用于结构损伤检测、定位及严重程度分类的物理信息集成机器学习框架
《Sensors》:Integrated Physics-Informed Machine Learning Framework for Structural Damage Detection, Localization, and Severity Classification
【字体:
大
中
小
】
时间:2026年08月06日
来源:Sensors 4.0
摘要
结构健康监测在早期识别和评估结构损伤方面起着至关重要的作用,从而提升民用基础设施的安全性与可靠性。结构损伤识别通常包括三项关键任务:损伤检测、定位以及量化。虽然针对这些任务分别进行了大量研究,但将这三者整合为统一框架以全面评估结构状况的研究相对较少。基于物理的方法需要精确的有限元模型,而要准确模拟实际结构的行为往往很难对模型进行校准。相比之下,数据驱动方法依赖于从实际结构中收集的充足标记数据,但实际上获取这类数据也颇具挑战性。为解决这些局限性,本研究提出了一种集成式的层次化物理引导域适应框架(I-HierPhyDA),该框架能够以层次化方式实现损伤检测、定位以及严重程度分类。所提出的框架通过生成在低阶有限元模型和高精度有限元模型中都一致的振动特征,从而弥合两者之间的差距。此外,该框架在训练过程中无需目标领域的损伤状态数据即可实现结构损伤定位,而损伤严重程度分类则可通过利用目标领域的未标记损伤状态数据进行传输式域适应来实现。该框架在存在结构不确定性及测量噪声的情况下,通过ASCE数值基准模型进行了系统评估。测试结果表明,所提出的方法能够实现准确的结构损伤检测与定位。在结构损伤严重程度分类方面,它在所有基准方法和对比方法中均取得了最高的平均准确率与宏观F1分数,且这两项指标的标准差也最低,充分证明了其在全面评估结构状况方面的有效性。未来的工作将致力于利用实验室或现场结构的实测数据来验证所提出的方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号