CN113742983A - 基于深度自编码器神经网络的长跨结构损伤识别方法 - Google Patents
基于深度自编码器神经网络的长跨结构损伤识别方法 Download PDFInfo
- Publication number
- CN113742983A CN113742983A CN202111176751.5A CN202111176751A CN113742983A CN 113742983 A CN113742983 A CN 113742983A CN 202111176751 A CN202111176751 A CN 202111176751A CN 113742983 A CN113742983 A CN 113742983A
- Authority
- CN
- China
- Prior art keywords
- neural network
- damage
- long
- training
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000012546 transfer Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013144 data compression Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度自编码器神经网络的长跨结构损伤识别方法，包括以下步骤：步骤S1:利用实测响应对长跨结构的有限元模型进行修正，获得基准有限元模型；步骤S2:根据基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；步骤S4:将待测结构动力测试得到的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。本发明不仅简化了神经网络的训练过程，减少了主观因素的影响，同时能够对大量高维度动力响应数据进行压缩，获得结构的损伤特征。
Description
技术领域
本发明涉及结构损伤检测领域，具体涉及一种基于深度自编码器神经网络的长跨结构损伤识别方法。
背景技术
目前，结构健康监测技术在大跨空间结构和长大桥梁的养护和管理中得到了广泛应用，为实时评估和预测结构性能提供了有效手段。结构损伤识别是健康监测系统的核心模块，但传统损伤识别方法用于实际工程结构时往往存在损伤指标灵敏度不高、识别精度低、容易受环境噪声影响等问题。此外，对长跨结构动力测试采集的都是高维度响应数据，难以进行充分解读并提取合适的损伤特征。
近年来，人工智能领域中对神经网络的构建和训练算法研究取得了巨大突破，提出了与浅层神经网络不同的深度学习网络，较好解决了多层神经网络梯度消失和梯度爆炸的问题，可以构造结构复杂、学习能力更强的深度神经网络，已在图像识别、语音转换、人脸识别、自动驾驶等领域开展了广泛应用，具备从高维度数据中自动提取合适特征的强大能力，也为土木工程结构损伤识别的问题求解提供了新思路。
土木结构损伤识别经常采用频域参数作为响应，其中最常用的模态参数包括结构的固有频率、阻尼比和振型。固有频率为全局量，实践中需要的传感器数量少、受环境作用小、测试精度较高。但损伤往往是局部特性，所引起的频率变化往往不大，甚至容易被环境因素导致的频率变化所掩盖。而模态振型可以反映结构局部变化，理论上更敏感。但在长跨结构健康监测实践中，传感器数量往往有限，限制结构振型的完整性和平滑，同时实测得到的振型数量远小于结构的自由度数目和分析模型参数的数量，再加上环境噪声的影响，使得长跨结构损伤识别的准确性低，甚至无法识别。
传统浅层神经网络的拓扑相对简单，通常只有一、两个隐藏层，常见的支持向量机、逆向传播神经网络和概率神经网络等都属于浅层神经网络，在结构损伤识别中已有较为深入的研究，经常采用模态参数作为网络的训练样本。然而浅层神经网络用于损伤识别时容易受损伤位置、噪声水平和激励特性的影响，同时只能对少量简单的响应数据进行特征提取，无法处理大量含噪声的高维度数据，实用性大为降低。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度自编码器神经网络的长跨结构损伤识别方法，实现对高维度动力响应数据的充分解读，提取有用损伤特征进行实时评估。
为实现上述目的，本发明采用如下技术方案：
一种基于深度自编码器神经网络的长跨结构损伤识别方法，包括以下步骤：
步骤S1:基于灵敏度分析的模型修正方法，利用实测响应对长跨结构的有限元模型进行修正，建立长跨结构的基准有限元模型；
步骤S2:对基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；
步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；
步骤S4:将实测长跨结构的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。
进一步的，所述训练数据包括传递函数数据和每种损伤模式对应的分类标签，具体构建如下：通过结构动力分析得到不同损伤模式的传递函数，将相同损伤模式的传递函数为一组，对应一种分类标签，进一步得到训练数据。
进一步的，所述步骤S3具体为：
步骤S31:将训练数据带入自编码器中，对整个神经网络进行训练
步骤S32:根据训练集和测试集输出的结果对深度自编码器神经网络的隐藏层数、神经元个数以及相关参数进行调整，最后保存深度自编码器神经网络拓扑，得到训练后的神经网络。
进一步的，所述神经网络采用深度自编码器神经网络，包括输入、压缩传递函数数据、基于损伤特征分类和输出四个单元。
进一步的，所述步骤S4具体为：
(1)将实测结构的传递函数数据带入深度自编码器的输入层；
(2)经过数据压缩将高维度的传递函数数据压缩，得到低维度空间表述的损伤特征；
(3)通过Softmax分类层对损伤特征进行分类，得到相应的结构损伤模式；
(4)根据输出的损伤模式判断结构的损伤位置和程度。
一种基于深度自编码器神经网络的长跨结构损伤识别系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-5任一项所述的长跨结构损伤识别方法中的步骤。
本发明与现有技术相比具有以下有益效果：
1、本发明特征提取属于无监督学习，不仅简化了神经网络的训练过程，减少了主观因素的影响，同时能够对大量高维度动力响应数据进行压缩，获得结构的损伤特征；
