Zamansal güç akış grafiği ağına dayalı yapısal hasar tanımlama araştırması

Büyük Yapıların Sağlığı Neden Önemli

Köprüler, gökdelenler ve diğer büyük yapılar günlük yaşamımızı sessizce taşır; ancak trafik, rüzgâr ve hava koşulları yıllar içinde bunları yıpratır. Mühendisler felaketlere dönüşmeden önce gizli çatlakları veya gevşemiş eklemleri tespit etmeye çalışır, fakat geleneksel denetimler maliyetli, yavaş olabilir ve erken uyarı işaretlerini kaçırabilir. Bu çalışma, yapıları titreşirken “dinlemenin” yeni bir yolunu sunuyor: etiketli arıza örneklerine ihtiyaç duymadan ince hasarları açığa çıkarabilen, fiziğe rehberlik eden bir yapay zeka sistemi.

Erken Uyarı Olarak Titreşimleri Dinlemek

Bir köprü veya çerçeve rüzgâr ya da trafik nedeniyle sallandığında karmaşık titreşim desenleri oluşur. Mühendisler genellikle bu titreşimleri kaydetmek için birçok noktaya küçük hareket sensörleri (ivmeölçerler) takar. Çatlama veya korozyon gibi hasarlar genellikle bir bileşenin rijitliğini değiştirir; bu da titreşim enerjisinin yapı içindeki hareketini etkiler. Son yöntemlerin çoğu bu sinyalleri derin öğrenme ile süzer ve anormallikleri işaretler. Ancak bu araçların çoğu veriyi yalnızca uydurulacak sayısal bir girdi olarak ele alır ve altta yatan fiziği sisteme dahil etmez. Temiz laboratuvar verilerinde iyi performans gösterebilirler, fakat gürültü, değişen sıcaklıklar ve bazen arızalı sensörlerin bulunduğu gerçek dünyada yanlış alarmlar verebilir veya gerçek sorunları kaçırabilirler.

Bir Yapıyı Enerji Akış Ağına Dönüştürmek

Yazarlar farklı bir strateji öneriyor: yapıyı bağlı noktalar ağının bir temsili olarak kurmak ve titreşim enerjisinin bunlar arasında zaman içinde nasıl aktığını açıkça izlemek. Zamansal Güç Akış Grafiği Ağı (TPF-GNet) içinde her sensör bir düğüm olur ve bileşenler arasındaki her fiziksel bağlantı öğrenilebilir rijitlik ve sönümleme değerlerine sahip bir kenar olarak modellenir. Sensör ivmelerini sayısal olarak integre ederek yöntem hız ve yer değiştirmeyi geri kazanır; ardından anlık güç akışını —her an bir düğümden diğerine ne kadar mekanik enerjinin aktığı— hesaplar. Bu güç akışı, graf boyunca iletilen temel mesaj haline gelir; böylece model sadece istatistiklere uymak yerine hareket yasalarına saygı duyan desenleri öğrenir.

Ağın "Sağlıklı" Görünümü Nasıl Öğrenildi

TPF-GNet yalnızca sağlıklı bir yapının verileriyle eğitilir; hasar örnekleri kullanılmaz. Bu eğitim aşamasında model, ağ boyunca enerji akışını simüle ederek her hedef sensörün titreşim geçmişini komşularından yeniden oluşturmayı öğrenir. Eğitildikten sonra sistem, durumu bilinmeyen bir yapıdan yeni titreşim verileri alır. Yapı hâlâ sağlıklıysa model her sensörün hareketini nispeten doğru şekilde tahmin edebilir ve yeniden oluşturma hataları küçük ve dar dağılımlı kalır. Eğer hasar oluşmuşsa—özellikle bir kiriş veya kolon rijitliğinin azalması—gerçek enerji akışı modelin beklediğinden sapar ve yeniden oluşturma hataları daha büyük ve daha yaygın olur. Yazarlar bu değişimi, hata dağılımının ne kadar geniş ve düzleştiğinden türetilen tek bir hasar-duyarlı faktörle özetler ve eşik değerlerini yalnızca sağlıklı verileri kullanarak belirlerler.

Sanal Köprüler ve Gerçek Çerçeveler Üzerinde Test

Yaklaşımlarını test etmek için araştırmacılar önce gerçek bir yaya köprüsünün ayrıntılı bilgisayar modelini kullandı, farklı seviyelerde ve konumlarda rijitlik azaltımları uygulayıp gürültülü sensör ölçümlerini simüle ettiler. Ayrıca TPF-GNet'i, açık fizikten yoksun standart bir graf sinir ağı ve bir zaman serisi modeli (LSTM) ile karşılaştırdılar. Küçük %5–10 rijitlik kayıpları ve düşük frekanslı sürüklenme veya durağan olmayan bozulmalar gibi zorlu gürültü türlerini içeren otuz senaryo genelinde yeni yöntem daha düşük yanlış alarm oranlarıyla daha doğru hasar tespiti sağladı. Birçok durumda TPF-GNet, karşılaştırma modellerinin %70’e kadar düştüğü yerlerde %90’ın üzerinde tespit doğruluğunu korudu. Ekip daha sonra yöntemi on altı sensörlü ölçekli bir laboratuvar çerçeve yapısında doğruladı; burada seçilmiş kiriş ve kolonlara kontrollü hasar verebildiler. Yine, en büyük yeniden oluşturma hataları ve hasar faktörleri gerçekten hasar görmüş bileşenlerin çevresinde kümelendi ve hasar şiddeti arttıkça performans istikrarlı biçimde iyileşti.

Daha Güvenli Yapılar İçin Anlamı

Uzman olmayan bir kişi için temel çıkarım şudur: bu yöntem fiziğin ve makine öğreniminin güçlü yanlarını birleştirir; yalnızca verideki desenleri aramaz, aynı zamanda sağlıklı bir yapı içinde enerjinin nasıl akması gerektiğini “bilir.” Gerçeklik bu beklentiden sapınca sistem, gürültülü gerçek dünya koşullarında bile sorunlu bölgeleri işaretler. Sadece sağlıklı başlangıç verisi gerektirdiği için, yıllardır izleme kayıtlarına sahip fakat etiketli arıza örnekleri olmayan birçok köprü ve bina için uygundur. Geniş çapta benimsenirse TPF-GNet benzeri yaklaşımlar altyapı sahiplerinin hasarı daha erken yakalamasına, bakım önceliklerini daha akıllıca belirlemesine ve kritik yapıların güvenli kullanım ömrünü uzatmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: yapısal sağlık izleme, köprü hasar tespiti, fizik-bilgilendirici yapay zeka, graf sinir ağları, titreşim algılama