國家地震工程研究中心台南實驗室在2017年8月以一座一樓挑高且具非韌性配筋柱構件之三層樓RC試體構架，進行一系列的構件實驗及振動台試驗，邀請國內結構設計單位及專家學者共同針對此一RC試體構架進行分析模擬，其中針對如何使用適切的分析元素與模型以有效模擬其勁度、強度、破壞模式及非線性行為設定方式等詳加研討，希望可促進既有RC建物耐震評估程序及補強工法的研發與精進，並就建築物及相關構件行為之分析模擬技術與實務需求進行研討交流，期望能提供研討成果及技術給工程界參考，期以提昇國內結構設計與分析技術之水準。

台灣地形破碎，跨河橋梁眾多，加上地處熱帶、亞熱帶氣候交界，受經常性颱風侵襲，降雨強度大，且本島地理山高谷深，河川坡陡流急，因此跨河橋梁基礎普遍存在沖刷問題。無論國內外，橋梁損傷主因之一皆指向基礎沖刷，而橋梁基礎埋置深度是影響橋梁結構穩定性之重要指標，是目前計算基礎安全性不可或缺的參數，故發展出一套可即時掌握橋梁基礎剩餘埋置深度之方法，進而可準確的推算橋梁安全係數，供相關橋梁權責管理單位進行災前應變乃為當務之急。 本研究提出以橋梁微振動訊號作為識別橋梁埋置深度之方法，首先透過靜力試驗簡化沖刷問題，得知埋置深度是掌控結構主要頻率之主控因子，且其關係可以二次曲線表示，並以有限元素模型驗證實驗趨勢，而後以短時傅立葉轉換作為即時結構頻率擷取工具，再以埋置深度與頻率之關係式將頻率轉換成埋置深度，結合環境因子資料收集，輔以碎形理論作為結構穩定性判別，最後以埋置深度計算安全係數，以碎形理論計算安全指標，判定橋梁安全性。 為證實本研究方法之可行性與精確性，於實驗室進行縮尺橋梁沖刷試驗，藉由縮尺橋墩內之攝影機紀錄即時沖刷深度，驗證以微振訊號推算出之剩餘埋置深度。經一系列試驗結果可證實此研究方法可有效預測埋置深度之變化，環境因子之監測有助於釐清因沖刷以外造成橋梁頻率變化之因素。此方法對橋梁結構健康診斷有相當助益，可在災害發生前提出預警，減少生命財產之損失。

臺灣因其特殊之地理位置與地形特性，使得橋梁結構飽受地震洪水等多重災害之威脅，鑒於橋梁因河水之沖刷行為所潛藏之危險經常是在毫無預警的情況下發生，故本研究將研究主軸著重在探討橋梁沖刷效應對橋梁結構本體之影響。此外，藉助碎形理論於處理不規則事物或微小變動時所表現之長處，本研究利用碎形理論中的碎形維度Ds與高度尺寸常數G兩參數進行橋梁沖刷監測研究，分別利用於南勢角水工試驗場所進行的單柱放水與全橋放水實驗，對沖刷振動反應資料進行分析。 在單柱放水實驗中，本研究首先發現Ds值隨著橋柱沖刷之嚴重程度逐漸下降，其趨勢與橋柱基礎之振動主頻相仿；另一方面 G值則隨著與訊號之振動幅度呈現正相關，可作為即時判定水流速度與衝擊力道之重要依據。為進一步驗證此一推論，本研究更將探討之面向擴展至全橋放水實驗(多柱系統)，透過同時監測多個感測器與橋柱基礎，更精確地掌握全橋之沖刷深度歷時變化。 除此之外，有別於傳統之結構健康診斷(Structural Health Monitoring, SHM)僅單純考慮結構模態的變化，本研究更以碎形理論為基礎提出了一評估橋梁承受沖刷是否存在危險之安全指標，透過計算該安全指標，將可更精確的反映出水流衝擊與流固耦和效應。為了進一步即時地掌握橋柱基礎沖刷之狀態，並解決傳統橋梁結構安全檢測時常受限於現地量測方式和儀器使用限制之此一問題，本研究亦提出了一適用於橋柱基礎覆土深度變化的預測公式，藉由僅分析橋梁上部結構所擷取到之振動訊號，來評估橋柱基礎下方實際之沖刷狀況，並以實驗資料驗證所提出之預測公式，來解決一般透過直接量測橋梁下部振動反應訊號以反映實際狀況，所可能遭遇到之系統或儀器損壞問題，使橋梁即時預警系統之監測技術能有更進一步的發展與突破。

