CN115165164A - 基于深度学习导纳特征的混凝土压应力识别方法和系统 - Google Patents
基于深度学习导纳特征的混凝土压应力识别方法和系统 Download PDFInfo
- Publication number
- CN115165164A CN115165164A CN202210651019.7A CN202210651019A CN115165164A CN 115165164 A CN115165164 A CN 115165164A CN 202210651019 A CN202210651019 A CN 202210651019A CN 115165164 A CN115165164 A CN 115165164A
- Authority
- CN
- China
- Prior art keywords
- compressive stress
- neural network
- admittance
- frequency band
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000010408 sweeping Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000035882 stress Effects 0.000 description 123
- 230000008859 change Effects 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 10
- 238000001453 impedance spectrum Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/16—Measuring force or stress, in general using properties of piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度学习导纳特征的混凝土压应力识别方法和系统，其中方法包括：在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络；将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力。本发明可以准确高效的识别混凝土结构在不同状态下的压应力。
Description
技术领域
本发明属于结构健康监测技术领域，更具体地，涉及一种基于深度学习导纳特征的混凝土压应力识别方法和系统。
背景技术
随着我国经济不断发展，我国对于基础设施建设的需求越来越大，各种大型复杂的工业与民用建筑建成，其中混凝土结构占了很大的比例。近年来大量混凝土结构在使用过程中，出现其性能随着使用时间的延长而降低，甚至出现建筑损坏的现象，究其原因，就是混凝土结构受到各种外在环境和各种不利因素的影响，例如建筑物自身的老化，锈蚀，疲劳以及建筑物所处的环境和所受到的自然灾害等；此外，由于现在的结构荷载复杂，各种直接、间接荷载和偶然荷载耦合在一起，导致结构抗力减退、结构损坏。绝大部分损伤属于一个渐变的过程，结构自身的微小损伤通过肉眼难以识别，并且随着时间不断累积，而随着微小损伤积少成多导致结构适用性、安全性、耐久性造成极大的影响。另外，随着结构抗力的不断衰减，若遇见地震、撞击等极端情况，结构很有可能发生整体破坏，造成难以挽回的损失。混凝土的压应力是反映结构状态的一个重要参数，通过对混凝土的压应力的监测，则能得到结构实际工作情况，进而提供有效预警信息，避免结构发生破坏性行为，为后期结构的维护和保养提供参考信息。
混凝土应力阻抗识别运用压电阻抗技术获得混凝土结构在不同应力状态下的阻抗谱。分析不同阻抗谱的差异从而验证通过混凝土不同应力下的阻抗谱进行应力识别的可行性。压电阻抗技术是通过在结构上粘贴可以同时作为驱动器与传感器的压电材料(PZT)，通过在压电材料正负极上施加交流电对所要监测的结构进行激励。因为压电片可以与监测结构的机械阻抗相耦合，所以可以通过电阻抗分析仪来测量压电片(PZT)在一定频率段内的电阻抗谱，来反映主体结构的机械阻抗，获取结构局部性能(质量，刚度，阻尼等)相关信息。一般以结构在无压应力(未损伤)状态作为基线参考状态，再根据同样方法获取不同压应力状态下的阻抗信号，以比较其与基线状态的不同而识别结构局部性能变化的信息，从而实现结构不同压应力的识别，从而判断工作结构状态。
然而这种混凝土应力阻抗识别也存在其问题，虽然此方法可以利用压电片测量得到的阻抗谱的变化来反映结构所受到的不同压应力，但对压应力的判断多停留在定性层面，难以实现结构压应力的定量分析和表征；并且由压电陶瓷获得的数据量很大，由人来进行数据处理需要大量时间和精力。
现有技术存在难以实现结构压应力的定量分析和表征、数据处理需要大量时间和精力的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习导纳特征的混凝土压应力识别方法和系统，由此解决现有技术存在难以实现结构压应力的定量分析和表征、数据处理需要大量时间和精力的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习导纳特征的混凝土压应力识别方法，包括：
将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力；
所述BP神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；
将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络。
进一步地，所述混凝土结构在未知压应力下的导纳信号经过如下处理后输入BP神经网络进行预测：
