پایان نامه
یادگیری عمیق سه‌بعدی برای شناسایی و تحلیل شکست الیاف در کامپوزیت‌های پلیمری تقویت‌شده با الیاف کربن با استفاده از توموگرافی پرتو ایکس

این پایان‌نامه با هدف توسعه و ارزیابی یک روش مبتنی بر **یادگیری عمیق سه‌بعدی (3D Deep Learning)** برای شناسایی و بخش‌بندی شکست الیاف در کامپوزیت‌های پلیمری تقویت‌شده با الیاف کربن **(Carbon Fiber Reinforced Polymer – CFRP)** از تصاویر حاصل از **توموگرافی کامپیوتری پرتو ایکس (X-ray Computed Tomography – CT)** انجام شده است. با توجه به نقش گسترده این کامپوزیت‌ها در صنایع پیشرفته، به‌ویژه هوافضا، تشخیص دقیق مکانیزم‌های آسیب در آن‌ها اهمیت فراوانی دارد، اما حجم بسیار زیاد داده‌های تصویربرداری سه‌بعدی و پیچیدگی ساختار داخلی این مواد، تحلیل دستی را به فرآیندی زمان‌بر، پرهزینه و وابسته به نظر کارشناسان تبدیل کرده است.

در این پژوهش، نویسنده با استفاده از معماری **یو-نت (U-Net)**، عملکرد مدل‌های یادگیری عمیق دوبعدی و سه‌بعدی را در بخش‌بندی نواحی شکست الیاف با یکدیگر مقایسه کرده است. برای این منظور، داده‌های حاصل از توموگرافی سینکروترونی **(Synchrotron Radiation Computed Tomography – SRCT)** پس از اصلاح و بازبرچسب‌گذاری، به‌عنوان مجموعه داده آموزشی مورد استفاده قرار گرفته‌اند. همچنین چالش مهم نامتوازن بودن داده‌ها، به دلیل سهم بسیار اندک نواحی شکست الیاف نسبت به پس‌زمینه، با روش‌های مناسب آماده‌سازی داده و انتخاب تابع هزینه مدیریت شده است.

نتایج تحقیق نشان می‌دهد که هرچند هر دو مدل دوبعدی و سه‌بعدی از نظر شاخص‌های کمی عملکرد مطلوبی دارند، اما مدل سه‌بعدی به دلیل بهره‌گیری از اطلاعات فضایی در سه بعد، توانایی بیشتری در بازسازی شکل واقعی شکست‌های الیاف، کاهش خطاهای بخش‌بندی و ارائه نتایج پایدارتر دارد. این موضوع نشان می‌دهد که استفاده از شبکه‌های عصبی کانولوشنی سه‌بعدی **(3D Convolutional Neural Networks – 3D CNN)** می‌تواند مسیر مؤثری برای خودکارسازی تحلیل آسیب در مواد کامپوزیتی، افزایش سرعت پردازش داده‌های حجیم و توسعه سامانه‌های هوشمند پایش سلامت سازه‌های پیشرفته فراهم کند و زمینه را برای کاربردهای گسترده‌تر این فناوری در شناسایی انواع دیگر آسیب‌های کامپوزیتی نیز مهیا سازد.

“`html

“`

این پایان‌نامه با هدف توسعه و ارزیابی یک روش مبتنی بر یادگیری عمیق سه‌بعدی (3D Deep Learning) برای شناسایی خودکار شکست الیاف در کامپوزیت‌های پلیمری تقویت‌شده با الیاف کربن (Carbon Fiber Reinforced Polymer – CFRP) تدوین شده است. این مواد به دلیل استحکام بالا، وزن کم و مقاومت مناسب، کاربرد گسترده‌ای در صنایع هوافضا، خودروسازی و سایر صنایع پیشرفته دارند. با وجود مزایای فراوان، رفتار این مواد هنگام ایجاد آسیب‌های ریزساختاری بسیار پیچیده است و پیش‌بینی زمان و محل شکست آن‌ها به سادگی امکان‌پذیر نیست. ازاین‌رو، یکی از مهم‌ترین چالش‌های مهندسی، توسعه روش‌هایی است که بتوانند آسیب‌های داخلی این مواد را به‌صورت دقیق، سریع و بدون تخریب نمونه شناسایی کنند. پژوهش حاضر دقیقاً با همین هدف انجام شده است.

در سال‌های اخیر استفاده از توموگرافی کامپیوتری پرتو ایکس (X-ray Computed Tomography – CT) امکان مشاهده سه‌بعدی ساختار داخلی کامپوزیت‌ها را بدون آسیب رساندن به آن‌ها فراهم کرده است. در این روش، از نمونه تحت بارگذاری، هزاران تصویر دوبعدی تهیه می‌شود که در کنار یکدیگر یک حجم سه‌بعدی از ساختار داخلی ماده را تشکیل می‌دهند. هر آزمایش شامل چندین مرحله تصویربرداری است و در مجموع صدها هزار تصویر تولید می‌شود. اگر این تصاویر توسط انسان بررسی شوند، زمان بسیار زیادی نیاز خواهد بود و علاوه بر آن، احتمال بروز خطا و تفاوت در نظر کارشناسان نیز وجود دارد. بنابراین مهم‌ترین مسئله‌ای که این پایان‌نامه به دنبال حل آن است، خودکارسازی فرآیند تشخیص و بخش‌بندی شکست الیاف در حجم عظیم داده‌های تصویربرداری سه‌بعدی است.

