.png){kind=icon}
返回
A time-interval–based incremental learning paradigm for progressive bridge damage detection using convolutional autoencoders
.png){kind=icon}
PRE
AI
DOI：10.1080/15732479.2026.2633524.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效的损伤检测对于结构健康监测（SHM）系统中的可靠桥梁维护至关重要。传统数据驱动方法通常局限于二元异常检测，限制了其捕捉实践中渐进式损伤的能力。为解决此限制，本研究引入了一种基于时间间隔的增量学习范式，采用卷积自编码器（CAE）进行无监督损伤检测。该范式在固定监测间隔（ΔT）内定期更新基准分布并重新校准决策阈值，从而在监测数据累积过程中实现自适应跟踪分阶段损伤。在韩国一座PSC-I桥梁上进行了全尺度现场试验，通过逐次切断外部预应力筋模拟渐进式预应力筋损伤。收集加速度和应变数据，在反映不同SHM运营阶段的两种部署场景下训练和评估CAE。基于应变的CAE实现了超过97.5%的检测准确率，误报率为0.0%，证明了其对多个渐进式损伤阶段的有效识别。这些发现突显了所提出范式的创新性和实用性，其超越了传统的二元框架。该方法为智能、数据驱动的维护策略奠定了基础，可在实际条件下支持韧性及长期基础设施管理。
Keyword:
Bridge maintenance
convolutional autoencoder
damage detection
field experiment
progressive damage
structural health monitoring
期刊
IF:
2.6
论文数:
486
被引数:
5.3K
机构
引用论文
.png){kind=icon}
分享收藏Field experiment on a PSC-I bridge for convolutional autoencoder-based damage detection用于基于卷积自动编码器的损伤检测的psc-i桥的现场实验
PREAI
分享收藏Identifying damage locations under ambient vibrations utilizing vector autoregressive models and Mahalanobis distances利用矢量自回归模型和马氏距离识别环境振动下的损伤位置
PREAI
分享收藏Vibration-based damage detection techniques used for health monitoring of structures: a review用于结构健康监测的基于振动的损伤检测技术: 综述
PREAI
分享收藏Damage Detection in Bridge Structures through Compressed Sensing of Crowdsourced Smartphone Data
OAAI
OAAI分享收藏
查看更多内容