本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

Feb, 2023

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

提出了一种基于结构化条件归一化流和高斯过程回归的新型生成模型，可用于对输入与结构化高维输出进行映射，在物理科学等高维结构复杂领域中，能够准确测量预测的不确定性。该模型使得通过化学组成得出实际光谱的条件成为可能，并可以用于对新观察到的光谱进行化学组成的不确定性量化。

Dec, 2022

提出了一种多层次框架，用于在不同分辨率级别上为碰撞模拟构建多个代理模型，以适应不同的硬件要求和增加的精度。

Feb, 2024

基于物理信息的高斯过程 (GP) 模型应用于结构健康监测数据的机器学习模型，用于热莫什科梁元件的刚度识别、概率预测未观测响应、传感器位置优化以及结构参数提取等领域。

Sep, 2023

本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法，能够为任何基础模型提供准确的不确定性估计，并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型，包括线性回归，ARIMA 和梯度提升中提供更准确的置信区间。

Feb, 2023

通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

Apr, 2024

本文研究了主动学习方法用于在有限计算预算下高效选择训练样本的能力，同时保留与多个代理极限状态相关联的准确性。研究结果表明，可以通过在统一的主动学习方案中依次针对指定的多个限制状态函数来实现有效的均衡的计算预算管理。

Feb, 2023

风力发电场操作者面临的重要挑战是降低运维成本。结构健康监测提供了通过最小化不必要的维护出差以及延长涡轮使用寿命来降低成本的手段。基于人口的结构健康监测可以通过为多个结构（即涡轮）实施一个系统来进一步减少健康监测系统的成本。同时，结构人口内共享的数据可能改善结构行为的预测。为了在人口 / 农场水平监测涡轮性能，一个重要的初始步骤是构建一个描述所有涡轮在正常条件下行为的模型。本文提出了一个能明确捕捉由尾流效应引起的涡轮之间的时空相关性的人口水平模型。所提出的模型是基于高斯过程的空间自回归模型，这里称为 GP-SPARX 模型。这种方法的发展有以下原因：(a) 它反映了我们对尾流效应的物理理解，(b) 它受益于基于随机数据的学习者。通过提供一个案例研究，展示了 GP-SPARX 模型在捕捉时空变化方面的能力，以及它在健康监测系统中的潜在适用性。

Oct, 2023

本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。

Feb, 2022