Zero-shot transfer learning for structural damage detection using target-to-source structure domain data mapping

doi:10.1016/j.ymssp.2025.113673

Zero-shot transfer learning for structural damage detection using target-to-source structure domain data mapping

2025-11-21

0

OA

AI

M

Mohammad Ali Heravi

M

Mohammad Hesam Soleimani-Babakamali

DOI：10.1016/j.ymssp.2025.113673

原文链接

查看原文

摘要

En 中文

在结构健康监测（SHM）领域，跨不同结构或损伤类型（即领域）转移损伤检测知识，对于解决依赖从测试（目标）结构中收集标记数据的问题至关重要。近年来，强大的深度学习模型结合迁移学习（TL）已被探索以适应这一过程；然而，它们在不同类型结构间的泛化能力仍然有限。本文介绍了一种SHM中零样本TL的新方法，利用自动编码器在训练数据有限的情况下促进结构损伤检测。该方法采用一个自动编码器，将目标领域未损伤数据映射到源领域未损伤数据。这种映射使仅用源领域训练的损伤检测模型能够有效识别转换后目标领域数据中的异常，而无需额外训练或标记目标数据。该独特框架使自动编码器通过学习将目标领域映射到源领域来有效捕捉潜在的结构特征，从而促进知识转移。训练自动编码器将目标结构未损伤数据映射到源结构未损伤数据，也转移了与损伤数据相关的知识。一旦自动编码器完成此映射，即可用于检测目标结构中的任何损伤。为诊断损伤，在源结构上使用训练好的单类支持向量机来识别目标结构中的任何异常。两个基准问题的结果表明，该方法能准确从目标领域输入重构源领域数据，展示了其在有限训练数据下增强结构损伤检测的潜力。此外，对于所研究案例，该方法对不同结构基准类型的适应性表明其在TL-SHM应用中超越典型结构相似性要求的能力。因此，通过进一步实验和开发，该方法可支持适用于大规模推广的SHM工具的开发。

Keyword:

Structural health monitoring

Zero-shot learning

Autoencoder

Transfer learning

Structural damage detection

Zero-shot transfer learning for structural damage detection using target-to-source structure domain data mapping

摘要

AI总结

期刊

机构

引用论文