در فصل نخست، نویسنده اهمیت یادگیری عمیق و کاربرد روزافزون آن در حوزه بینایی ماشین را تشریح می‌کند. سپس نشان می‌دهد که بخش‌بندی تصویر (Image Segmentation) طی سال‌های اخیر به یکی از مهم‌ترین کاربردهای شبکه‌های عصبی تبدیل شده است. معماری U-Net که ابتدا برای تصاویر پزشکی توسعه یافته بود، به دلیل توانایی بالا در استخراج ویژگی‌ها و بازسازی دقیق مرز نواحی موردنظر، به عنوان پایه اصلی این پژوهش انتخاب شده است. نویسنده توضیح می‌دهد که اگرچه مدل‌های دوبعدی تاکنون نتایج مناسبی در تحلیل آسیب کامپوزیت‌ها داشته‌اند، اما اطلاعات موجود در تصاویر توموگرافی ذاتاً سه‌بعدی هستند و استفاده از مدل‌های دوبعدی بخشی از اطلاعات فضایی را نادیده می‌گیرد. همین موضوع انگیزه اصلی انجام این تحقیق است؛ یعنی بررسی اینکه آیا استفاده از مدل سه‌بعدی می‌تواند عملکرد بهتری نسبت به مدل دوبعدی داشته باشد یا خیر.

در ادامه، مبانی نظری موردنیاز معرفی می‌شود. ابتدا ساختار کامپوزیت‌های CFRP و انواع آسیب‌های رایج آن‌ها شامل ترک‌های ماتریس، جدایش لایه‌ها و شکست الیاف توضیح داده می‌شود. در این پایان‌نامه تمرکز اصلی تنها بر روی شکست الیاف (Fiber Break) است؛ زیرا این نوع آسیب نقش مهمی در کاهش استحکام کششی کامپوزیت‌ها دارد. سپس فرآیند تصویربرداری توسط CT و به‌ویژه توموگرافی سینکروترونی (Synchrotron Radiation CT – SRCT) معرفی می‌شود که امکان تصویربرداری با وضوح بسیار بالا از ساختار داخلی ماده را فراهم می‌کند. نویسنده بیان می‌کند که کیفیت بسیار بالای این تصاویر اگرچه اطلاعات ارزشمندی تولید می‌کند، اما در مقابل حجم فوق‌العاده زیادی از داده را نیز ایجاد می‌کند که تحلیل دستی آن عملاً غیرممکن است. پس از آن، مفهوم بخش‌بندی تصویر، شبکه‌های عصبی کانولوشنی (CNN)، معماری U-Net و تفاوت میان کانولوشن دوبعدی و سه‌بعدی تشریح می‌شود. همچنین پژوهش‌های پیشین مرور شده و مشخص می‌شود که تقریباً تمام تحقیقات قبلی در زمینه شکست الیاف از مدل‌های دوبعدی استفاده کرده‌اند و خلأ اصلی پژوهشی، بررسی عملکرد مدل سه‌بعدی است.

در بخش روش تحقیق، نویسنده دو مدل مستقل شامل یک U-Net دوبعدی و یک U-Net سه‌بعدی را طراحی و آموزش داده است تا بتوان آن‌ها را در شرایط کاملاً یکسان با یکدیگر مقایسه کرد. تفاوت اصلی دو مدل تنها در نوع عملیات کانولوشن است؛ به این صورت که در مدل سه‌بعدی تمام عملیات دوبعدی با عملیات سه‌بعدی جایگزین شده‌اند. ورودی مدل سه‌بعدی، حجم‌هایی با ابعاد 64×64×64 وکسل است که از تصاویر اصلی استخراج شده‌اند. این طراحی باعث می‌شود مدل علاوه بر مشاهده هر تصویر، ارتباط میان تصاویر متوالی را نیز درک کند و بتواند شکل واقعی شکست الیاف را بهتر تشخیص دهد.

یکی از مهم‌ترین مشکلات این تحقیق، آماده‌سازی داده‌های آموزشی است. داده‌های مورد استفاده از آزمایش‌های انجام‌شده در دانشگاه ساوتهمپتون تهیه شده‌اند و شامل ۲۹ حجم سه‌بعدی هستند که هرکدام حدود یک میلیارد وکسل دارند. برچسب‌گذاری اولیه این داده‌ها به‌صورت نیمه‌خودکار انجام شده بود، اما بررسی‌های بعدی نشان داد که تعداد قابل توجهی از شکست‌های الیاف به‌درستی برچسب‌گذاری نشده‌اند یا تنها بخشی از آن‌ها مشخص شده است. به همین دلیل، پژوهش‌های قبلی اقدام به بازبرچسب‌گذاری کامل داده‌ها به‌صورت دستی کرده بودند و این پایان‌نامه نیز از همین داده‌های اصلاح‌شده استفاده می‌کند. نویسنده توضیح می‌دهد که هرچند این برچسب‌های جدید نیز کاملاً بدون نقص نیستند، اما نسبت به نسخه اولیه دقت بسیار بیشتری دارند و برای آموزش مدل مناسب‌تر هستند.