将混凝土结构在未知压应力下不同扫频频率下的导纳信号划分为多个子频段下的导纳信号，计算各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段内的导纳信号输入BP神经网络进行预测。
进一步地，所述BP神经网络的训练包括：
将训练数据归一化后划分为训练集、验证集和测试集，先用训练集训练BP神经网络，每轮训练后，用验证集数据输入训练后的BP神经网络，输出损失、正确率；
根据BP神经网络输出的损失、正确率，修改BP神经网络的学习率、批大小和优化器的超参数，再次对BP神经网络进行训练和验证，当BP神经网络输出损失小于0.001、正确率达到100％时，结束训练和验证，得到训练好的BP神经网络；
将测试集输入训练好的BP神经网络，输出的损失、正确率作为训练好的BP神经网络的最终性能参数。
进一步地，所述BP神经网络包括依次设置的一个输入层、两个隐含层和一个输出层，输入层中输入数据经过全链接线性变换后再经过ReLU激活函数进行非线性变换，得到第一个隐含层的输入数据；第一个隐含层将上一层的输出数据经过全链接线性变换后经过ReLU激活函数进行非线性变换，得到第二个隐含层的输入数据；第二个隐含层将上一层的输出数据经过全链接线性变换，得到与输出层的输入数据；输出层将上一层的输出数据经过Softmax函数变换，得到输入导纳数据被识别为不同压应力工况的概率。
进一步地，所述导纳信号包括电导信号和电纳信号，在训练和预测时均采用导纳信号中的电导信号。
按照本发明的另一方面，提供了一种基于深度学习导纳特征的混凝土压应力识别系统，包括：
预处理模块，用于在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；
训练模块，用于将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络；
预测模块，用于将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力。
按照本发明的另一方面，提供了一种基于深度学习导纳特征的混凝土压应力识别方法，包括：
将混凝土结构在未知压应力下的导纳信号处理为三维数据后输入三维卷积神经网络，得到预测压应力；
所述三维卷积神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的三个子频段作为目标频段；
将目标频段内的导纳信号组成三维输入数据，训练三维卷积神经网络，以三维卷积神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的三维卷积神经网络。
进一步地，所述三维输入数据通过如下方式组成：
将目标频段内的导纳信号两两做矩阵乘法，得到三个二维矩阵，分别将二维矩阵进行归一化后堆叠得到三维输入数据。
进一步地，所述三维卷积神经网络的每个卷积层后连接批标准化层，所述三维卷积神经网络在训练时的损失函数为：
其中，yi，k取0或者1，如果预测的压应力是真实压应力，则yi，k＝1，否则yi，k＝0，共有K个真实压应力，N个三维输入数据，pi，k表示第i个三维输入数据预测为第k个真实压应力的概率。
按照本发明的另一方面，提供了一种基于深度学习导纳特征的混凝土压应力识别系统，包括：
预处理模块，用于在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的三个子频段作为目标频段；
训练模块，用于将目标频段内的导纳信号组成三维输入数据，训练三维卷积神经网络，以三维卷积神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的三维卷积神经网络；
预测模块，用于将混凝土结构在未知压应力下的导纳信号处理为三维数据后输入三维卷积神经网络，得到预测压应力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明通过将深度学习中的神经网络引入基于压电阻抗技术的结构压应力监测问题，利用神经网络模拟生物的神经元，对阻抗数据特征进行提取和学习，解决压电阻抗技术从导纳数据到结构压应力的映射关系难以建立的问题。本发明选择偏差最大的子频段作为目标频段；将目标频段内的导纳信号组成训练数据训练BP神经网络，偏差最大的子频段内的导纳信号对压应力最敏感，BP神经网络结构简单，参数数量较少，可以在短时间内达到令人满意的训练结果，由此本发明提出的方法对于混凝土结构的压应力大小有着良好的识别效果，能够精准定量快速地识别出结构的压应力大小，具有很高的实用性，能够处理不同类型的结构压应力监测问题。
(2)机电导纳信号的任何变化都可能是由结构损坏的存在引起的结构完整性变化的一个指示，将各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差最大的导纳信号输入BP神经网络进行预测，此时，导纳信号对压应力比较敏感，由此预测的结果更加准确。
(3)本发明训练BP神经网络时，将数据归一化后划分为训练集、验证集和测试集，通过验证集验证训练效果，提升训练结果的准确率，通过测试集测试训练效果，确定最终的网络性能参数。BP神经网络结构简单，参数数量较少，只需进行几十轮训练就能达到令人满意的结果。相比于二维卷积神经网络需要三四百轮训练才能达到满意结果，本发明训练效率大大提高。BP神经网络具有较强的非线性映射能力。BP神经网络在训练时，能够通过学习自动提取输入、输出数据间的映射关系，并自适应的将学习内容记忆于网络的权值中。BP神经网络具有高度自学习和自适应的能力；BP神经网络具有将学习成果应用于新知识的能力。BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。
