با افزایش کاربرد تیرهای فولادی در سازه‌های عمرانی، تشخیص زود هنگام خرابی موضعی آنها برای ایمنی و دوام سازه ضروری است. روش‌های هوشمند و داده ‌محور در سال‌های اخیر به‌ دلیل سرعت و دقت بالا، جایگزین روش‌های سنتی و پرهزینه‌ی غیر مخرب شده‌اند. در این پژوهش، روشی سریع، ساده و کارا برای شناسایی خرابی در تیرهای فولادی ارائه شده است که از الگوریتم یادگیری سریع ELM و نسخه بهینه‌ شده آن با الگوریتم PSO استفاده می‌کند. تعداد 200 داده‌ شامل دامنه جابجایی، عمق ترک و نسبت فرکانس طبیعی جمع‌ آوری و با روش بالانس داده (Oversampling) متعادل ‌سازی شده‌اند. برای افزایش دقت، ویژگی‌های ترکیبی جدیدی از متغیرهای اصلی استخراج شدند. نتایج نشان می‌دهد که مدل پایه‌ی یادگیری سریع(ELM) با ۱۰۰ نورون، دقت ۴۰٪ دارد؛ اما نسخه بهینه ‌شده آن با PSO تنها با ۱۰ نورون، دقت را به ۶۱.۷٪ افزایش می‌دهد. پس از متعادل‌ سازی داده‌ها، دقت کمی کاهش یافت که به دلیل تنوع بالاتر در داده‌های کم‌ تعداد (خراب) است. همچنین، استفاده از شبکه عصبی چند لایه و ترکیب دو مدل (با روش رأی ‌گیری بین خروجی‌ها) باعث ارتقای دقت تا ۵۵٪ شد. این یافته‌ها بیانگر تأثیر مثبت بهینه‌ سازی پارامتری و ترکیب مدل‌ها در بهبود عملکرد تشخیص خرابی است.