结构健康监测的深度学习:数据,算法,应用,挑战和趋势
1Department of Civil Engineering, College of Engineering, Ocean University of China, Qingdao 266100, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
深度学习 (DL) 通过分析振动和图像等数据来提前检测结构损伤,从而增强结构健康监测 (SHM). 这次审查强调了DL的重点.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
背景情况:
- 环境因素导致基础设施的结构损坏 (裂,刚性损失).
- 结构健康监测 (SHM) 对于早期检测损坏和防止故障至关重要.
- 深度学习 (DL) 为SHM应用程序提供高级功能提取.
研究的目的:
- 系统审查深度学习 (DL) 在结构健康监测 (SHM) 中的应用.
- 在操作和维护阶段分析数据类型,DL算法和特定应用.
- 为了确定目前的挑战和未来的趋势在DL的SHM.
主要方法:
- 对337篇关于SHM的DL文章的系统文献综述.
- 数据类型 (振动信号,图像),DL算法 (CNN) 和应用领域的分析.
- 检查DL在损坏检测,定位和评估中的作用.
主要成果:
- 振动信号和图像是最常见的数据类型 (80%).
- 卷积神经网络 (CNN) 在DL算法中占主导地位 (60%).
- 裂纹检测是研究最多的应用 (30%).
结论:
- 在基础设施运营和维护中,DL是一种强大的工具,可以增强SHM.
- 未来的趋势包括将SHM与数字双胞胎 (DT) 集成为高级管理.
- 拟议的结构性健康监测数字双胞胎 (SHMDT) 框架可以促进数字化和智能管理.