由於近代電子科技的進步以及工程師逐漸重視結構物老化的問題，促進了結構健康診斷(Structural Health Monitoring)的發展，取代例行檢查的方式，以即時、長時的監控方式，檢測結構物的安全性，當結構物出現損壞的徵兆，可及時補強與修復，甚在更危急的狀況可發出警報進行人群的疏散，將人民的生命財產降到最低。 而橋梁對於人類的生活、經濟、活動的需要而言相當地重要，一旦橋梁毀壞勢必對人類的影響很大，即時監控的橋梁監測技術隨之而生。而本研究試將結構健康診斷技術與橋梁沖刷深度監測進行整合，分析不同沖刷深度下的橋梁振動反應，以「AR-ARX結構物特徵時間序列(AR-ARX Expression Array)」與「貝式邏輯分類演算法(Naive Bayes Algorithm)」進行橋梁沖刷深度的分析。 研究初期分別進行軟體與硬體的認識與應用，探討AR-ARX結構物特徵時間序列與貝式邏輯分類演算法，並用於橋梁沖刷深度監測的初步驗證，以及微機電計算器與感測器等之相關技術。 在對硬體方面有初步認識後，研究中期為進行機動式結構健康診斷模組的開發，修正原有之雛型機問題、進行資料擷取與儲存的開發以及監測介面的設計，並將AR-ARX結構物特徵時間序列與貝式邏輯分類演算法植入此系統中，可用於現地的即時量測分析。 研究後期則是將已開發完成之機動式結構健康診斷模組實際應用於橋梁沖刷實驗上，藉由此實驗可驗證此模組可即時分析並得到正確的橋梁沖刷深度分類結果，以得到橋梁的沖刷深度。

　　近年來，世界各國相繼發生土木建築因老化等因素造成不可預期崩塌或損毀，而結構工程師除了持續在結構物的強度與功能上持續研究外，也逐漸重視結構物健康診斷之重要性。結構健康診斷 (Structural Health Monitoring) 隨著資訊科技日新月異，當今的技術在感測器、資料擷取系統以及資料傳輸與儲存系統上，已提供了完整的支援，然而在資料診斷與分類系統上，像是系統辨識、結構模型更新、結構狀況評估、剩餘使用壽命預測，卻仍處於開創與實驗之瓶頸。 　　本研究之研究基礎為結構物健康診斷系統，以民國九十八年九月於國家實驗室地震工程研究中心（NCREE）執行之八層樓鋼結構實驗構架為例，藉由鬆脫部分樓層螺栓模擬十九組結構發生破壞損傷情況，並且建立夜間微震試驗結構動力反應資料庫，作為本結構物健康診斷邏輯理論驗證之資料庫，並應用在結構健康狀態特徵序列(AR-ARX Expression Array)的建立上。 　　本研究於一開始先介紹分子生物科技當中用來統計分類與機器學習(Machine Learning) 的分類模型，包括Bayesian Classification機器學習分類演算模型在分生科技上的應用，接著再導入結構健康檢測的研究中，而本研究則採貝氏診斷邏輯法做為應用。 　研究後期整合來自生物領域與資訊科技之先進技術來開發結構物健康診斷系統之雛形機。並利用國家地震中心震動台之八層樓縮尺鋼結構實驗為測試樣本，利用CompactRIO與Labview的結合以及GPRS之技術，整合軟體以及硬體，並製作出新一套的機動型結構物健康診斷雛形機，且實際於八層樓縮尺鋼結構作測試，提供未來各種控制系統一個應用與比較的平台。

