.png){kind=icon}
返回
Integrated Physics-Informed Machine Learning Framework for Structural Damage Detection, Localization, and Severity Classification
.png){kind=icon}
OA
AI
DOI：10.3390/s26154976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构健康监测（SHM）在结构损伤的早期识别和评估中发挥着关键作用，从而提高土木基础设施的安全性和可靠性。结构损伤识别通常包括三个关键任务：损伤检测、定位和量化。虽然针对每个任务已进行了大量研究，但相对较少的研究将这三个组成部分整合到一个统一的框架中，以进行综合结构状态评估。基于物理的方法需要精确的有限元模型（FEM），而校准该模型以准确表示实际结构的行为往往很困难。相比之下，数据驱动的方法依赖于从实际结构收集的充足标记数据，这在实践中同样难以获取。为解决这些局限性，本研究提出了一种集成的分层物理信息领域自适应（I-HierPhyDA）框架，以分层方式执行损伤检测、定位和严重程度分类。所提出的框架通过生成在两个领域内一致的振动特征，弥合了降阶FEM和高保真FEM之间的差距。此外，该框架能够在训练期间不需要目标域的损伤状态数据即可实现结构损伤定位，而损伤严重程度分类则使用半监督领域自适应，利用目标域的无标签损伤状态数据进行分类。所提出的框架在结构不确定性和测量噪声下，使用ASCE数值基准模型进行了系统评估。结果表明，该方法能够实现准确的结构损伤检测和定位。对于结构损伤严重程度分类，该方法在基准和消融方法中实现了最高的平均准确率和Macro-F1分数，同时两种指标的标准差最低，证明了其在综合结构状态评估中的有效性。未来工作将侧重于使用实验室或现场结构的测量数据实验验证所提出的方法。
Keyword:
structural health monitoring
structural damage identification
physics-informed machine learning
hybrid digital twins
domain adaptation
deep learning
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Zero-shot transfer learning for structural damage detection using target-to-source structure domain data mapping基于目标到源结构域数据映射的零样本迁移学习用于结构损伤检测
OAAI
OAAI分享收藏Transitional markov chain monte carlo method for Bayesian model updating, model class selection, and model averaging用于贝叶斯模型更新，模型类选择和模型平均的过渡马尔可夫链蒙特卡洛方法
PREAI
分享收藏Noise-robust modal parameter identification and damage assessment for aero-structures抗噪声的气动结构模态参数识别与损伤评估
PREAI
分享收藏分享收藏Automated Damage Detection Using Lamb Wave-Based Phase-Sensitive OTDR and Support Vector Machines.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容