(4)机械阻抗压电耦合方程表明，机电导纳和主结构的阻抗直接相关。PZT机电导纳在一定频率范围内的变化类似于结构的频率响应函数，而这个函数其中包含有关结构健康状态的关键信息。由于所有其他PZT特性保持不变，因此结构机械阻抗(Z)是唯一的确定整体导纳特征。因此，机电导纳信号的任何变化都可能是由结构损坏的存在引起的结构完整性变化的一个指示。通过电导信号计算得到的损伤指数对于结构的损伤检测具有更好的效果，因此本发明训练和预测时均采用导纳信号中的电导信号。
(5)三维卷积神经网络(3DCNN)相对于2DCNN神经网络，结构更为复杂，训练时使用了更多数据，能够从导纳信息中获取更多结构的信息；3DCNN神经网络模型有很大的计算冗余量，能够满足有大量工况、海量数据的情况下的模型训练；同时3DCNN在识别未训练过的未知压应力工况时比其他网络有着更好的效果。在识别未训练过的未知压应力工况时，3DCNN能够将其识别为与该未知工况压应力相近的工况，能够将未见过的压应力导纳数据或有噪声污染的压应力导纳数据，进行正确的分类，抗干扰能力强，而其他的网络模型在面对未训练过的未知工况时，识别的结果没有规律。本发明提供的方法识别效率高，在长期的结构健康监测中，能够代替人力，对大量监测阻抗信号自动分析并实现结构压应力大小的准确监测。
(6)本发明选择对压应力比较敏感的三个数据预处理为三维数据，进行训练和预测，由此提高训练效果和预测准确性。本发明中3DCNN卷积层后增加了批标准化层，大大加快了训练的速度，从原来2DCNN神经网络需要几百轮训练才能满足要求，变为现在只需要几十轮训练就可以满足要求。本发明损失函数为交叉熵函数(CrossEntropyLoss)，其中的交叉熵主要是用来判断实际的输出与期望输出的接近程度，它结合了LogSoftmax和NLLLoss两个函数。交叉熵函数在做多分类任务的神经网络训练中非常有效。
附图说明
图1是本发明实施例提供的一种基于深度学习导纳特征的混凝土压应力识别方法的流程图；
图2是本发明实施例提供的压电片与结构机电耦合原理图；
图3是本发明实施例提供的PZT压电片示意图；
图4是本发明实施例提供的混凝土结构构件的导纳测量系统；
图5中(a)为本发明实施例提供的工况2与无压应力工况(工况1)导纳曲线对比图；
图5中(b)为本发明实施例提供的工况3与无压应力工况(工况1)导纳曲线对比图；
图5中(c)为本发明实施例提供的工况4与无压应力工况(工况1)导纳曲线对比图；
图5中(d)为本发明实施例提供的工况5与无压应力工况(工况1)导纳曲线对比图；
图5中(e)为本发明实施例提供的工况6与无压应力工况(工况1)导纳曲线对比图；
图5中(f)为本发明实施例提供的工况7与无压应力工况(工况1)导纳曲线对比图；
图5中(g)为本发明实施例提供的工况8与无压应力工况(工况1)导纳曲线对比图；
图5中(h)为本发明实施例提供的工况9与无压应力工况(工况1)导纳曲线对比图；
图5中(i)为本发明实施例提供的工况10与无压应力工况(工况1)导纳曲线对比图；
图5中(j)为本发明实施例提供的工况11与无压应力工况(工况1)导纳曲线对比图；
图5中(k)为本发明实施例提供的工况12与无压应力工况(工况1)导纳曲线对比图；
图5中(l)为本发明实施例提供的工况13与无压应力工况(工况1)导纳曲线对比图；
图5中(m)为本发明实施例提供的工况14与无压应力工况(工况1)导纳曲线对比图；
图6(a)为本发明实施例提供的三维卷积神经网络训练时不同工况不同频段RMSD平均值；
图6(b)为本发明实施例提供的BP神经网络训练时不同工况不同频段RMSD平均值；
图7中(a)为本发明实施例提供的三维卷积神经网络训练集正确率曲线图；
图7中(b)为本发明实施例提供的三维卷积神经网络训练集损失曲线图；
图8中(a)为本发明实施例提供的BP神经网络训练集正确率曲线图；
图8中(b)为本发明实施例提供的BP神经网络训练集损失曲线图；
图9中(a)为本发明实施例提供的三维卷积神经网络验证集正确率曲线图；
图9中(b)为本发明实施例提供的三维卷积神经网络验证集损失曲线图；
图10中(a)为本发明实施例提供的BP神经网络验证集正确率曲线图；
图10中(b)为本发明实施例提供的BP神经网络验证集损失曲线图；
图11中(a)为本发明实施例提供的三维卷积神经网络测试集正确率曲线图；
图11中(b)为本发明实施例提供的三维卷积神经网络测试集损失曲线图；
图12中(a)为本发明实施例提供的BP神经网络测试集正确率曲线图；
图12中(b)为本发明实施例提供的BP神经网络测试集损失曲线图；
图13中(a)为本发明实施例提供的0标签样本的输出概率图；
图13中(b)为本发明实施例提供的1标签样本的输出概率图；
图13中(c)为本发明实施例提供的2标签样本的输出概率图；
图13中(d)为本发明实施例提供的3标签样本的输出概率图；
图13中(e)为本发明实施例提供的4标签样本的输出概率图；
图13中(f)为本发明实施例提供的5标签样本的输出概率图；
图13中(g)为本发明实施例提供的6标签样本的输出概率图；
图13中(h)为本发明实施例提供的7标签样本的输出概率图；
图13中(i)为本发明实施例提供的8标签样本的输出概率图；
图13中(j)为本发明实施例提供的9标签样本的输出概率图；
图13中(k)为本发明实施例提供的10标签样本的输出概率图；
图13中(l)为本发明实施例提供的11标签样本的输出概率图；
图13中(m)为本发明实施例提供的12标签样本的输出概率图；
图13中(n)为本发明实施例提供的13标签样本的输出概率图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于深度学习导纳特征的混凝土压应力识别方法，包括：
将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力；
所述BP神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；
将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络。
本发明还提供了一种基于深度学习导纳特征的混凝土压应力识别方法，包括：
