10.13465/j.cnki.jvs.2023.014.016
基于小波散射卷积神经网络的结构损伤识别
损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义.深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题.该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network,1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理.在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别.通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证.结果表明:与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上.随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力.
结构状态评估、深度学习、小波散射变换、卷积神经网络(CNN)、损伤识别
42
TU312.3(建筑结构)
国家重点研发计划;国家自然科学基金;湖南省自然科学基金项目
2023-07-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
138-146