一种面向类别分布严重不平衡情况下结构损伤状态诊断的半监督方法

《Engineering Structures》：A semi-supervised approach for structural damage state diagnosis under severely imbalanced class distributions

　　

本文提出了半监督不平衡感知可变形卷积残差网络（SS-IADCRN）模型，提升了严重损伤状态的诊断精度。

解决了因数据稀缺和类别不平衡导致的误分类问题。

设计了DCRN模块，高效提取时频特征。

开发了结合IAT的半监督一致性优化机制。

在两个不同数据集上验证了模型的鲁棒性与泛化能力。

引言

地震是最具破坏性的自然灾害之一，对人类安全和经济社会系统构成持续性威胁，并频繁导致重大生命损失和显著经济损害[1]、[2]。此类极端事件具有突发性和有限可预测性的特点，不仅会导致建筑和桥梁等关键基础设施的倒塌和严重损坏，还会引发各种次生灾害，如山体滑坡和火灾，从而对城市安全和社会运行产生连锁性影响[3]、[4]、[5]。因此，开发能够在地震后快速、准确地评估结构损伤状态的有效机制，对于提升灾后应急响应效率和优化应急决策至关重要[6]、[7]。

结构在地震激励下的响应直接反映了结构整体刚度的退化程度、耗能能力及损伤演化过程。因此，地震结构响应的建模与分析是地震工程的重要组成部分。传统上，结构响应主要通过非线性时程分析（NLTHA）获取，即将地震加速度记录输入结构动力学方程，计算位移、速度和加速度等响应时程，用于损伤状态评估[8]、[9]、[10]。然而，NLTHA对结构几何参数、材料属性和边界条件的准确性极为敏感，且计算代价极高，这限制了其在大型结构和快速灾后评估场景中的适用性。相比之下，能力谱法（CSM）等简化方法具有更高的计算效率，但通常依赖于单一地震强度指标，如地面峰值加速度或反应谱位移，难以充分捕捉复杂地面运动特征对结构动力行为的非线性影响[11]、[12]。因此，在评估精度与计算效率之间取得平衡，仍是地震后结构损伤评估中的核心挑战。

近年来，随着智慧城市和数字孪生理念的推进，地震工程和结构工程领域日益向数据驱动和智能评估范式转变，以实现地震后结构响应的快速预测[13]。在此背景下，数据获取发挥着关键作用。加速度传感器、无线传感器网络乃至智能手机等物联网设备的广泛部署，为结构振动监测和地震响应数据采集提供了更全面、更高质量的数据基础[14]、[15]、[16]、[17]。这些低成本传感器积累的海量数据为数据驱动模型的开发奠定了坚实基础，使得可以利用深度学习（DL）等先进方法有效捕捉地震运动与结构响应之间的复杂非线性映射关系。在此基础上，长短期记忆网络（LSTM）、人工神经网络（ANN）、循环神经网络（RNN）以及物理信息深度学习等方法已被广泛应用于结构响应预测任务，在预测精度和模型鲁棒性方面展现出显著优势[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]。然而，在实际工程应用中，结构响应预测的最终目标是准确评估结构安全状态。随着相关预测技术的不断完善，研究焦点已从纯粹的响应预测逐渐转向更加直接的结构损伤识别与状态分类。

近年来，各类结构损伤识别与状态评估方法相继被提出。其中，基于视觉检查、无人机巡检和计算机视觉的方法凭借其快速获取结构外观信息的能力，已成为大规模地震后结构筛查的主要技术[26]、[27]、[28]。这些方法能够高效识别表面裂缝、混凝土剥落、残余变形、结构倾斜和局部倒塌等可见损伤，在实际工程应用中具有部署效率高和巡检结果直观等优势。然而，这些方法本质上依赖于可见外观特征，其性能会受到遮挡、光照条件、观察角度、表面覆盖物和图像质量等因素的影响。此外，某些损伤可能发生在内部构件、梁柱节点或其他难以直接观察的位置，而可见损伤的程度并不一定反映结构整体刚度、阻尼性能或动力性能的实际退化情况。相比之下，基于结构振动响应的损伤识别方法能够从动力响应中提取结构性能退化信息，从而为视觉检查提供重要补充。一旦结构发生损伤，其加速度响应、频率成分、能量分布和时频特征均会发生相应变化。这些动力响应特征能够为结构整体性能退化和潜在损伤状态提供更全面的表征。

在上述背景下，大量研究致力于地震运动和结构响应特征提取、机器学习与深度学习建模以及快速损伤评估，开发了多种结构损伤状态识别与评估方法。具体而言，Mangalathu等人[29]提出了一种将地震运动小波变换与图像分析技术相结合的损伤评估方法，在钢筋混凝土（RC）和桥梁结构中实现了超过75%的地震损伤分类精度。该方法有效克服了传统单一强度指标方法在表征实际地震运动特征方面的局限性，并显著降低了运动不确定性对损伤估计的影响。在此基础上，Zhang等人[30]开发了一种基于真实地震记录和NLTHA数据的主动学习模型，在复杂加载条件下保持良好可靠性的同时，将RC框架结构的损伤分类精度进一步提升至84%。随着先进算法与大规模数据的不断融合，研究人员日益关注实现更高的预测性能。例如，Gu等人[31]将机器学习算法与有限元仿真相结合，开发了基于非粘结叠层橡胶支座（LRB）的高架桥梁地震损伤状态评估模型，实现了超过90%的预测精度，同时保持了计算效率与稳定性。此外，针对更复杂结构系统快速评估的需求，Hu等人[32]提出了一种基于深度学习的快速预测模型，能够仅利用有限的结构关键信息，高效估计两跨三层地铁站的地震响应并进行损伤评估。该模型在大幅降低与NLTHA相比计算时间的同时，实现了约95%的总体预测精度。在损伤识别精度持续提升的同时，研究焦点逐渐转向增强预测模型的特征表征能力。为此，Li等人[33]提出了一种CC-ViT框架，将连续小波变换（CWT）与上下文锚定注意力（CAA）机制相结合，有效增强了模型捕捉地震运动和结构响应时频特征的能力。该方法在RC桥墩损伤状态预测中取得了更高的精度和更稳定的预测结果，展现出强大的预测性能与鲁棒性。

