基于GRNN的级联组合模型用于识别非破坏性损害状态:小数据方法
Ivan Izonin1,2, Athanasia K Kazantzi1, Roman Tkachenko3
1Department of Civil Engineering, School of Engineering, University of Birmingham, Birmingham, B15 2FG UK.
Engineering with computers
|March 3, 2025
概括
本研究介绍了一种机器学习模型,用于快速,非破坏性的桥梁损坏评估. 它准确地识别了结构问题,如因偏移数据而导致肌损失,提高了安全性和恢复规划.
科学领域:
- 结构工程 结构工程
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 老化的基础设施面临着气候引起的退化,挑战传统的检查方法.
- 传统的预应力混凝土桥梁检查往往错过了隐藏的缺陷,如肌损失,导致潜在的故障.
- 由于检测微妙损伤的局限性,现有的方法需要昂贵的持续监测.
研究的目的:
- 解决在早期检测桥梁损坏方面的能力差距.
- 提出一种新的机器学习方法,用于快速,非破坏性地评估桥梁结构健康状况.
- 为了实现明智的结构性干预和有效的恢复规划.
主要方法:
- 通过模拟各种桥梁损伤场景,包括不同程度和肌损失模式,组建了一个全面的训练数据集.
- 开发了一种基于一般回归神经网络 (GRNN) 的新级联合体模型,用于从有限的数据中预测相互依赖的输出属性.
- 使用差异进化方法优化了级联模型,并将其验证在真正的长跨桥上.
主要成果:
- 提出的基于GRNN的级联组合模型在识别桥梁损伤状态方面表现出高准确性.
- 该模型有效地根据可测量的结构偏移预测结构损伤,优于现有方法.
- 在真正的长跨桥上进行验证证实了该模型在非破坏性损害评估中的有效性和可靠性.
结论:
- 开发的机器学习模型为非破坏性桥梁损坏评估提供了一个实用的解决方案.
- 准确可靠的损坏识别有助于及时进行结构干预和有效的修复规划.
- 这种方法提高了受气候引起的压力因素影响的老化结构的安全性.
