在结构中使用声波形和深度学习的自动裂识别

科学领域:

• 土木工程 土木工程是指土木工程.
• 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:

• 结构元素容易受到环境因素和关键负载的损害.
• 声辐射 (AE) 波形分析对于检测微裂至关重要,但通常依赖于主观特征选择.
• 在结构中自动化损坏评估对于安全和维护至关重要.

研究的目的:

• 开发和验证一种深度学习模型,用于自动预测结构元素中的损坏严重程度和位置.
• 为了提高结构健康监测,利用声辐射 (AE) 波形.
• 克服传统的主观AE分析方法的局限性.

主要方法:

• 密集连接的卷积神经网络 (CNN) 用于从时间域AE波形中提取高级特征.
• 深度学习模型是使用混凝土和木结构元素的AE数据进行训练和验证的.
• 该模型直接处理原始AE波形,消除了手动特征工程的需要.

主要成果:

• 提出的深度学习模型准确地预测了损害严重程度,准确度为92-95%.
• 该模型在识别测试结构元素中损坏的近似位置时达到90-100%的准确性.
• 在混凝土和木质梁和板上的验证证明了该方法的稳定性.

结论:

• 开发的深度学习方法提供了一种强大的自动化技术,用于预测和定位在民用结构中的损害严重程度.
• 这种方法通过提供客观和准确的损害评估来增强结构健康监测.
• 基于CNN的模型显示了基础设施安全和维护的真实应用的巨大潜力.