将混凝土结构在未知压应力下的导纳信号处理为三维数据后输入三维卷积神经网络，得到预测压应力；
所述三维卷积神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的三个子频段作为目标频段；
将目标频段内的导纳信号组成三维输入数据，训练三维卷积神经网络，以三维卷积神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的三维卷积神经网络。
如图2和3所示，压电阻抗是机械结构的动态阻抗信息在PZT压电阻抗上的反映，机械结构的微变使得PZT电阻抗发生变化，反之，可由电阻抗的信息，得知机械结构的变化情况。我们可以将PZT粘接在结构上简化为如图所示的单自由度弹簧-质量-阻尼系统，根据压电方程、振动方程和边界条件，得出机械阻抗压电耦合方程：
其中：Za(ω)和Z(ω)分别是PZT和主结构的机械阻抗；j是虚数单位；ω是驱动电压的角频率；w、l和h分别是PZT片的宽度、长度和厚度；
是PZT材料在零电场下的复数杨氏模量；d32是在z和y方向零应力时的耦合压电常数；
是PZT在零应力时的复介电常数；η和δ分别代表PZT的机械损耗因数和介电损耗因数；κ是与激励频率ω相关的波数；κ的表达式如下：
其中：ρ是结构的材料密度。
PZT片的复机电导纳Y(ω)可以被解释为Y＝G+jB，它包含实数和虚数部分，实数部分被称为电导(G)，虚数部分被称为电纳(B)。机械阻抗压电耦合方程表明，机电导纳和主结构的阻抗直接相关。PZT机电导纳在一定频率范围内的变化类似于结构的频率响应函数，而这个函数其中包含有关结构健康状态的关键信息。由于所有其他PZT特性保持不变，因此结构机械阻抗(Z)是唯一的确定整体导纳特征。因此，机电导纳信号的任何变化都可能是由结构损坏的存在引起的结构完整性变化的一个指示。可以通过实验得出通过电导信号计算得到的损伤指数对于结构的损伤检测具有更好的效果的结论，所以本发明通过电导信号计算出来的RMSD值，可以准确反映结构的损伤状态。
BP神经网络分为一个输入层、两个隐含层和一个输出层。
输入层输入大小为160×1，经过全链接线性变换为80×1，然后再经过ReLU激活函数非线性变换，得到第一个隐含层的输入数据80×1；第一个隐含层将上一层的输出数据经过全链接线性变换为40×1，然后经过ReLU激活函数非线性变换，得到第二个隐含层的输入数据40×1；第二个隐含层将上一层的输出数据经过全链接线性变换为14×1，得到输出层的输入数据14×1；输出层将上一层的输出数据经过Softmax函数变换，得到输入导纳数据被识别为不同压应力工况的概率14×1。
3DCNN神经网络的基本结构是：两个大卷积层，两个全连接层。
第一个大卷积层先是一个卷积层进行卷积操作，输入数据为1×3×16×16；3个尺寸为3×5×5的卷积核，填充和步长都为1，输出结果为3×3×16×16；然后是归一化层进行批归一化操作，将卷积得到后的结果按照批大小进行归一化，归一化后的输出结果尺寸不变；然后池化层进行最大池化操作，池化尺寸为1×2×2，步长为1，不填充，输出结果为3×3×15×15；最后进行ReLU激活函数非线性变换，输出尺寸不变，为3×3×15×15。
第二个大卷积层先是卷积层进行卷积操作，输入数据为3×3×15×15；10个尺寸为3×5×5的卷积核，步长为1，不填充，输出结果为10×1×10×10；然后是归一化层进行批归一化操作，将卷积得到后的结果按照批大小进行归一化，归一化后的输出结果尺寸不变；然后池化层进行最大池化操作，池化尺寸为1×2×2，步长为(1，2，2)，不填充，输出结果为10×1×5×5；最后进行ReLU激活函数非线性变换，输出尺寸不变，为10×1×5×5。
后面是两个全连接层，先将第二个大卷积层输出数据展开，得到250×1的一维数据；第一个全连接层先做卷积层输出的一维数据线性变化，将250×1的数据变换为80×1的数据，然后进行ReLU函数激活非线性变换；第二个全连接层只做线性变换，将80×1的数据变换为14×1的数据，然后经过Softmax函数变换输出最终结果。
三维卷积神经网络的训练包括：
按照监督学习中的分类问题设计卷积神经网络。使用训练集训练神经网络；验证集验证神经网络训练的损失和精度，然后根据验证集得到的结果不断修改超参数，提升神经网络的效率，减小损失，提升精度，并使其收敛性、稳定性满足要求。最终通过测试集测试神经网络的性能，使得其精度达到100％，损失小于0.001，得到满足要求的3DCNN神经网络模型为最终所求的模型。
如图4所示，利用微机控制电液伺服万能试验机C688对混凝土标准立方体试块施加恒定荷载，同时，使用安捷伦4294A商用阻抗仪测量导纳信号。对于受压混凝土结构，当结构受到的荷载小于极限荷载的24％～45％时结构内部裂缝几乎不发展，因此在长期荷载作用下结构内部结构十分稳定；当结构受到的荷载小于极限荷载的70％～87％时结构内部裂缝缓慢发展，当受到长期荷载时内部结构有细微变化但变化不大；但当结构受到的荷载超出极限荷载的70％～87％时，结构内部裂缝发展较快，当受到长期荷载时内部结构会有较大变化，这意味着即使在同一种工况下测得的阻抗谱也会存在一定的差异。
考虑混凝土结构受压时的内部结构变化情况，因为当荷载小于极限荷载的70％～87％时混凝土试件内部结构较为稳定。结构试验预先设置10组工况，分别为：0MPa，2MPa，5MPa，8MPa，12MPa，16MPa，20MPa，22MPa，24MPa，26MPa。倘若完成26MPa工况后试块仍未破坏，则继续以4MPa为增加量加载直到混凝土试块不能继续承压。此时获得的同一种工况下的阻抗谱可能会存在较大差异从而影响接下来的神经网络训练。将贴好压电陶片的试块放置于微机控制电液伺服万能试验机C688中按照设计的工况施加荷载。受压面选取较为平整光滑的垂直于压电陶片粘贴面的两个对立面。每组工况下用阻抗仪测量30组阻抗谱用于神经网络的训练与检验。选取电阻抗谱测量频段为40Hz～500kHz，测量点选取801个。加载到工况5(12MPa)时混凝土试块产生第一条裂缝，随着试验进行裂缝并没有增加扩展。直到混凝土试块应力达到30MPa(工况11)时裂缝开始发展。直到加载到945KN(42MPa)时混凝土试块侧面鼓起剥落，试块破坏不能继续加载。因此实际工况共14组，将14种工况分别标签为0～13。
