.png){kind=icon}
返回
Element Modal-Based Structural Damage Detection by Two-Dimensional Convolutional Neural Networks
.png){kind=icon}
OA
AI
DOI：10.3390/buildings15213905.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络（CNNs）具有强大的抗噪声能力，本研究利用这一特性来削弱噪声对结构损伤识别数据的影响。结构损伤发生后，单元级模态参数对损伤变化尤为敏感，因此可作为识别损伤的重要特征指标。本文建立了钢桁架有限元模型，并在不同位置和程度引入损伤。通过有限元方法（FEM）模拟结构的自由振动过程，提取每种损伤情况下的第一阶模态特征参数，包括模态应变能和模态应变。随后，这些模态参数及对应的损伤信息被输入CNN模型作为训练样本，以实现结构损伤的自动识别。结果表明，所构建的CNN模型能够准确识别结构损伤的位置和程度，损伤定位精度达100%，损伤程度识别的相对误差仅为6.6%。在各类特征指标中，模态应变能差表现出更好的灵敏性和稳定性。与传统的反向传播（BP）神经网络相比，CNN的检测精度提高了约35%，计算时间仅为BP网络的2.4%。此外，CNN在低阶模态下仍能保持良好的识别性能，这对实际工程中易于获取的测量数据具有重要意义。总之，CNN方法在损伤定位、损伤程度识别和抗噪声方面表现出优越性能，具有较高的工程应用价值。
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:
3.1
论文数:
1.8W
被引数:
2.5W
机构
引用论文
Vibration-based model-dependent damage (delamination) identification and health monitoring for composite structures - A review复合材料结构的基于振动的模型相关损伤 (分层) 识别和健康监测-综述
PREAI
分享收藏Multi-Sensor and Decision-Level Fusion-Based Structural Damage Detection Using a One-Dimensional Convolutional Neural Network.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Research on FBG-Based CFRP Structural Damage Identification Using BP Neural NetworkPHOTONIC SENSORSOAAI
PHOTONIC SENSORSIF3.7
OAAI分享收藏Vibration-based structural state identification by a 1-dimensional convolutional neural network基于一维卷积神经网络的结构振动状态识别
PREAI
分享收藏Improved damage detection method based on Element Modal Strain Damage Index using sparse measurement
PREAI
分享收藏分享收藏
查看更多内容