مدل سازی زوال ( به انگلیسی: Deterioration modeling ) فرایند مدل سازی و پیش بینی شرایط فیزیکی سازه ها یا زیرساخت ها است. وضعیت زیرساخت ها یا با استفاده از یک شاخص شرایط یا احتمال گسیختگی نشان داده می شود. [ ۱] نمونه هایی از چنین شاخص های عملکردی عبارتند از شاخص وضعیت روسازی برای جاده ها یا شاخص وضعیت پل برای پل ها. برای محاسبه احتمال گسیختگی، که موضوع تئوری قابلیت اطمینان است، از احتمال گسیختگی یا شاخص قابلیت اطمینان استفاده می شود. [ ۲] [ ۳] مدل های زوال در مدیریت دارایی زیرساختها از اهمیت بالایی برخوردارند و پایه ای برای تصمیم گیری در مورد نگهداری و بهسازی هستند. [ ۴] [ ۵] معمولاً شرایط اکثر زیرساخت های فیزیکی با گذشت زمان بدتر می شود. یک مدل زوال می تواند به تصمیم گیرندگان کمک کند تا بفهمند که شاخص عملکرد چگونه افت می کند یا چه زمانی آستانه خاصی را نقض می کند. [ ۶]
یک مدل شناخته شده برای نشان دادن احتمال گسیختگی یک زیرساخت منحنی وان حمام نامیده می شود. این منحنی از سه مرحله اصلی ساخته شده است: گسیختگی نارس، گسیختگی مداوم و گسیختگی فرسودگی. در مدیریت دارایی زیرساختها حالت غالب زوال به دلیل پیری، ترافیک و ویژگی های اقلیمی است؛ بنابراین، گسیختگی ناشی از فرسودگی معمولاً بیشترین نگرانی را دارد. [ ۱] [ ۷]
مدل های زوال یا قطعی هستند یا احتمالی. مدل های قطعی نمی توانند احتمالات را در نظر بگیرند. مدل های احتمالی می توانند نه فقط شرایط آینده بلکه احتمال وقوع آن شرایط خاص را پیش بینی کنند. [ ۸]
مدل های قطعی معمولاً ساده تر و قابل فهم تر هستند، اما نمی توانند احتمالات را در بیان کنند. منحنی های زوال که معمولاً تنها بر اساس سن ساخته می شوند، نمونه ای از مدل های زوال قطعی هستند. به طور سنتی، اکثر مدل های مکانیستی و مکانیکی - تجربی با استفاده از رویکردهای قطعی ساخته می شوند، اما اخیراً محققان و مهندسان به مدل های احتمالی علاقه مند شده اند.
نمونه هایی از مدل های زوال احتمالی آنهایی هستند که براساس تئوری قابلیت اطمینان، زنجیره مارکوف و یادگیری ماشین ساخته شده اند. [ ۸] [ ۹] برخلاف مدل های قطعی، یک مدل احتمالی می تواند احتمال را در بر بگیرد. به عنوان مثال، می تواند بگوید که طی پنج سال یک جاده در وضعیت ضعیف قرار خواهد گرفت و احتمال آن ۷۵٪ است و ۲۵٪ احتمال وجود دارد که در یک وضعیت قابل قبول بماند. چنین احتمالی برای توسعه مدل های ارزیابی ریسک بسیار مهم است. [ ۳] اگر به جای عدد حالت یا کلاسی از عملکرد مورد نظر باشد، می توان از مدل های مارکوف و الگوریتم های طبقه بندی آماری استفاده کرد. اما اگر تصمیم گیرندگان به مقدار عددی شاخص های عملکرد علاقه مند باشند، باید از الگوریتم های یادگیری رگرسیونی استفاده کنند. یک محدودیت مدل های مارکوف این است که آنها نمی توانند تاریخچه بهسازی را در نظر بگیرند، [ ۳] [ ۹] مدلهای بدتر شدن براساس یادگیری ماشین این محدودیت را ندارند. علاوه بر این، آنها می توانند متغیرهای دیگری مانند متغیرهای اقلیمی و ترافیک را به عنوان ورودی را بگیرند. [ ۱]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفیک مدل شناخته شده برای نشان دادن احتمال گسیختگی یک زیرساخت منحنی وان حمام نامیده می شود. این منحنی از سه مرحله اصلی ساخته شده است: گسیختگی نارس، گسیختگی مداوم و گسیختگی فرسودگی. در مدیریت دارایی زیرساختها حالت غالب زوال به دلیل پیری، ترافیک و ویژگی های اقلیمی است؛ بنابراین، گسیختگی ناشی از فرسودگی معمولاً بیشترین نگرانی را دارد. [ ۱] [ ۷]
مدل های زوال یا قطعی هستند یا احتمالی. مدل های قطعی نمی توانند احتمالات را در نظر بگیرند. مدل های احتمالی می توانند نه فقط شرایط آینده بلکه احتمال وقوع آن شرایط خاص را پیش بینی کنند. [ ۸]
مدل های قطعی معمولاً ساده تر و قابل فهم تر هستند، اما نمی توانند احتمالات را در بیان کنند. منحنی های زوال که معمولاً تنها بر اساس سن ساخته می شوند، نمونه ای از مدل های زوال قطعی هستند. به طور سنتی، اکثر مدل های مکانیستی و مکانیکی - تجربی با استفاده از رویکردهای قطعی ساخته می شوند، اما اخیراً محققان و مهندسان به مدل های احتمالی علاقه مند شده اند.
نمونه هایی از مدل های زوال احتمالی آنهایی هستند که براساس تئوری قابلیت اطمینان، زنجیره مارکوف و یادگیری ماشین ساخته شده اند. [ ۸] [ ۹] برخلاف مدل های قطعی، یک مدل احتمالی می تواند احتمال را در بر بگیرد. به عنوان مثال، می تواند بگوید که طی پنج سال یک جاده در وضعیت ضعیف قرار خواهد گرفت و احتمال آن ۷۵٪ است و ۲۵٪ احتمال وجود دارد که در یک وضعیت قابل قبول بماند. چنین احتمالی برای توسعه مدل های ارزیابی ریسک بسیار مهم است. [ ۳] اگر به جای عدد حالت یا کلاسی از عملکرد مورد نظر باشد، می توان از مدل های مارکوف و الگوریتم های طبقه بندی آماری استفاده کرد. اما اگر تصمیم گیرندگان به مقدار عددی شاخص های عملکرد علاقه مند باشند، باید از الگوریتم های یادگیری رگرسیونی استفاده کنند. یک محدودیت مدل های مارکوف این است که آنها نمی توانند تاریخچه بهسازی را در نظر بگیرند، [ ۳] [ ۹] مدلهای بدتر شدن براساس یادگیری ماشین این محدودیت را ندارند. علاوه بر این، آنها می توانند متغیرهای دیگری مانند متغیرهای اقلیمی و ترافیک را به عنوان ورودی را بگیرند. [ ۱]
wiki: مدل سازی زوال