2、本发明基于深度自编码器神经网络的损伤识别方法受环境噪声影响小、识别精度高、鲁棒性好、计算快速，有利于实时评估。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中深度自编码器神经网络拓扑。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度自编码器神经网络的长跨结构损伤识别方法，包括以下步骤：
步骤S1:利用实测响应对长跨结构的有限元模型进行修正，获得基准有限元模型；
步骤S2:根据基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；
步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；
步骤S4:将待测结构动力测试得到的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。
在本实施例中，结构动力分析可以得到不同损伤模式的传递函数，相同损伤模式的传递函数为一组，对应一种分类标签。以布设有3个响应测点的结构为例，若1号和2号响应点之间刚度降低20%，那么传递函数
和
组成的传递函数数据所对应的分类标签为（0.2，0，0.8），前2个元素表示2个不同的损伤位置，相应的数值表示损伤程度，第3个元素使整个标签和为1；若2号和3号响应点之间刚度降低15%，那么该损伤模式下传递函数数据对应的分类标签为（0，0.15，0.75）。另外，将整个训练数据分为75%的训练集和25%的测试集，训练集用来调整神经网络中的参数，测试集用来测试训练好的神经网络是否合格。若训练数据较少，可适当提高训练集占比来保证训练效果。
在本实施例中，参考图2，先将训练集中的传递函数数据带入自编码器（DAE1）中，对整个神经网络进行训练，然后根据训练集和测试集输出的结果对深度自编码器神经网络的隐藏层数、神经元个数以及相关参数进行调整，最后保存深度自编码器神经网络拓扑，用于后续的损伤识别。
在本实施例中，神经网络采用深度自编码器神经网络，包括输入、压缩传递函数数据、基于损伤特征分类和输出四个单元。
优选的，损伤识别是将结构的传递函数数据带入训练好的深度自编码器神经网络，对被监测长跨结构进行实时评估的过程。首先，将传递函数数据带入深度自编码器的输入层；其次，经过数据压缩将高维度的传递函数数据压缩，得到低维度空间表述的损伤特征；然后，通过Softmax分类层对损伤特征进行分类，得到相应的结构损伤模式；最后，根据输出的损伤模式判断结构的损伤位置和程度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于深度自编码器神经网络的长跨结构损伤识别方法，其特征在于，包括以下步骤：
步骤S1:基于灵敏度分析的模型修正方法，利用实测响应对长跨结构的有限元模型进行修正，建立长跨结构的基准有限元模型；
步骤S2:对基准有限元模型进行动力学分析，得到各种损伤模式下的传递函数，并基于传递函数构建训练数据，将训练数据按预设比例分为训练集和测试集；
步骤S3:根据步骤S2得到的训练数据对神经网络进行训练，判断训练结果并保存神经网络拓扑；
步骤S4:将实测长跨结构的传递函数数据输入训练好的神经网络中，评估结构的损伤状态。
2.根据权利要求1所述的基于深度自编码器神经网络的长跨结构损伤识别方法，其特征在于，所述训练数据包括传递函数数据和每种损伤模式对应的分类标签，具体构建如下：通过结构动力分析得到不同损伤模式的传递函数，将相同损伤模式的传递函数为一组，对应一种分类标签，进一步得到训练数据。
3.根据权利要求1所述的基于深度自编码器神经网络的长跨结构损伤识别方法，其特征在于，所述步骤S3具体为：
步骤S31:将训练数据带入自编码器中，对整个神经网络进行训练
步骤S32:根据训练集和测试集输出的结果对深度自编码器神经网络的隐藏层数、神经元个数以及相关参数进行调整，最后保存深度自编码器神经网络拓扑，得到训练后的神经网络。
4.根据权利要求1所述的基于深度自编码器神经网络的长跨结构损伤识别方法，其特征在于，所述神经网络采用深度自编码器神经网络，包括输入、压缩传递函数数据、基于损伤特征分类和输出四个单元。
5.根据权利要求4所述的基于深度自编码器神经网络的长跨结构损伤识别方法，其特征在于，所述步骤S4具体为：
(1)将实测结构的传递函数数据带入深度自编码器的输入层；
(2)经过数据压缩将高维度的传递函数数据压缩，得到低维度空间表述的损伤特征；
(3)通过Softmax分类层对损伤特征进行分类，得到相应的结构损伤模式；
(4)根据输出的损伤模式判断结构的损伤位置和程度。
6.一种基于深度自编码器神经网络的长跨结构损伤识别系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-5任一项所述的长跨结构损伤识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176751.5A CN113742983A (zh) | 2021-10-09 | 2021-10-09 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176751.5A CN113742983A (zh) | 2021-10-09 | 2021-10-09 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113742983A true CN113742983A (zh) | 2021-12-03 |
Family
ID=78726198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111176751.5A Pending CN113742983A (zh) | 2021-10-09 | 2021-10-09 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742983A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994465A (zh) * | 2022-12-14 | 2023-04-21 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种意外爆炸空气冲击波对桥梁毁伤效果kNN评估方法 |
