.png){kind=icon}
返回
Structural damage detection by multi-setup sensing: a direct data-driven approach
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-665X/ae0b14.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在土木结构上实施结构健康监测系统时，采用多设置传感系统相较于固定单设置系统具有显著优势。后者需要大量传感器，可能过于繁琐且经济上不可行。然而，传统的多设置损伤检测方法受限于依赖从局部模态识别全局模态形状，该方法对损伤的敏感性不足。本研究引入了一种新颖的数据驱动多设置框架，绕过了传统的模态识别。相反，它采用两阶段卷积神经网络（CNN）方法：第一阶段从各个设置中学习局部损伤敏感特征，第二阶段则跨不同设置结合这些特征，直接从原始数据中检测结构损伤。所提出的框架已应用于实验结构和真实结构，其结果与单设置模型进行了比较。对于实验结构，多设置方法使1D CNN和3D CNN模型的准确度分别平均提高了42%和13%，相较于其单设置对应模型。尽管在相同数据集上同时测量次数少五倍，多设置3D CNN模型的准确度仍达到了接近当前最优性能的水平。此外，对于真实结构，多设置方法相较于最佳单设置模型，准确度提高了83%。
期刊
IF:
3.8
论文数:
8.5K
被引数:
2.5W
机构
暂无机构信息
引用论文
分享收藏Multi-Sensor and Decision-Level Fusion-Based Structural Damage Detection Using a One-Dimensional Convolutional Neural Network.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Structural damage identification based on unsupervised feature-extraction via Variational Auto-encoderMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Vibration feature extraction using signal processing techniques for structural health monitoring: A review使用信号处理技术进行结构健康监测的振动特征提取: 综述
PREAI
分享收藏A novel triple-structure coding to use evolutionary algorithms for optimal sensor placement integrated with modal identification一种新颖的三重结构编码，用于使用进化算法进行与模态识别集成的最佳传感器放置
PREAI
分享收藏
Sensor Networks for Structures Health Monitoring: Placement, Implementations, and Challenges—A ReviewVibrationOAAI
VibrationIF0
OAAI分享收藏
查看更多内容