将得到的导纳数据去掉数据前段和后段，从中间选取640个数据，将数据分为40个子频段，每个频段16个数据，计算不同工况下30组数据40个子频段的RMSD的平均值，以该平均值作为该工况下不同子频段的RMSD；选择14个工况的RMSD平均值(去掉最大最小值后的平均值)最大的三个子频段；相应的，每一个子频段下，结构的RMSD计算公式如下：
式中：xi、yi分别为结构无压应力状态和受压后的电导纳信号值；N为采集的频率点个数；在本发明实施例中，xi取结构无压应力状态时所测得的30组数据的平均值，N对应每个区段的数据维度，即16。
将得到的三个子频段的数据两两做矩阵乘法，得到3个16×16的二维矩阵，分别将二维矩阵数据进行Z-Score归一化，再将之按固定顺序堆叠，得到3×16×16的三维输入数据。将处理后的数据按照工况添加从0到13的标签，按照7∶2∶1的比例将数据集划分为训练集，验证集和测试集；相应的，数据Z-Score归一化公式如下：
其中：
式子中，n为矩阵元素个数，本发明中具体为16×16＝256；xi为矩阵中的某个具体数据。
如图5中(a)-图5中(m)所示，通过对比各工况和无损工况的导纳数据，可以发现：(1)工况2～5的导纳数据曲线形状相似，只有局部细小差别；工况2～5和工况1(无损)对比，形状变化规律难以掌握，变化微小，仅靠人的经验难以识别。(2)工况6～14的导纳数据曲线形状相似，随着压应力的增大，导纳曲线的谐振峰值向左、向上偏移，但是各工况之间的差别很小，很难凭借肉眼分辨他们之间的区别。(3)工况2～5和工况6～14两组工况导纳图之间出现差别的原因是：在工况2～5，混凝土还未开裂，而在工况6～14，混凝土开裂，由于混凝土开裂，结构的刚度等特性发生很大改变，导致导纳数据发生改变，造成两组工况导纳图有很大差别；两组工况都缺少可靠的指标量化导纳数据与压应力工况之间的映射关系，由此缺少有效的方法来通过导纳数据来识别压应力大小。
图6(a)所示，表示测量混凝土试块压应力各工况下子频段导纳的平均RMSD指标图，在求平均值时，我们需要去掉RMSD的最大最小值。可以观察到，其9、15、16区段的平均RMSD值比较大，代表在该区段内的各工况和无损工况间电导数据之间的差别比较大(即对压应力比较敏感)，故分别选择9、15、16区段的两个区段，得到两个区段的三种组合，两个区段的16维数据作为二维数据的一个维度数据，再将这两的单维度的数据对应相乘，得到一个16×16的二维数据，并将该二维数据进行归一化。三种组合的两个区段可以得到三个16×16的二维数据，将之在第三个维度上进行组合，得到一个3×16×16的三维数据，并将其作为3DCNN的输入数据送入网络进行训练。通过3DCNN的对不同工况的电导数据的特征进行监督学习，完成网络的训练后，输入未知压应力工况的三维电导数据，3DCNN即可输出压应力的识别结果。
基于压电导纳技术，建立主体结构的健康监测系统，通过阻抗仪1V电压激励，在频段(40Hz-500kHz)范围内扫频得到结构在不同压应力状态下的30组原始导纳信号(共801维)。
将得到的导纳数据去掉第一个数据，取800维数据，将数据分为5个子频段，每个频段160个数据，计算不同工况下30组数据5个子频段的RMSD的平均值，以该平均值作为该工况下不同子频段的RMSD。
选择14个工况的RMSD平均值(去掉最大最小值后的平均值)最大的一个子频段；相应的，每一个子频段下，结构的RMSD计算公式如下：
式中：xi、yi分别为结构无压应力状态和受压后的电导纳信号值；N为采集的频率点个数；在本发明实施例中，xi取结构无压应力状态时所测得的30组数据的平均值，N对应每个区段的数据维度，即160。
将选取的子频段的数据归一化，然后将处理后的数据按照工况添加从0到13的标签，按照7∶2∶1的比例将数据集划分为训练集，验证集和测试集；相应的，数据Z-Score归一化公式如下：
其中：
式子中，n为矩阵元素个数，本发明中具体为160；xi为一维数据中的某个具体数据。
在训练BP神经网络时损失函数也使用交叉熵函数。
如图6(b)所示，其2区段的平均RMSD值比较大，代表在该区段内的各工况和无损工况间电导数据之间的差别比较大(即对压应力比较敏感)，故选择2区段的一维数据，将该一维数据进行归一化，然后将其作为BP的输入数据送入网络进行训练。通过BP的对不同工况的电导数据的特征进行监督学习，完成网络的训练后，输入未知压应力工况的一维电导数据，BP即可输出压应力的识别结果。
从图7中(a)、图7中(b)、图8中(a)、图8中(b)中可以观察到：训练集的正确率曲线随着训练轮数的增加而快速增加，然后稳定到100％，这表明神经网络已经完全学习了训练集的数据特征；并且训练集的损失快速下降，然后稳定到接近0；训练集的正确率和损失都在50轮的训练过程中快速下降然后稳定，表明3DCNN和BP神经网络的学习能力强大且性能稳定。图9中(a)、图9中(b)、图10中(a)、图10中(b)中验证集的正确率和损失曲线图与训练集的基本一致，表明神经网络并没有出现过拟合现象，并且对于新的数据也有很强的鲁棒性。图11中(a)、图11中(b)、图12中(a)、图12中(b)的正确率和损失代表3DCNN(BP)神经网络的最终性能，它与训练集和验证集基本一致，满足我们对于3DCNN(BP)神经网络的要求。
图13中(a)-图13中(n)是0～13标签样本的输出概率，输入某个标签的样本，3DCNN经过计算，得出个标签的评分值，再由softmax函数将评分值转化为概率，最终得到某个标签样本经过3DCNN计算预测，该样本分别为14种不同标签的概率。可以发现除了标签为8和9的样本经过3DCNN预测成功概率(分别为0.854和0.941)未能达到0.95以上的概率，其他样本预测成功概率都达到了0.95以上，说明3DCNN神经网络有很强的预测稳定性并且有极大的概率预测出正确的标签。
