.png){kind=icon}
返回
A temporal-modal parallel convolutional neural network for vibration-based damage detection in frame structures
.png){kind=icon}
PRE
AI
DOI：10.1177/14759217261467731.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于振动诱导损伤检测的结构健康监测已成为确保框架结构安全性和完整性的重要手段。尽管深度学习技术显著提升了检测性能，但许多现有模型依赖单域输入，因此无法充分捕捉实际工况下结构振动响应的复杂特性。为解决此局限，本研究提出了一种新颖的时域-模态并行卷积神经网络（TM-PCNN）框架，通过整合时域信息与模态特征以增强结构损伤检测。该框架采用双流并行特征提取架构，包含时域卷积网络（TCN）分支用于学习长程时域依赖关系，以及二维卷积神经网络（2D-CNN）分支用于从内积矩阵表示中提取潜在模态特征。通过融合时域与模态特征，TM-PCNN框架实现了更准确和稳健的损伤识别。为验证所提方法，在五层钢结构框架上进行了实验。TM-PCNN模型与内积矩阵-2D-CNN、TCN、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）等代表性基线方法进行了比较。实验结果显示，所提模型达到98.57%的准确率。此外，主成分分析和t分布随机邻域嵌入的特征可视化表明，TM-PCNN学习到紧凑且高度可分离的特征表示。这些结果证实了所提框架为结构健康监测应用提供了有效且具有前景的解决方案。
期刊
S
IF:
5.7
论文数:
2.3K
被引数:
1.1W
机构
引用论文
Classification and regression-based convolutional neural network and long short-term memory configuration for bridge damage identification using long-term monitoring vibration data基于分类和回归的卷积神经网络和长短期记忆配置用于桥梁损伤识别的长期监测振动数据
PREAI
分享收藏Data reconstruction leverages one-dimensional Convolutional Neural Networks (1DCNN) combined with Long Short-Term Memory (LSTM) networks for Structural Health Monitoring (SHM).png)
Measurement
MeasurementIF0
PREAI
分享收藏Structural damage severity classification from time-frequency acceleration data using convolutional neural networksSTRUCTURES
STRUCTURESIF4.3
PREAI
分享收藏Response and input time history dataset and numerical models for a miniaturized 3D shear frame under damaged and undamaged conditions受损和未受损条件下微型3D剪切框架的响应与输入时间历程数据集及数值模型
OAAI
OAAI分享收藏
查看更多内容