地震對台灣的影響很大，近年政府為了強化地震的觀測與紀錄，協同中央氣象局、地震測報中心與中央研究院建立全台的地震觀測網，積極觀測、記錄與研究台灣所發生的地震。但是單純觀測地震的發生對降低地震災害並沒有多大的實質幫助，所以地震的即時預報、快速推估與警戒對於台灣而言是非常重要的課題。 國家地震工程研究中心自民國79年創立以來，一直致力於地震災損評估、建物耐震設計、橋梁減震分析…等相關領域之研究。地震即時警報系統希望運用近端測站所紀錄之短時P波資料和即時預報技術，並藉由國家地震工程研究中心歷年發展之結構物受震反應快速推估技術，在地震來襲時對地震影響範圍內的群眾提供預警，且預報可能受到損傷的建物，讓地震影響範圍內之居民能透過地震即時警報系統採取正確的應變措施以有效的減少傷亡、降低災害。 然而，如何推估大型結構物遭受地震後之反應一直以來都是工程師最關切的問題。地震為偶發性事件，歷時短而形式上無常理可尋且無法預測，因此準確的推估結構物受震反應是非常具挑戰性的目標。因此地震即時警報系統為了發展結構物受震反應快速推估技術，必須建立地震相關資料與結構物受震反應相關資料之資料庫，此資料庫可以提供各種快速反應分析方法的發展與驗證。結構物受震反應資料庫整合了歷年台灣的地震資料及特定結構物受震反應資料，因為真實結構物受震反應資料稀少，結構物受震反應資料庫更結合目標結構物的有限元素模型和依據此模型產生的大量結構物受震反應資料。此資料庫搭配各種快速反應分析方法，預料能在地震發生時快速且準確的推估結構物受震反應。

過去的結構物健康診斷方法，須耗費許多時間與人力進行診斷結果分析與判斷，無法達到地震過後即時診斷，且診斷結果並不是非常準確。本研究主要目的，著眼於為未來開發出新一代結構健康診斷系統，驗證本研究之結構健康診斷系統理論方法初步的可行性。 本研究開發雙模結構健康診斷系統，其診斷分為四大部分；四大部分依序為建立結構動力反應資料庫、建立結構基因特徵序列資料庫、以結構基因特徵序列建立分類資料庫，以及利用分類資料庫進行分類並建立診斷系統；雙模診斷系統即為強震模式與微振動模式。 本研究之結構健康診斷系統，以統計理論的機率運算為基礎，將結構物動力反應轉換成具有代表性之結構物特徵序列，免除需大量人力與時間投入分析與判斷的缺點；且本研究所發展之強震模式，期望未來能應用於地震發生過後之即時診斷系統。 本研究之實驗資料庫建立，為民國九十八年九月在國家地震工程研究中心(NCREE)，設置八層樓之鋼結構實驗構架，利用鬆脫部分螺栓以模擬結構物發生之破壞損傷狀況，進行地震歷時輸入試驗與環境擾動微振動試驗，建立雙模結構動力反應資料庫，並將此資料庫更進一步轉換為各自之結構基因特徵序列。 在分類資料庫建立與分類診斷系統之研究中，本研究將結構基因特徵序列進行系統識別，使系統能分類出結構物之破壞模式。本研究利用兩種分類方法，分別是貝氏邏輯診斷發展出的貝氏分類法，以及向量支持機所發展之支持向量分類法。無論是強震模式還是微振動模式，皆應用了兩種分類方法來建立分類資料庫。碎形分類目前仍在研究中。 最後應用兩階段聯集診斷概念於本研究之結構健康診斷系統中，期望能有效提升本研究方法之準確性。