Softmax函数公式如下：
其中：zi表示神经网络输出的一个对应于某个标签的得分数据，本发明实施例中n＝14。
本发明提供的基于深度学习导纳特征的混凝土压应力识别方法，采用3DCNN(BP)神经网络对压应力进行识别；将具有不同扫频频率及压应力的导纳信息作为输入层，压应力信息作为输出层；3DCNN(BP)神经网络在输入和输出之间形成特定的映射关系；通过训练，利用已经训练好的3DCNN(BP)神经网络进行压应力识别；在输入具有某个压应力的导纳信息后，3DCNN(BP)神经网络输出相应的预测；本发明提供的方法具有较高的实用性，能够对结构不同状态下的压应力准确识别。从而达到一种无损、准确、智能、抗干扰的压应力识别。本发明提供的方法识别效率高，在长期的结构健康监测中，能够代替人力，对大量监测阻抗信号自动分析并实现结构压应力大小的准确监测。本发明提供的压应力识别方法，能够学习更多不同压应力工况的导纳信息，持续不断完善3DCNN(BP)神经网络，优化参数。本发明建立的3DCNN(BP)神经网络有着良好的宽容度，具有不断自我学习和性能提升的能力，能够更好识别实际工况下的压应力。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，包括：
将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力；
所述BP神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；
将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络。
2.如权利要求1所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述混凝土结构在未知压应力下的导纳信号经过如下处理后输入BP神经网络进行预测：
将混凝土结构在未知压应力下不同扫频频率下的导纳信号划分为多个子频段下的导纳信号，计算各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段内的导纳信号输入BP神经网络进行预测。
3.如权利要求1或2所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述BP神经网络的训练包括：
将训练数据归一化后划分为训练集、验证集和测试集，先用训练集训练BP神经网络，每轮训练后，用验证集数据输入训练后的BP神经网络，输出损失、正确率；
根据BP神经网络输出的损失、正确率，修改BP神经网络的学习率、批大小和优化器的超参数，再次对BP神经网络进行训练和验证，当BP神经网络输出损失小于0.001、正确率达到100％时，结束训练和验证，得到训练好的BP神经网络；
将测试集输入训练好的BP神经网络，输出的损失、正确率作为训练好的BP神经网络的最终性能参数。
4.如权利要求1或2所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述BP神经网络包括依次设置的一个输入层、两个隐含层和一个输出层，输入层中输入数据经过全链接线性变换后再经过ReLU激活函数进行非线性变换，得到第一个隐含层的输入数据；第一个隐含层将上一层的输出数据经过全链接线性变换后经过ReLU激活函数进行非线性变换，得到第二个隐含层的输入数据；第二个隐含层将上一层的输出数据经过全链接线性变换，得到输出层的输入数据；输出层将上一层的输出数据经过Softmax函数变换，得到输入导纳数据被识别为不同压应力工况的概率。
5.如权利要求1或2所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述导纳信号包括电导信号和电纳信号，在训练和预测时均采用导纳信号中的电导信号。
6.一种基于深度学习导纳特征的混凝土压应力识别系统，其特征在于，包括：
预处理模块，用于在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的子频段作为目标频段；
训练模块，用于将目标频段内的导纳信号组成训练数据，训练BP神经网络，以BP神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的BP神经网络；
预测模块，用于将混凝土结构在未知压应力下的导纳信号输入BP神经网络，得到预测压应力。
7.一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，包括：
将混凝土结构在未知压应力下的导纳信号处理为三维数据后输入三维卷积神经网络，得到预测压应力；
所述三维卷积神经网络通过如下方式训练：
在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；
将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的三个子频段作为目标频段；
将目标频段内的导纳信号组成三维输入数据，训练三维卷积神经网络，以三维卷积神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的三维卷积神经网络。
8.如权利要求7所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述三维输入数据通过如下方式组成：
将目标频段内的导纳信号两两做矩阵乘法，得到三个二维矩阵，分别将二维矩阵进行归一化后堆叠得到三维输入数据。
9.如权利要求7或8所述的一种基于深度学习导纳特征的混凝土压应力识别方法，其特征在于，所述三维卷积神经网络的每个卷积层后连接批标准化层，三维卷积神经网络在训练时的损失函数为：
