.png){kind=icon}
返回
Advancing Structural Failure Analysis with Physics-Informed Machine Learning in Engineering Applications
.png){kind=icon}
OA
AI
DOI：10.1016/j.eng.2025.10.003.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然机器学习（ML）在结构失效分析中显示出巨大潜力，但纯数据驱动方法存在关键局限性，包括数据稀缺、缺乏物理一致性以及在安全关键应用中的可解释性差。物理信息机器学习（PIML）通过将物理原理与数据驱动方法相结合来解决这些挑战，从而实现准确且可解释的预测，同时保持物理一致性。本研究对结构失效分析中的PIML实施策略进行了系统分类，将方法划分为四个不同类别：物理引导的数据操作、物理启发的架构设计、物理约束的损失函数以及混合物理–ML模型。我们考察了从机理分析、疲劳寿命预测到结构健康监测和失效后分析的全失效生命周期中的应用，以展示不同PIML策略如何解决特定的工程挑战。通过对代表性研究的批判性评估，我们识别了当前的限制，包括数据集成复杂性、物理形式化困难以及准确性与效率之间的计算权衡。未来研究方向强调多源知识融合、可迁移的PIML框架以及增强的失效后分析能力。该系统框架为基于应用需求与可用资源选择适当的PIML策略提供了明确指导，从而提升工程结构的可靠性与安全性。
Keyword:
Machine learning
Physics-informed machine learning
Structural-failure analysis
Engineering applications
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.6
论文数:
2.8K
被引数:
1.5W
机构
引用论文
A physics-informed neural network technique based on a modified loss function for computational 2D and 3D solid mechanics基于改进的损失函数的物理信息神经网络技术，用于计算2D和3D固体力学
PREAI
分享收藏Machine Vision-Based Monitoring Methodology for the Fatigue Cracks in U-Rib-to-Deck Weld Seams.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A physics-informed generative adversarial network framework for multiaxial fatigue life prediction用于多轴乏力寿命预测的物理生成对抗网络框架
OAAI
OAAI分享收藏Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck基于深度学习的桥面下应变传感器车辆检测与分类方法SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏An Automated Inspection Method for the Steel Box Girder Bottom of Long-Span Bridges Based on Deep LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容