| CN116577055A (zh) * | 2023-07-11 | 2023-08-11 | 湖南大学 | 基于多源传感数据的桥梁状态评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN105807194A (zh) * | 2016-05-09 | 2016-07-27 | 三峡大学 | 一种基于lvq神经网络的雷电冲击下换流变压器绕组故障诊断方法 |
| CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN113158548A (zh) * | 2021-03-19 | 2021-07-23 | 东南大学 | 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法 |
-
2021
- 2021-10-09 CN CN202111176751.5A patent/CN113742983A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN105807194A (zh) * | 2016-05-09 | 2016-07-27 | 三峡大学 | 一种基于lvq神经网络的雷电冲击下换流变压器绕组故障诊断方法 |
| CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN113158548A (zh) * | 2021-03-19 | 2021-07-23 | 东南大学 | 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵红艳: "基于卷积自编码神经网络的损伤识别", 《科学技术创新》, pages 1 - 2 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994465A (zh) * | 2022-12-14 | 2023-04-21 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种意外爆炸空气冲击波对桥梁毁伤效果kNN评估方法 |
| CN115994465B (zh) * | 2022-12-14 | 2024-03-26 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 意外爆炸空气冲击波对桥梁毁伤效果kNN评估方法、装置及介质 |
| CN116577055A (zh) * | 2023-07-11 | 2023-08-11 | 湖南大学 | 基于多源传感数据的桥梁状态评估方法及系统 |
| CN116577055B (zh) * | 2023-07-11 | 2023-09-22 | 湖南大学 | 基于多源传感数据的桥梁状态评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang | Statistical damage identification for bridges using ambient vibration data | |
| US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
| Cheung et al. | The application of statistical pattern recognition methods for damage detection to field data | |
| CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
| CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| Soofi et al. | Output-only entropy-based damage detection using transmissibility function | |
| CN115856204A (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
| Ma et al. | Two-stage damage identification based on modal strain energy and revised particle swarm optimization | |
| Allahdadian | Robust statistical subspace-based damage assessment | |
| Zhang et al. | Structural damage detection using convolutional neural networks based on modal strain energy and population of structures | |
| CN115345256A (zh) | 应用于智能制造的工业产品测试系统 | |
| LUO et al. | GRU neural network-based method for box girder crack damage detection | |
| Bono et al. | An approach based on convolutional autoencoder for detecting damage location in a mechanical system | |
| Wang et al. | Damage detection of steel truss bridge based on stacked auto-encoder | |
| Guo | Sensor fault classification for bridge SHM using LSTM-based with 1D-CNN feature extraction | |
| Singh et al. | Unsupervised ambient vibration-based feature extraction for structural damage detection | |
| Hosseini Lavasaniا et al. | Vibration-based damage detection of buildings using a decision-tree-based algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |