.png){kind=icon}
返回
Structural damage identification using phase space matrix with convolutional neural networks
.png){kind=icon}
OA
AI
DOI：10.1016/j.istruc.2025.108885.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构健康监测是确保结构安全性和可靠性的一个重要领域。本文提出了一种基于相空间矩阵和卷积神经网络（CNNs）的结构损伤识别方法。该方法具有两个关键优势。首先，它对结构损伤具有高度敏感性，同时保持对测量噪声和建模不确定性的鲁棒性。这是通过利用延迟坐标嵌入将原始传感器数据转换为多维相空间矩阵实现的，该矩阵捕捉了结构的基本动力学特性。随后开发的CNN模型，结合了卷积层、批归一化和Rectified Linear Unit（ReLU）激活函数，用于识别结构损伤的位置和严重程度。其次，该方法仅需少量传感器测量即可识别结构损伤，使其在实际应用中具有成本效益和实用性。通过八层剪切型钢框架模型的数值模拟和锤击激励下钢框架结构的实验验证，研究了所提出方法的有效性和性能。结果表明，即使在存在高测量噪声和有限元建模不确定性的情况下，该方法仍能实现高精度的结构损伤位置检测和损伤严重程度量化。该方法显示出在仅有限传感器测量数据的情况下，提升结构健康监测和损伤检测效率与准确性的巨大潜力。
Keyword:
Structural health monitoring
Damage identification
Phase space matrix
Convolutional neural network (CNN)
Uncertainty
Measurement noise
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:
4.3
论文数:
1.3W
被引数:
2.7W
机构
暂无机构信息
引用论文
Integrated Fatigue Life Evaluation Method for Members in Riveted Steel Truss Bridges铆接钢桁架桥构件的集成疲劳寿命评估方法
PREAI
分享收藏Investigation on Performance of Neural Networks Using Quadratic Relative Error Cost Function基于二次相对误差代价函数的神经网络性能研究.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Damage detection in bridges under moving loads based on subspace projection residuals基于子空间投影残差法的移动荷载下桥梁损伤检测
PREAI
分享收藏
查看更多内容