有別於傳統的結構物健康診斷方法，皆須耗費許多時間與人力進行診斷結果分析與判斷。本研究主要目的，著眼於為未來開發的新一代結構物健康診斷方法，進行診斷理論方法初步的可行性驗證。以期本研究能成功適用於實際結構物健康診斷中，並以統計理論的機率運算為基礎簡易呈現最有可能之結構物破壞類別，免除需大量人力與時間投入分析與判斷。本研究乃是以結構物日常條件下微震動反應的量測紀錄為診斷原始資料，同時採用AR-ARX自迴歸時間序列作為結構物破壞情狀表徵之『結構物特徵時間序列』，運算理論則是引進生物資訊領域中應用於診斷細胞癌症基因的『貝氏分類診斷邏輯方法』作為結構物破壞類別的分類工具。 『貝氏分類診斷邏輯方法』即所謂圖像識別概念之結構物健康診斷方法，藉由瞭解已知結構物破壞情況的資料樣本係數機率密度分佈函數模型，推斷當前處於未知破壞情況條件下量測的結構物動力反應記錄最有可能的損傷程度。本研究診斷系統的理論驗證方法，以重複樣本空間與非重複樣本空間兩種比對手段，前者由於比對與被比對樣本空間是完全相同，故可作為檢驗『結構物特徵時間序列』在不同的破壞種類是否具差異性，亦即序列資料對該破壞情況具代表性；後者由於比對與被比對樣本空間是完全相異，故可模擬本研究結構健康診斷方法於實際應用上的診斷情況。而驗證步驟，則是最初以有限元素程式模擬結構物發生破壞的情況，再輸出分析得到的結構數值反應資料進行健康診斷分析。緊接著，著手進行結構物夜間微震動與震動台實驗，以真實量測得到的結構反應資料再次進行健康診斷分析，藉此瞭解現實環境中雜訊或其他不可預期因素對本研究理論方法診斷結果的影響程度。最後階段則是以貝氏分類法的最佳化理論，輔以兩階段聯集每一筆資料的診斷結果，藉以提升本研究方法的診斷準確性。

近年來，世界各國相繼發生土木建築因老化等因素造成不可預期崩塌或損毀，而結構工程師除了持續在結構物的強度與功能上持續研究外，也逐漸重視結構物健康診斷之重要性。結構健康診斷 (Structural Health Monitoring) 隨著資訊科技日新月異，當今的技術在感測器、資料擷取系統以及資料傳輸與儲存系統上，已提供了完整的支援，然而在資料診斷與分類系統上，像是系統辨識、結構模型更新、結構狀況評估、剩餘使用壽命預測，卻仍處於開創與實驗之瓶頸。 本研究之研究基礎為，以民國九十七年九月於國家實驗室地震工程研究中心（NCREE）執行之六層樓鋼結構實驗構架為例，以鬆脫部分樓層螺栓模擬十三組結構發生破壞損傷情況，以地震歷時輸入試驗與夜間微震試驗共兩種結構動力反應資料庫，作為本結構物健康診斷邏輯理論驗證之資料庫，並應用在結構健康狀態特徵序列(AR-ARX Expression Array)的建立上。 本研究於一開始先介紹分子生物科技當中用來統計分類與機器學習(Machine Learning) 的分類模型，包括Bayesian Classification以及 Support Vector Machine等機器學習分類演算模型在分生科技上的應用，接著再導入結構健康檢測的研究中，而本研究則採貝氏診斷邏輯法做為應用。 延續貝氏診斷邏輯法的研究之後，下一階段為最佳化結構健康狀態特徵序列。由於每列序列對於貝氏診斷邏輯法的分類影響力相同，但些許序列並無法表徵出結構特徵序列之特徵，反而有可能擾亂最後之正確分類結果，而本研究之最佳化採Likelihood Selection對結構特徵序列進行挑選最佳序列之動作。最佳化研究中將AR-ARX係數為50-40-20，共110序列之AR-ARX Array進行Likelihood Selection最佳化，因而將原本資料指示性不高的序列排除，重新排列新的AR-ARX Array，使得貝氏診斷邏輯法分類的結果更加明確，並提高精確度，總體上約增加了5%~15%的準確性。

台灣地區位於亞太平洋地震帶上，介於歐亞大陸板塊與菲律賓板塊之交界處，因板塊運動而致使地震發生頻繁，據1901-2006年由中央氣象局統計的地震資料顯示，有97次的地震災害形成財產損失，有52次的地震災害導致人員傷亡，而1999年所發生的921集集大地震更對社會經濟、人民生命安全造成極大的傷亡，然以現今的科學技術而言，地震仍無法進行事前預估而先行避難，需藉由地震觀測網和歷史地震資料與當地的地質條件判定可能存在的危險區以先行規劃地震災害避難措施。 中央氣象局有鑑於台灣因其獨特之地理位置易受地震災害侵擾，於全台廣佈測站監測地震活動，理論上可透過地震之P波與S波的速度差先行規劃地震災害避難措施而減少災害損失並提高人民之生存率，但傳統的地震監測技術需透過地震觀測網之數個測站觀測資料聯合運算以得出地震震源位置、地震規模等相關數據，然此機制後端之運算主機需接收各測站的監測數據經彙整分析後方可得上述參數，對於離震央30公里內者無法提供事前預警，故國家地震工程研究中心將發展強震預警系統以彌補此塊缺失。 強震預警系統將以體波震源參數法(方案：I-A)、類神經網路分析-地震參數推估(方案：I-B)、結構物受震反應公式推演(方案：II-A)、利用境況模擬技術預估結構物反應(方案：II-B)以及類神經網路分析-結構物受震反應(方案：II-C)等五種研究方式依照其各自之研發時間需求而進行相關政策推廣，在物理模型方面，研究者以體波震源參數分析法結合程式開發整合至地震觀測測站運算核心，令測站能於收到P波資料之3秒內推估後續S波之主要頻率、地震規模與震度，並交由後續之結構物受震反應分析模組推算警戒區域內之建物安全性以決定相應之避難行動，又地震與結構物間本身為高度非線性相關，本計畫將以人工智慧中的類神經網路分析模式進行地震參數推估與結構物受震反應計算之研究，希能透過這些研究方法提高近震央端之地震預警可行性，進而保障人民生命財產安全，達到減災防治之成效。

近年來人工智慧蓬勃發展，例如：類神經網路、模糊理論以及基因演算法。其中基因演算法是由進化論中所提出的「物競天擇，適者生存」之觀念發展而來，近年來已廣泛應用在各個領域上，也包含應用在控制領域。 有鑑於基因演算法在最佳化領域之獨特優點，本研究將其應用於結構主動控制理論，利用基因演算法作為最佳化之工具，來搜尋計算控制力所需的回饋增益矩陣，以降低結構在地震作用下所產生的反應；並且改變一般主動控制之回饋資料，改善主動控制系統之裝置設備，進行試驗研究來驗證理論之可行性，使主動控制系統更適於實際工程應用。

921 集集地震之勘災調查顯示，中低樓層的鋼筋混凝土或加強磚造結構物遭受了極大的損害。其損壞之主要原因除施工品質普遍不佳外，大致為牆量不足或牆之配置不當等。這些建築通常未作結構設計，未提供韌性鋼筋配置，且通常於柱頭處搭接。近年於國家地震工程研究中心所完成及其他研究單位之實驗結果顯示，非韌性配筋及柱頭處搭接將無法達到其設計強度且將造成脆性之破壞。故在未來之地震威脅下，中低樓層鋼筋混凝土建築物仍是一群岌岌可危的結構。 本講習會就上述目的首先將針對非韌性RC 含牆構架的特性進行說明，包括地震對非韌性含牆構架所造成的損害和常見構架破壞模式，進而利用數值模擬、分析模型及耐震評估方法來解析含牆構架的行為及破壞模式。接著，根據評估結果及破壞模式，提出可行補強方案，經過實驗測試，確實可以產生良好耐震效果來補強構架不足之處，補強方式有：擴柱；鋼框架；翼牆；鋼纜和碳纖維貼片；條狀碳纖板；及鋼板和碳纖維貼片等補強方式並提出設計方法供業界參考。希望本講習會所介紹之研究成果可用以改善這些年代較為久遠且耐震能力不足的建物，提昇對人民安全及財產的保障。

本論文研究的主旨乃在於提出一套簡寫為NEURO-FBG 之智慧型結構控制系統。 針對此一控制系統之理論分析與實際驗證均在本論文中詳加討。在理論分析的部分， 智慧型結構控制系統乃由兩個部分所構成， 分別是NEURO-FBG CONVERTER 與 NEURO-FBG CONTROLLER。 光纖光柵感測器（FBG SENSOR）為一源自光電領域的被動元件。由於光纖光柵感測器可提供精確、靈敏且及時的量測訊號，在與傳統之感測器比較下具有極大的優勢，因此在本研究中於結構物上安裝六組光纖光柵感測器以作為整體智慧型結構控制系統的神經單元。 以往光纖光柵感測器只能被應用於單純的應變或溫度量測，為了能夠進一步擴大光纖光柵感測器的應用範圍，本研究利用類神經網路提出三組NEURO-FBG CONVERTER 以將局部的應變訊號轉換為諸如位移、速度之結構物的整體反應。藉由所建立的NEURO-FBG CONVERTER 搭配預先設計的控制目標， 針對任一時間的最佳控制力可被搜索並作為訓練NEURO-FBG CONTROLLER 之依據。為了證實所提出的智慧型結構控制系統之效能，理論分析的部分將結構物在未控制、傳統主動控制（LQG）及 EURO-FBG 控制下的反應均做了完整的比較，另外針對控制系統在時間延遲與訊號損毀的情況下也均加以測試。理論分析的結果顯示出所提出的EURO-FBG 控制系統能有效的評估結構物的能量場並提供較傳統主動控制更有效的控制行為。 為了進一步證實此一智慧型結構控制系統於實際應用之可行性，本研究更進一步利用國家地震中心的三層樓實尺鋼結構進行實驗。針對真實結構物建立其NEURO CONVERTER 與NEURO-FBG CONTROLLER ，同樣的實驗的結果亦與傳統主動控制進行比較。實驗的結果再一次的證實了此一新提出的NEURO-FBG 智慧型結構控制系統可以有效的控制結構物在外界擾動下的反應並提供一完善的保護措施。

