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

利用物理信息的机器学习模型，以多输出高斯过程的形式，利用欧拉 - 伯努利梁方程制定，可用于回归结构的弯曲刚度的解析值、插值响应以及对潜在物理量进行概率推断。该模型应用于数值模拟悬臂梁上，评估回归的弯曲刚度并研究预测质量中测量噪声的影响。进一步，使用回归的概率刚度分布在结构健康监测中，利用马氏距离推理结构系统中损伤的可能位置和范围。为验证开发的框架，进行了实验并使用测量的异构数据集更新了假设的解析结构模型。

Aug, 2023

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

本文介绍了一种基于傅里叶神经算子的 VINO（Vehicle-bridge Interaction Neural Operator）方法，利用数据驱动的方法实现了车桥交互作用的结构损伤检测和预测，在使用预处理和微调数据集的情况下，VINO 比有限元模型更准确地预测了结构响应，并能够检测和定量化不同的损伤情况。

May, 2023

本文旨在通过多尺度建模和深度学习相结合的方法，建立中等孔隙度密闭铝泡沫的细胞形态与泡沫有效杨氏模量之间的直接联系，并通过模糊等价模型来评估模型预测模量的不确定性，进而简化 FG 多层泡沫结构的评估。

Nov, 2022

提出了一种新颖的两阶段机器学习的代理建模框架，用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理，提供了一种多功能且高效的方法，可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用，结果证实了我们提出的框架的优越性，因为它始终产生更可靠的解决方案。因此，引入的框架为促进机器学习的代理模型在实际应用中的相互作用提供了独特的视角。

Jan, 2024

建筑物的结构设计过程耗时而且繁琐。本文提出了一种使用基于图的管道结构，通过深度学习训练和预训练的不同 iable 结构模拟器，学习建议优化的方案，减少建筑重量和碳足迹。实验结果表明，该方法的建筑结构性能与遗传算法（GA）优化的结构性能相当，同时满足所有约束条件。

Mar, 2020

尝试使用卷积神经网络实现平面杆结构的运动学分析。通过 3dsMax 动画软件和 OpenCV 模块，构建了几何稳定系统和几何不稳定系统的图像数据集。基于 TensorFlow 和 Keras 深度学习平台框架，构建和训练了卷积神经网络模型。模型在训练集、验证集和测试集上均达到了 100% 的准确率。附加测试集上的准确率为 93.7%，显示出卷积神经网络能够学习和掌握结构力学运动学分析相关知识。通过多样化数据集，未来可以提高模型的泛化能力，有潜力在复杂结构领域超越人类专家。卷积神经网络在结构力学运动学分析领域具有一定的实际价值。利用可视化技术，揭示了卷积神经网络学习和识别结构特征的过程。使用预训练的 VGG16 模型进行特征提取和微调后，发现其泛化能力不如自建模型。

May, 2024

基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

Jun, 2024

本文提出，使用神经网络所引入的函数隐式偏置以改善结构优化的参数化，通过优化神经网络参数来代替在网格上直接优化密度，使得优化结果更为理想，在 116 个结构优化任务中，我们的方法比最佳基线方法更为有效。

Sep, 2019