研究设计了一种统计学习框架来预测具有不确定性的加载条件下，疲劳裂纹的增长和构件失效寿命，并通过降维和神经网络等技术处理了疲劳裂纹增长的历史依赖性和非线性问题，通过路径切片和重新加权等技术应对了统计噪声和罕见事件，对疲劳裂纹进行了自更新和自纠正，实时监测结构健康和疲劳寿命预测以支持维修管理决策的数字孪生情景进行了验证。

Sep, 2023

鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集，並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差，補充了後者的系統。最後，通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用，最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。

Sep, 2023

通过机器学习技术优化 2D 和 3D 复合结构，研究断裂韧性和裂纹扩展在双悬臂梁（DCB）试验中的应用，揭示微观结构排列与复合材料宏观性能之间的复杂关系，证明了机器学习作为强大工具在设计优化过程中的潜力，相较于传统有限元分析具有明显优势。研究包含四个不同案例，分别检查 2D 和 3D 复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，研究展示了在复合材料设计中对庞大设计空间进行快速准确探索的能力。研究结果强调了机器学习在有限训练数据下预测机械行为的效率，为复合材料设计和优化的广泛应用铺平了道路。该研究对提高复合材料设计过程中机器学习的效率做出了贡献。

Jun, 2024

铁路裂纹长度传播的预测在材料和结构的维护和安全评估中起着至关重要的作用。近年来，机器学习技术，特别是循环神经网络 (RNNs)，已经成为时间序列预测的有前途的方法。通过收集包括历史裂纹长度测量和可能影响裂纹生长的相关外生因素在内的法国铁路网络的真实数据，该方法首先进行了预处理，以准备一致的学习数据集。然后，设计了适当的贝叶斯多视角循环架构来建模裂纹传播现象。得到的结果表明，多视角模型优于 LSTM 和 GRU 等最先进模型。

Sep, 2023

利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法，用于检测高分辨率钢桥图像中的疲劳裂纹，首先，我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次，我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成，进行裂纹分割研究和报告，并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后，我们引入了一种损失函数，允许在训练过程中使用更多的背景补丁，从而显著降低了误报率。

Mar, 2024

探索计算实验在优化材料结构以获得期望性能方面的应用，并利用多尺度方法研究处理 - 微观结构 - 材料性能的相互作用，开发基于神经网络的方法来减轻预测微观结构演变的计算负担，同时实现更快速且更优的材料优化。

Apr, 2023

该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。

Apr, 2023

通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

Oct, 2023

提出了一种高效的算法，用于在大规模计算机断层扫描（CT）图像中识别裂缝区域，并验证了其在提高裂缝分割效率和减少计算资源需求方面的有效性。

Feb, 2024

本论文采用各种深度学习模型，如 VGG19、ResNet50、Inception V3 和 EfficientNetV2，在表面裂缝检测上进行了精细调整，并通过精确度、召回率和 F1 得分进行了比较。

Jan, 2024