使用稀疏的声学传感器网络和知识转移的深度学习进行多层次的结构损伤表征

科学领域:

• 工程 工程师 工程师 工程师
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 标准的结构健康监测 (SHM) 方法与复杂的结构作斗争,需要先进的技术.
• 用于SHM的数据驱动机器学习需要广泛的训练数据集,这些数据集对于各种缺陷具有挑战性.
• 神经网络中的知识传输可以降低SHM系统的数据需求和计算成本.

研究的目的:

• 展示基于机器学习的多层次损害表征方法,用于稀疏的传感器网络,具有知识传输能力.
• 在深度学习算法中引入用于SHM的高效知识转移的新技术.
• 评估拟议方法在复杂结构上的缺陷定位和严重性评估方面的有效性.

主要方法:

• 开发基于机器学习的损害特征框架,利用稀疏的传感器网络.
• 实施一个新的网络空间辅助和自适应卷积技术,以实现高效的知识传输.
• 在带有诱导缺陷的板上进行实验验证,分析多个分散波.

主要成果:

• 拟议的方法提高了知识转移损害的特征化,在局部化方面提高了50%,在严重程度评估方面提高了24%.
• 发现多个分散波含有丰富的缺陷签名,提高了识别和量化准确性.
• 通过使用固定传感器网络的多重分散波来实现所有损害特征级别的100%预测准确性.

结论:

• 机器学习与知识转移为复杂结构中的SHM提供了强大的解决方案,克服了传统方法的局限性.
• 拟议的自适应卷积和空间辅助技术促进了高效的知识传输,减少了对大型数据集的需求.
• 在SHM中使用多重分散波显著提高了缺陷检测和量化准确度,为更可靠的检查系统铺平了道路.