非线性动态系统中基于数据驱动的损伤检测的深度学习架构
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
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
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
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
本研究指出深度学习可以为数据驱动的机器健康监测提供有用的工具,在介绍深度学习技术后,主要从自编码器、深度置信网络、卷积神经网络和循环神经网络等方面综述了其在机器健康监测系统中的应用,并讨论了一些新的基于深度学习的方法趋势。
Dec, 2016
使用深度学习方法,通过自编码器 (AE) 和生成对抗网络 (GAN) 实时自动检测古代石碑表面的自然破坏和人为破坏,有效克服现有方法的限制,并在无需大量异常样本的情况下对不可预测的异常进行综合检测。
Aug, 2023
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
该研究综述了利用深度学习(DL)作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣,并通过讨论方法论的进步和探索不同研究主题中的各种 DL 应用,来揭示 DL 在地震工程研究和实践中的机遇和挑战。
May, 2024
该研究论文提出了一种使用物理信息循环神经网络对多自由度 (MDOF) 系统的动态响应进行评估的新方法,重点是评估非线性结构的地震响应,并将预测响应与有限元分析等先进方法进行比较,以评估物理信息循环神经网络模型的有效性。
Aug, 2023