图形卷积神经网络与单模决策融合神经网络相结合在结构损伤识别中的应用.
Xiaofei Li1, Langxing Xu1, Hainan Guo2
1College of Transportation Engineering, Dalian Maritime University, Dalian 116026, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了一种新的单一模型决策融合神经网络 (S_DFNN) 用于结构损伤的识别. 这种先进的深度学习方法通过将数据融合与图形卷积神经网络 (GCNs) 集成来提高准确性.
科学领域:
- 结构性健康监测 结构性健康监测
- 在工程领域的人工智能
- 信号处理 信号处理
背景情况:
- 准确的结构损坏识别是至关重要的,特别是许多传感器和复杂的空间安排.
- 传统方法与环境干扰和影响振动信号的传感器不稳定性作斗争.
- 图形卷积神经网络 (GCNs) 提供了学习传感器空间特征的潜力.
研究的目的:
- 开发一种改进的结构损坏识别方法.
- 提高各种结构中损坏检测的准确性和稳定性.
- 解决现有GCN在现实条件下的局限性.
主要方法:
- 提出了一个单一模型决策融合神经网络 (S_DFNN).
- 将数据融合技术集成到GCN模型的决策层中.
- 使用高性能图形卷积深度学习.
主要成果:
- S_DFNN模型在不同结构中展示了优越的损坏识别性能.
- 与单一模型方法相比,准确性得到了显著提高.
- 该方法显示出良好的损害识别效果和强大的概括能力.
结论:
- 拟议的数据融合和深度学习方法对于结构损伤诊断是有效的.
- 该S_DFNN模型在识别结构损坏方面表现出强大的性能和高精度.
- 这种方法在结构健康监测中具有实践应用的巨大潜力.