چالش مهم دیگر، نامتوازن بودن داده‌ها (Imbalanced Classification) است. در کل حجم تصاویر، کمتر از ۰٫۰۱ درصد از وکسل‌ها مربوط به شکست الیاف هستند و تقریباً تمام داده‌ها متعلق به پس‌زمینه‌اند. اگر یک مدل تمام حجم را پس‌زمینه تشخیص دهد، از نظر معیارهای ساده ممکن است دقتی نزدیک به ۹۹٫۹۹ درصد داشته باشد، اما در عمل هیچ شکستی را شناسایی نکرده است. برای حل این مشکل، نویسنده از تابع هزینه Binary Cross Entropy استفاده کرده و داده‌ها را به‌گونه‌ای آماده کرده است که نمونه‌های دارای شکست الیاف سهم بیشتری در آموزش داشته باشند. همچنین حجم‌های اصلی به زیرحجم‌های کوچک تقسیم شده‌اند تا آموزش شبکه امکان‌پذیر شود و تعداد نمونه‌های مثبت و منفی به شکل مناسبی تنظیم گردد.

در مرحله آموزش، داده‌ها به سه بخش آموزش، اعتبارسنجی و آزمون تقسیم شده‌اند. نویسنده رفتار مدل‌ها را در تعداد مختلف دوره‌های آموزشی (Epoch) بررسی کرده و مشاهده کرده است که پس از تعداد مشخصی از دوره‌ها، پدیده بیش‌برازش (Overfitting) آغاز می‌شود. بر همین اساس، بهترین مدل دوبعدی پس از ۱۰ دوره و بهترین مدل سه‌بعدی پس از ۱۵ دوره انتخاب شده‌اند. همچنین برای مقایسه مدل‌ها از منحنی ROC نیز استفاده شده است، اما به دلیل نامتوازن بودن شدید داده‌ها، این معیار نتوانسته تفاوت قابل توجهی میان دو مدل نشان دهد و در نهایت انتخاب مدل بر اساس رفتار منحنی‌های آموزش و اعتبارسنجی انجام شده است.

در بخش نتایج، عملکرد دو مدل با استفاده از معیارهای مختلف ارزیابی شده است. از نظر شاخص Intersection over Union (IoU) اختلاف میان دو مدل نسبتاً کم است؛ به‌طوری که مدل دوبعدی حدود ۶۷٫۵ درصد و مدل سه‌بعدی حدود ۷۰٫۷ درصد امتیاز کسب کرده‌اند. اگرچه این اختلاف از نظر عددی زیاد نیست، اما بررسی‌های کیفی نشان می‌دهد که مدل سه‌بعدی قادر است شکل واقعی شکست الیاف را بهتر حفظ کند و ساختار فضایی آن را دقیق‌تر بازسازی نماید. در بسیاری از نمونه‌ها، مدل دوبعدی در ابتدا و انتهای شکست الیاف دچار اعوجاج یا بزرگ‌نمایی شده است، در حالی که مدل سه‌بعدی شکل استوانه‌ای و پیوسته شکست را بهتر بازتولید کرده و نتایج طبیعی‌تری ارائه داده است. بنابراین برتری اصلی مدل سه‌بعدی نه فقط در اعداد و معیارهای کمی، بلکه در درک صحیح اطلاعات فضایی نهفته است.

در نهایت، نویسنده نتیجه می‌گیرد که استفاده از شبکه‌های عصبی کانولوشنی سه‌بعدی، گام مهمی در جهت خودکارسازی تحلیل آسیب کامپوزیت‌ها محسوب می‌شود. هرچند اختلاف عملکرد کمی میان مدل دوبعدی و سه‌بعدی محدود است، اما توانایی مدل سه‌بعدی در بهره‌گیری از اطلاعات فضایی باعث می‌شود برای کاربردهای آینده، به‌ویژه زمانی که انواع مختلف آسیب به‌صورت هم‌زمان بررسی شوند، گزینه مناسب‌تری باشد. همچنین پیشنهاد می‌شود در تحقیقات آینده از مجموعه داده‌های بزرگ‌تر، برچسب‌گذاری دقیق‌تر، معماری‌های پیشرفته‌تر و مدل‌های چندکلاسه استفاده شود تا امکان شناسایی هم‌زمان انواع مختلف آسیب در کامپوزیت‌های CFRP فراهم گردد. این پایان‌نامه نشان می‌دهد که ترکیب تصویربرداری سه‌بعدی با یادگیری عمیق می‌تواند سرعت تحلیل داده‌ها را به شکل قابل توجهی افزایش دهد، وابستگی به تحلیل انسانی را کاهش دهد و در نهایت به توسعه سامانه‌های هوشمند پایش سلامت سازه‌ها و افزایش ایمنی تجهیزات مهندسی کمک کند.