混合神经网络方法用于结构健康监测中的损害定位

科学领域:

• 结构工程 结构工程
• 人工智能的人工智能
• 材料科学 材料科学 材料科学

背景情况:

• 大型结构的裂带来了重大的安全和财务风险.
• 现有的裂检测方法通常依赖于图像数据和深度学习.
• 结构性健康监测需要具有成本效益和创新的方法.

研究的目的:

• 通过使用数值数据来评估混合循环神经网络-卷积神经网络 (RNN-CNN) 模型的裂检测.
• 将这些混合模型的性能与传统的卷积神经网络 (CNN) 模型进行比较.
• 调查将RNN层纳入增强裂检测和细分的潜力.

主要方法:

• 开发一种混合RNN-CNN模型,其中包含单个RNN层和支持层.
• 使用数值数据而不是图像数据来检测裂.
• 与先前研究中使用的纯CNN模型进行比较分析.

主要成果:

• 拟议的混合RNN-CNN模型在裂检测方面实现了78.9%的准确性.
• 性能略低于传统的CNN模型,但证明了RNN的潜力.
• 整合额外的RNN层显示出改善裂检测和细分的前景.

结论:

• 混合RNN-CNN模型为使用数值数据的裂纹检测提供了成本高效的替代方案.
• RNN层可以有效地补充CNN模型,特别是在结构损坏分析中保存空间信息.
• 建议对优化基于RNN的方法进行进一步的研究,以进行强大的结构健康监测.