其中，yi，k取0或者1，如果预测的压应力是真实压应力，则yi，k＝I，否则yi，k＝0，共有K个真实压应力，N个三维输入数据，pi，k表示第i个三维输入数据预测为第k个真实压应力的概率。
10.一种基于深度学习导纳特征的混凝土压应力识别系统，其特征在于，包括：
预处理模块，用于在预设频段内扫频得到混凝土结构在不同压应力状态下的导纳信号；将预设频段划分为多个子频段，计算混凝土结构在各子频段内的导纳信号相对于混凝土结构在无压应力状态下各子频段内的导纳信号的偏差，将偏差最大的三个子频段作为目标频段；
训练模块，用于将目标频段内的导纳信号组成三维输入数据，训练三维卷积神经网络，以三维卷积神经网络预测的压应力与导纳信号的真实压应力之间的误差最小为目标，训练至收敛，得到训练好的三维卷积神经网络；
预测模块，用于将混凝土结构在未知压应力下的导纳信号处理为三维数据后输入三维卷积神经网络，得到预测压应力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651019.7A CN115165164B (zh) | 2022-06-09 | 2022-06-09 | 基于深度学习导纳特征的混凝土压应力识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210651019.7A CN115165164B (zh) | 2022-06-09 | 2022-06-09 | 基于深度学习导纳特征的混凝土压应力识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115165164A true CN115165164A (zh) | 2022-10-11 |
| CN115165164B CN115165164B (zh) | 2024-09-06 |
Family
ID=83485815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210651019.7A Active CN115165164B (zh) | 2022-06-09 | 2022-06-09 | 基于深度学习导纳特征的混凝土压应力识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115165164B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115579090A (zh) * | 2022-11-09 | 2023-01-06 | 陕西科技大学 | 一种基于低维导纳特征的壳体结构材料分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN111079891A (zh) * | 2019-01-18 | 2020-04-28 | 兰州理工大学 | 一种基于双隐含层bp神经网络的离心泵性能预测方法 |
| CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
| US11227161B1 (en) * | 2021-02-22 | 2022-01-18 | Institute Of Automation, Chinese Academy Of Sciences | Physiological signal prediction method |
| CN114186586A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别方法及设备 |
| CN114186624A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
-
2022
- 2022-06-09 CN CN202210651019.7A patent/CN115165164B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN111079891A (zh) * | 2019-01-18 | 2020-04-28 | 兰州理工大学 | 一种基于双隐含层bp神经网络的离心泵性能预测方法 |
| US11227161B1 (en) * | 2021-02-22 | 2022-01-18 | Institute Of Automation, Chinese Academy Of Sciences | Physiological signal prediction method |
| CN113486851A (zh) * | 2021-07-28 | 2021-10-08 | 齐齐哈尔大学 | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 |
| CN114186586A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别方法及设备 |
| CN114186624A (zh) * | 2021-12-08 | 2022-03-15 | 华中科技大学 | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| DEMI AI, FANG MO: "Deep learning of electronmechanical impedance for concrete structural damage identification using 1-D convolutional neural networks", 《CONSTRUCTION AND BUILDING MATERIALS》, 12 April 2023 (2023-04-12) * |
