چکیده: . هدف از پایش سلامت سازه، ارائه‌ی گزارشی از وضعیت مصالح سازه، اعضای سازه و در نهایت مجموعه‌ی اعضا در کنار هم به عنوان یک مجموعه هماهنگ، در طول چرخه عمرمفید سازه می‌باشد. اتفاقاتی مانند اثر محیط بر سازه و یا حوادث اتفاقی (مانند زلزله) می توانند وضعیت سازه و رفتار استاتیکی و یا دینامیکی آن را تغییر دهند. این تغییرات در رفتار سازه می تواند در پارامتر های مشخصی از سازه تاثیر گذاشته و باعث تغییر آنها گردد. نظارت بر سلامت یک سازه اطلاعات مفیدی در مورد قابلیت سرویس دهی یکپارچگی و ایمنی سازه ها ارائه می دهد. بنابراین حفظ عملکرد مداوم یک سازه بستگی به نظارت بر وقوع و انتشار آسیب دارد. روش های نظارت و شناسایی متعددی برای ارائه ابزارهای عملی برای تشخیص زودهنگام آسیب های سازه ای یا هر نوع آسیب ایجاد شده اند. همچنین تلاش قابل توجهی برای توسعه روشهای مبتنی بر ارتعاش انجام شده است که از پاسخ ارتعاشی سازه نظارت شده برای ارزیابی وضعیت آن و شناسایی آسیب سازه استفاده می کنند. در همین حال با ظهور فناوری سنجش و قدرت محاسباتی در دهه گذشته الگوریتم های یادگیری ماشین و به ویژه یادگیری عمیق عملی تر شده و به طور گسترده در تشخیص آسیب های سازه مبتنی بر ارتعاش استفاده می شود. این پایان نامه ساختارهایی از شبکه عصبی پیچشی یک بعدی را پیشنهاد می کند که قادر است تغییرات کوچک در سختی و جرم را به عنوان آسیب در سازه تشخیص دهد. در این پایان نامه با استفاده از داده های آزمایشگاهی که در تحقیقات گذشته آمده است، ساختار پیشنهادی مورد بررسی قرار گرفت. در این ساختار بعد از لایه ورودی یک لایه پیچشی اضافه شده است که ازین نظر با مطالعات پیشین متفاوت است. با این تغییر در ساختار مطالعات موردی مربوط به دو سازه معیار پل چوبی و قاب سه طبقه دقت مدل افزایش یافته و شبکه قادر به پیش بینی حالت های سازه ای خواهد بود. داده های ورودی این شبکه داده های شتاب هستند که از حسگرهای نصب شده بر روی سازه استخراج شده اند. همچنین داده های شتاب پیش پردازش نشده و به صورت مستقیم به عنوان داده های آموزشی و اعتبار سنجی استفاده می شوند. شبکه عصبی مورد بحث بعد از آموزش، مکانهای تغییرات محلی کوچک در جرم و سختی سازه را شناسایی می کند که نشان دهنده حساسیت بالای شبکه پیشنهادی نسبت به تغییرات سازه ای کوچک می باشد.