尽管上述模型展现了强大的特征学习能力，但它们仍依赖大量标注样本进行训练，且主要优化总体分类精度。特别是在长尾损伤分布条件下，该优化目标往往被多数类样本（如轻微损伤和中等损伤）所主导，从而限制了模型对少数损伤状态的识别能力。因此，即使实现了较高的总体分类精度，模型在识别严重损伤状态时仍可能表现不佳——这类损伤状态虽然相对少见，但具有更重要的工程意义，对结构安全评估而言往往更为关键。

为缓解标签稀缺问题，研究人员近期开始将半监督学习引入结构损伤识别任务。例如，Pollastro等人[34]提出了一种半监督结构损伤检测方法，结合了变分自编码器（VAE）与单类支持向量机（OCSVM）。具体而言，首先利用VAE学习无损条件下结构振动响应的数据分布，然后从重建信号中提取损伤敏感特征，基于此利用OCSVM区分不同的结构健康状态。相比之下，Zhang[35]提出了一种基于半监督生成对抗网络（GAN）的方法，用于多种运行条件下的结构损伤分类。通过在GAN框架中引入均方误差（MSE）损失，该方法增强了训练过程，利用少量标注数据与大量未标注振动响应数据对结构在不同运行条件下的状态进行分类。这些研究表明，在标注样本有限的情况下，半监督学习能够有效利用未标注的结构响应数据，从而降低模型对大规模人工标注数据的依赖。然而，现有的结构损伤识别半监督研究主要关注于降低标注成本和提升总体识别精度，通常假设标注数据和未标注数据遵循相对一致且平衡的类别分布。因此，对地震损伤数据集中普遍存在的类别不平衡问题关注不足。特别是，在震后快速评估场景中，对应于轻微或中等损伤的样本通常占多数，而代表严重损伤的样本相对稀缺。若未显式建模此类长尾损伤分布，半监督学习过程中生成的伪标签或学习到的决策边界可能进一步向多数类偏移，从而严重削弱模型对严重损伤等关键少数损伤状态的识别能力。

为解决这一问题，近期提出的若干半监督学习框架进一步优化了伪标签的选择与利用策略。例如，FreeMatch[36]通过自适应阈值机制动态调整未标注样本的伪标签选择标准，从而提升伪标签的可靠性。SoftMatch[37]则通过采用基于置信度的软加权策略，应对伪标签数量与质量之间的权衡问题，以缓解低置信度伪标签对模型训练的不利影响。然而，其主要目标仍然是优化总体分类精度，而未显式建模类别不平衡问题。同时，不平衡半监督学习方法如CoSSL[38]和DASO[39]进一步关注长尾类别分布。具体而言，CoSSL通过表征学习与分类器学习的协同优化来缓解类别不平衡导致的分类偏差，而DASO则采用类别分布感知的语义伪标签策略来提升少数类样本伪标签的质量。然而，这些方法主要是在自然图像分类基准数据集上提出和验证的，其输入数据通常具有相对稳定的空间结构和明确的视觉语义分布。在实际应用中，结构地震响应具有显著的非平稳性、时变频率特征和复杂的局部损伤演化模式。损伤敏感信息往往嵌入于小波时频图内的局部能量突变和非均匀响应区域中。因此，将现有的半监督或不平衡半监督学习框架直接应用于结构地震损伤识别任务，可能无法充分捕捉结构响应的时频损伤特征，也无法有效缓解少数类严重损伤样本在伪标签生成和决策边界学习过程中所处的不利地位。

基于上述分析，现有研究仍存在若干局限。首先，大多数现有模型是在全监督学习范式下开发的，因此高度依赖大量标注的地震响应—损伤状态样本，而这些样本在实际震后场景中难以获取。其次，尽管近期的半监督学习方法可以减少对标注数据的依赖，但在高度不平衡的损伤分布下，其伪标签生成和一致性正则化策略可能向多数类偏移，导致模型训练过程中严重损伤状态的表征不足。第三，当前的半监督与不平衡半监督学习框架主要面向通用图像分类任务设计，很少考虑结构地震响应的独特特征，如强非平稳性、时变频率成分以及嵌入于时频表征中的损伤敏感局部模式。因此，目前仍缺乏一个统一的半监督损伤诊断框架，能够同时应对标注数据有限、严重类别不平衡、自适应局部特征提取以及非平稳地震时频表征等挑战。

针对上述问题，本文提出了一种结构损伤状态诊断方法——半监督不平衡感知可变形卷积残差网络（SS-IADCRN）。

经仔细通读全文，该段内容为纯英文学术论文内容，未包含任何中文。因此无法抽取中文内容或进行中文总结。

该英文内容概述了 SS-IADCRN（半监督不平衡感知可变形卷积残差网络）方法，主要用于地震后基于结构振动响应快速识别结构损伤状态并评估安全性。