NeuralSI: 非线性动态系统中的结构参数识别
本文提出了一种名为逻辑卷积神经回归器的神经符号模型，通过将卷积神经网络的处理能力与直接将真实逻辑引入模型的互动控制相结合来检测悬臂梁中的损伤，并在实验中证明了该混合方法的优越性。
May, 2023
基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。
Aug, 2023
该研究论文提出了一种使用物理信息循环神经网络对多自由度(MDOF)系统的动态响应进行评估的新方法，重点是评估非线性结构的地震响应，并将预测响应与有限元分析等先进方法进行比较，以评估物理信息循环神经网络模型的有效性。
Aug, 2023
该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法，通过融合卷积和循环结构，以及关注机制的重要集成，该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具，还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。
Aug, 2023
该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。
Feb, 2024
本研究开发了一个基于机器学习的结构设计模型，从逆问题的角度进行研究。通过明确前向、优化和逆向机器学习运算符之间的区别，提出了一种基于最近开发的影响区概念的新方法，相对于传统的结构设计方法，该方法代表了一种基本的转变方式。该方法的目标是构思一个非迭代的结构设计模型，以预测任意系统规模的连续梁系统的截面要求。在生成已知解的数据集后，确定了适当的神经网络架构，并对未见数据进行训练和测试。结果显示截面性能预测的平均绝对百分比测试误差为1.6%，神经网络具有较好的泛化能力，能够良好地适用于变尺寸的结构系统。本研究生成的CBeamXP数据集以及相关的基于Python的神经网络训练脚本已经在开源数据存储库中提供，以便重现结果并鼓励进一步研究。
Mar, 2024
用参数物理信息神经网络参数化地、通过全场位移数据进行本构模型标定所提出的方法，在确定性标定和基于贝叶斯推断的不确定性估计方面均具有高准确性，并且与有限元方法标定的实验证实结果相吻合。
May, 2024
本研究解决了机器学习在结构动态预测中由于测量噪声和建模误差导致的可靠性问题，强调了不确定性意识的重要性。文章通过分类概率方法与非概率方法，对应对不确定性的各种技术进行了综合评审，特别强调了贝叶斯神经网络在性能与潜力上的优势。研究的最大贡献在于识别了研究缺口并建议未来研究方向，为学术界和实践者提供了全面的见解。
Aug, 2024
该研究解决了传统动力系统建模中的不准确性和传感器数据稀疏问题。通过采用物理启发神经网络（PINNs），研究首次将已知物理法则嵌入到神经网络的损失函数中，显著提高了对动态系统的状态和参数的估计。研究结果表明，PINNs在动态系统建模中展现出强大的潜力，特别是在面对不确定性和建模误差时。
Oct, 2024