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

使用 Transformer 神经网络和自监督预训练技术进行结构健康监测，超过传统方法在异常检测和交通负荷估计等任务上的性能，并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。

Apr, 2024

本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

Oct, 2022

利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

Oct, 2019

使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，该方法结合了可扩展、廉价、无需人工干预、针对每个机械结构定制化的全被动测量技术，具有较标准自动编码器 35% 提前检测和定位损伤的能力，有望显著降低人工干预和检测成本，延长土木基础设施的寿命、可靠性和可持续性。

Feb, 2024

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

本研究旨在探索将边缘人工智能（AI）与结构健康监测领域相结合，例如在实时桥梁检查任务中，将商用的 Google Coral Dev Board 或 Kneron KL520 等边缘 AI 平台应用于决策支持系统，以便在物理现场上执行实时推断，从而进行其准确性、混淆矩阵生成和推理时间的评估。

Apr, 2023

通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

Aug, 2023

使用深度强化学习为无人机提出一种针对有交通的桥梁进行结构健康监测的先进技术，利用两种边缘检测技术对裂缝进行检测和定位，并探讨了边缘检测和卷积神经网络在损伤检测方面的优劣，通过实验评估了该方法的有效性。

Feb, 2024

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