结构健康监测的基础模型
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
这项研究引入了一种创新的卷积神经网络算法来检测结构损伤,通过从时间序列数据中提取深度空间特征,并利用长期时间连接教授卷积神经网络识别时空特征,结合两类时间序列数据(完好和损坏)的方法验证了其有效性,并证明该新的卷积神经网络算法在检测结构退化方面非常准确。
Nov, 2023
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
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
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
提出了一个基于期望信息传递价值的决策框架,通过优化信息传递策略,避免负面影响,以降低运营成本并提高安全性,以解决结构健康监测系统中标记训练数据有限的问题。
Jul, 2023
该论文提出了一种使用 POMDP 模型进行基础设施维护规划的方法,通过使用 MCMC 采样来从实际监控数据中直接估计模型参数并解决模型不确定性问题,最终成功地应用于铁路轨道资产的维护规划。
Dec, 2022
这篇论文介绍了一种基于仿真结构群体的传输策略决策过程,用于解决结构健康监测中的分类问题,并支持领域适应,通过计算信息传输的预期价值来预测目标领域的分类性能。
Nov, 2023