساس للضرر مشتق من مدى اتساع وتسطيح توزيع الأخطاء، ويحددون عتبات باستخدام بيانات سليمة فقط.

الاختبار على جسور افتراضية وإطارات حقيقية

لاختبار نهجهم، استخدم الباحثون أولًا نموذجًا حاسوبيًا مفصلًا لجسر مشاه حقيقي، وأضافوا مستويات ومواقع مختلفة من تقليل الصلابة بينما قاموا بمحاكاة قياسات مستشعرات مضبوطة بالضوضاء. كما قارنوا TPF-GNet بشبكة عصبية بيانية قياسية ونموذج سلاسل زمنية (LSTM) يفتقر للفيزياء الصريحة. عبر ثلاثين سيناريو — بما في ذلك خسائر صلابة صغيرة 5–10% وأنواع ضوضاء تحدٍ مثل انجراف منخفض التردد واضطرابات غير ثابتة — حددت الطريقة الجديدة الأضرار بدقة أكبر وبمعدلات إنذارات خاطئة أقل باستمرار. في العديد من الحالات حافظت TPF-GNet على دقة كشف تزيد عن 90% حيث تراجعت النماذج المقارنة إلى نحو أو أقل من 70%. ثم حقق الفريق في صحة المنهج على إطار مخبري مصغر مزود بستة عشر مستشعرًا، حيث أمكن إدخال أضرار مسيطرة على بعض العوارض والأعمدة. مرة أخرى، تجمعت أكبر أخطاء إعادة البناء وعوامل الضرر حول المكونات المتضررة فعليًا، وتحسنت الأداء تدريجيًا مع زيادة شدة الضرر.

ما يعنيه ذلك لهياكل أكثر أمانًا

لغير المتخصص، الخلاصة هي أن هذه الطريقة تدمج قوة الفيزياء والتعلم الآلي: فهي لا تكتفي بالبحث عن أنماط في البيانات، بل "تعرف" أيضًا كيف ينبغي أن تتدفق الطاقة خلال هيكل سليم. عندما تنحرف الحقيقة عن هذا التوقع، يشير النظام إلى نقاط الخلل، حتى تحت ظروف ضوضاء العالم الحقيقي. وبما أنها تتطلّب بيانات أساس سليمة فقط، فهي مناسبة للعديد من الجسور والمباني التي لدينا سجلات مراقبة لسنوات دون أمثلة معنونة للفشل. إذا تم اعتماد نهج مثل TPF-GNet على نطاق واسع، فقد يساعد مالكي البنية التحتية على اكتشاف الأضرار مبكرًا، وأولوية الصيانة بشكل أكثر ذكاءً، وإطالة العمر الخدمي الآمن للهياكل الحيوية.

الاستشهاد: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

الكلمات المفتاحية: مراقبة صحة الهياكل, كشف أضرار الجسور, الذكاء الاصطناعي المستنير بالفيزياء, شبكات عصبية بيانية, استشعار الاهتزاز