基于马尔可夫转移场编码与坐标注意力增强残差网络的钢结构损伤识别方法

《Scientific Reports》：An attention-enhanced residual network framework for structural damage detection based on structural health monitoring data

　　钢结构中的局部损伤往往仅产生微弱的振动响应差异，而测量噪声会进一步降低识别的鲁棒性。为应对上述挑战，本研究提出了一种结合马尔可夫转移场（MTF）编码与坐标注意力增强残差网络的结构损伤识别方法。首先，利用近似等频率分箱将振动响应离散化为有限个状态，并将其转换为MTF图像。随后，将坐标注意力（CA）嵌入残差块中，以建模通道依赖性和方向性位置信息。该方法利用卡塔尔大学看台模拟器（QUGS）实验数据和IASC–ASCE基准结构数据进行了验证。对比实验分别针对图像编码方法、注意力机制、噪声水平和基准模型展开。结果表明，MTF总体上优于格拉姆角差场（GADF）、递归图（RP）和短时傅里叶变换（STFT）。在无噪声条件下，ResNet-50-CA的准确率达到94.5%，且在含噪声条件下也表现出较强的鲁棒性。通过一维坐标池化，ResNet-50-CA联合校准了空间信息和通道信息。特征可视化进一步表明，CA通过坐标感知的空间建模抑制了MTF图像中的无关冗余，生成了高度紧凑且几乎不重叠的特征聚类，具有最佳的可辨别性。