| 杨景文;朱宏平;王丹生;艾德米: "基于EMI损伤检测技术的温度补偿研究", 《土木工程与管理学报》, 15 September 2014 (2014-09-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115579090A (zh) * | 2022-11-09 | 2023-01-06 | 陕西科技大学 | 一种基于低维导纳特征的壳体结构材料分类方法 |
| CN115579090B (zh) * | 2022-11-09 | 2023-04-14 | 陕西科技大学 | 一种基于低维导纳特征的壳体结构材料分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115165164B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210175553A1 (en) | Acoustic signal based analysis of batteries | |
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| Malinowski et al. | Employing principal component analysis for assessment of damage in GFRP composites using electromechanical impedance | |
| Nasiri et al. | Online damage monitoring of SiC f-SiC m composite materials using acoustic emission and deep learning | |
| Sattarifar et al. | Damage localization and characterization using one-dimensional convolutional neural network and a sparse network of transducers | |
| CN115165164A (zh) | 基于深度学习导纳特征的混凝土压应力识别方法和系统 | |
| CN114330435A (zh) | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 | |
| CN112084709A (zh) | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 | |
| CN114186624B (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
| CN114186586B (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
| CN114324582A (zh) | 一种基于hht与神经网络的复合材料板分层缺陷空耦超声检测方法 | |
| CN113642822A (zh) | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 | |
| Amaravadi et al. | Structural integrity monitoring of composite patch repairs using wavelet analysis and neural networks | |
| CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
| Elenchezhian et al. | Damage precursor identification in composite laminates using data driven approach | |
| Addin et al. | Prediction and detection of failures in laminated composite materials using neural networks-a review | |
| Sahu et al. | Fault detection in beam structure using adaptive immune based approach | |
| Dabetwar | Fatigue damage diagnostics and prognostics of composites using artificial intelligence methods for experimental data | |
| Li et al. | Online Condition Assessment of Prestressed Hollow-Core Slab Bridges Based on 1d Cnn Using Acoustic Emission Technique | |
| CN116046980B (zh) | 一种基于应变监测的结构疲劳损伤诊断方法 | |
| CN118658800B (zh) | 基于复合超材料的集成电路封装密封性检测方法及系统 | |
| CN118553359B (zh) | 一种钢混组合梁耐久性评估方法及系统 | |
| RU2708500C1 (ru) | Способ оценки параметров профиля поверхности на основе вероятностно-статистической классификации спектра профилограммы | |
| CN115640715A (zh) | 一种基于实测应变数据的金属结构裂纹特征识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |