使用深度神经网络对时间频率信号表示的桥梁损伤识别
Pasquale Santaniello1, Paolo Russo1
1DIAG Department, Sapienza University of Rome, Piazzale Aldo Moro 5, 00185 Rome, Italy.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
这项研究引入了一种新的方法,用于检测桥梁的结构损坏,使用加速数据和深度学习. 该方法准确地分类不同的损害场景,增强结构健康监测.
科学领域:
- 土木工程 土木工程是指土木工程.
- 结构健康监测 结构健康监测
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 维护民用基础设施需要持续监测结构完整性.
- 早期发现损坏对于确保桥梁的寿命和安全至关重要.
- 现有的方法可能缺乏复杂,多类损害识别所需的精度.
研究的目的:
- 开发一种独特的方法,用于在民用建筑物中检测多类损坏.
- 在各种损坏场景下对桥梁加速度计的时间序列加速度反应进行分类.
- 通过使用现实世界的基准数据来验证拟议的方法.
主要方法:
- 使用同步挤压变换 (SST) 来处理加速度响应的信号.
- 应用深度学习算法,特别是预训练的二维卷积神经网络 (CNN).
- 在Z24桥梁基准数据集上验证管道,其中包括标记的现实损害数据.
主要成果:
- 拟议的管道准确地分类了桥上的不同类型的损坏场景.
- 高分类准确度是通过利用预训练的二维CNN来实现的.
- 发现简单的投票方法进一步提高了分类准确性.
结论:
- 开发的方法为多类结构损坏检测提供了强大而有效的解决方案.
- SST和深度学习的整合为桥梁健康监测提供了一个强大的工具.
- 该方法显示了在民用基础设施维护中实际应用的巨大潜力.
