دانشکده مهندسی عمران، دانشگاه تهران، تهران، ایران.
چکیده: (25 مشاهده)
هدف: حوادث طبیعی نظیر زلزله، سیلاب و طوفان خسارات گسترده‌ای به ساختمان‌ها و زیرساخت‌های شهری وارد می‌کنند. ارزیابی سریع و دقیق میزان آسیب‌های ساختمانی پس از وقوع حادثه، نقشی کلیدی در مدیریت بحران، تخصیص بهینه منابع امدادی و برنامه‌ریزی بازسازی دارد. روش پژوهش: در این پژوهش، با بهره‌گیری از مجموعه‌داده XBDو به‌کارگیری مدل‌های یادگیری عمیقYOLOv8و YOLOv11، شناسایی و طبقه‌بندی چندسطحی خسارات ساختمانی انجام شد.مدل‌ها بر اساس شاخص‌های دقت (Accuracy)، صحت(Precision)، بازیابی (Recal)، امتیاز-F (F-score)، میانگین تلاقی بر اتحاد(mIoU)و ضریب دایس (Dice Coefficient)ارزیابی شدند. یافته‌ها: نتایج نشان داد مدلYOLOv11با دستیابی به مقادیر دقت 0.82، امتیاز-Fبرابر با 0.81،mIoU برابر با 0.73 وDiceبرابر با 0.86، عملکرد بهتری نسبت بهYOLOv8داشته است. همچنین، مدل‌های پیشنهادی توانایی تفکیک سه سطح تخریب شامل جزئی، شدید و کامل را دارا بوده‌اند. نتیجه‌گیری: تحلیل‌ها بیانگر آن است که نوع حادثه و میزان تراکم شهری بر عملکرد مدل‌ها تأثیرگذار بوده و در مناطق با تراکم بالا، دقت تشخیص آسیب‌های جزئی کاهش یافته است. در مجموع، بهره‌گیری از معماری بهینه‌تر درYOLOv11و مکانیزممرجع پویا(Dynamic Anchor Head) موجب افزایش دقت مدل در شناسایی آسیب‌های پیچیده شده است. این پژوهش با ارائه یک چارچوب خودکار مبتنی بر یادگیری عمیق، گامی مؤثر در جهت بهبود روش‌های ارزیابی خسارت، توسعه سامانه‌های هوشمند مدیریت بحران و بهینه‌سازی تخصیص منابع امدادی محسوب می‌شود.
