در بین روش¬های مختلف برای تشخیص خرابی در سازه¬ها، به خصوص سازه های پیوسته، می¬توان به کاراترین و جدیدترین آنها به نام x-letها اشاره کرد. x-letها با پردازش روی داده¬های ناشی از تحلیل و ایجاد ارتباط بین این داده¬ها در سازه سالم و سازه خراب محل خرابی را تشخیص می¬دهند. از مهمترین x-letها می¬توان به تبدیل wevelet اشاره نمود. بدلیل ضعف این تبدیل در شناسایی ترک¬های غیر مستقیم و همچنین نزدیک تکیه¬گاه، ارجح است از تبدیل قوی¬تری به نام تبدیل curvelet استفاده کرد. این تبدیل بدلیل ماهیت و ویژگی¬های بارز خود در محیط¬های دو بعدی پیوسته مثل صفحات، کارایی و دقت آن از جهات مختلف مثل تشخیص ترک¬های غیر مستقیم و همچنین قدرت پردازش آن در نواحی نزدیک تکیه¬گاه¬ها بسیار خوب بوده و روش مناسبی برای عیب¬یابی می¬باشد. اما این تبدیل با یک مشکل عمده روبرو است و آن، مقیاس¬های (سطوح تجزیه ) این تبدیل می¬باشد. سطح تجزیه اول، تصویر و موقعیت و مشخصات کلی از خرابی و ترک را نشان می¬دهد ولی از نشان دادن جهت و عرض وحتی شکل دقیق آن عاجز است ولی به عنوان مقیاس بارز این تبدیل می¬باشد. این در حالیست که سایر سطوح با اینکه دقیق¬تر و دارای اطلاعات بسیار زیادتر نسبت به مقیاس اول هستند، بدلیل وجود خطا و نویز در داده¬های حاصل از تحلیل سازه، بعضا قادر به نمایاندن توانایی کامل خود در پردازش تصویر، موقعیت و مشخصات ترک به درستی نمی¬باشند. در این تحقیق، محل ترک¬ها در صفحات خمشی با استفاده از پاسخ¬های تحلیل مودال وتحلیل تنش استاتیکی فون میسز تشخیص داده می¬شود. علاوه بر آن، برای حذف نویز و خطا از پاسخ¬های تحلیل سازه، از الگوریتم-های هوش مصنوعی استفاده می¬شود. الگوریتم مورد استفاده، شبکه عصبی تابع بنیادی شعاعی بوده که با آموزش صحیح آن، نویزها و خطاها تا حد زیادی از داده¬ها حذف شده¬اند. بطوری که بعد از استفاده از این داده¬ها در تبدیل curvelet، امکان استفاده از سطوح تجزیه بالاتر فراهم گشته و منجر به قابلیت بالا برای تشخیص دقیق¬تر جهت، شکل و عرض ترک در حالت¬های مختلف و شدت¬های مختلف خرابی در نواحی نزدیک و دور تکیه¬گاه شده است.