一个堆叠的神经网络模型用于损害定位
Catalin V Rusu1, Gilbert-Rainer Gillich2,3, Cristian Tufisi2,3
1Department of Computer Science, Babeș-Bolyai University, Str. M. Kogălniceanu 1, 400084 Cluj-Napoca, Romania.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
本研究介绍了一种堆叠的人工神经网络 (ANN) 方法,用于准确检测结构损伤. 这种新的方法利用相对频率转移 (RFS) 确定损坏位置,优于传统技术.
科学领域:
- 结构健康监测 结构健康监测
- 在工程领域的人工智能.
背景情况:
- 传统的基于振动的损坏检测方法通常是手动的,导致延误和错误.
- 需要自动化方法来提高结构损坏评估的效率和准确性.
研究的目的:
- 使用人工神经网络 (ANN) 开发一种准确和自动化的方法来检测结构损伤位置.
- 提出一种新的堆叠神经网络架构,以提高损害预测的准确性.
主要方法:
- 从振动模式使用相对频率转移 (RFS) 提取特征.
- 使用多层感知器,循环神经网络,长期短期记忆和门式循环单元的堆叠神经网络方法的实施.
- 训练个别网络对细分束数据进行训练,并与标准的ANN进行比较.
主要成果:
- 提出的堆叠神经网络方法在预测损伤位置方面表现出很高的准确性.
- 一个特定的堆叠模型,包括14个双层输送网络,实现了最佳性能.
- 堆叠方法的性能优于在整个结构上训练的标准神经网络.
结论:
- 堆叠的神经网络为准确的,自动化的结构损伤检测提供了强大的工具.
- 细分策略和特定的网络配置对于优化性能至关重要.
- 这种方法大大减少了与传统方法相关的时间和错误的可能性.