本文延續國科會之「光纖光柵感測器類神經網路智慧型結構之應用」第二年度計畫；並由上一年度，林子剛博士所著之「光纖光柵感測器之類神經網路結構控制研究」[37]之成果，其所提出的控制方法中，事先建立類神經光纖光柵感測轉換器（Neuro-FBG converters [37] ）來重建與預估結構物之狀態，若應用於實際結構物需透過強迫震動或自由振盪試結果，進行訓練Neuro-FBG converters。但就類神經網路的預測與學習效果屬內插性質，因此，無法預測與重建高於訓練強度下之結構狀態，若直接提高外力擾動，則有使結構物受損之虞，這使得該方法可能在實際應用將遭受困難。 為解決上述問題，遂於本文提出一簡化可行之改進方法，以一相對位移-應變關係係數來描述位移及應變間之關係來直接預測結構反應，並藉由所預測之位移及速度反應，搭配預先設計之控制目標，搜索最佳控制力並作為訓練類神經網路控制器﹙Neuro-FBG controller﹚之依據。使得整體類神經網路的訓練僅於計算機上作業即可，並可輸入多種地震作為訓練樣本，使整體設計過程單純化，並將問題簡化為系統識別所得之動力參數是否能有效描述結構行為而已。並依本文所提之控制方法，另行設計一縮尺模型，做單軸向主動控制試驗以驗證其可行性。在理論分析及試驗部分，也分別考慮對不同動力參數、訓練樣本總數與輸入參數做一完整比較，提供於實際設計之最佳建議。配合整體的類神經網路結構，針對本文所提之類神經主動控制系統，可藉由小地震的發生，不斷的經由自身系統識別修正結構參數，再經由新的參數訓練Neuro-FBG controller，如此不斷的自我學習，以使智能結構保持最佳狀態。

本文藉研究團隊歷年於光纖光柵感測器應用在結構監測的經驗，由實際監測工程案例驗證光纖應變感測系統之可行性，及相較傳統電阻式應變感測系統，光纖感測器更適合作為結構監測系統元件之證明。並以光纖應變感測技術為基礎，藉由設計適當量測機制，以光纖布拉格光柵中心反射波長飄移，相應感測受力元件特定點應變變化，感測結構傾斜及沖刷深度變化，研發光纖傾斜儀及光纖沖刷計，均由相關試驗驗證感測機制可行，並獲致具體之初步研究成果。最後導入橋梁光纖監測系統之建構理念，預期將各式符合橋梁監測項目需求的光纖感測器，搭配未來完善的光纖通訊網路，整合為完整的橋梁監測系統。 而目前國內尚缺監測系統設備相關檢測機構以及感測技術標準規範，作為監測技術本土研發潛力之後盾，因此仍有賴政府致力於提升國內中小企業活力、促進資訊科技發展、防災工程專業化及公共預算投入的政策來支持。環顧國內現有工程生態的困境，多數已超脫工程技術性問題，但展望土木工程領域與新世紀科技的結合已然成為未來突破困境的方式，本研究驗證光纖感測技術為可行方向之一，期待能藉由研究成果提供後進研發新式感測技術之參考，日後能建構更穩定、更可靠且符合經濟成本效益之橋梁結構監測系統，完成新世紀橋梁安全管理體制之政策目標。