相关实验视频
Updated: Sep 11, 2025

Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
通过基于LSTM的深度学习实现的CFRP-FBG传感器增强RC光束的疲劳寿命预测
Minrui Jia1, Chenxia Zhou2, Xiaoyuan Pei2
1Engineering Teaching Practice Training Center of Tiangong University, Tianjin 300072, China.
这项研究引入了长短期记忆 (LSTM) 网络,用于使用碳纤维增强聚合物纤维布拉格格 (CFRP-FBG) 传感器进行智能疲劳寿命评估. 该LSTM模型显著提高了结构健康监测的预测准确性和稳定性.
科学领域:
- 材料科学 材料科学 材料科学
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
背景情况:
- 碳纤维增强聚合物纤维布拉格格 (CFRP-FBG) 传感器为结构健康监测提供高精度和电磁免疫力.
- 精确的疲劳寿命评估对于循环负荷下的大规模工程应用至关重要.
- 现有的方法可能会与CFRP-FBG传感器的复杂光谱特征作斗争.
研究的目的:
- 为使用CFRP-FBG传感器的结构开发智能疲劳寿命评估方法.
- 为了利用长短期记忆 (LSTM) 网络来分析光谱特征,如侧模式抑制比率和主叶峰与谷比率.
- 提高结构性健康监测预测模型的稳定性和通用性.
主要方法:
- 开发了一个基于LSTM网络的时间序列预测架构.
- 主要组件分析 (PCA) 用于特征提取和选择.
- 数据预处理包括规范化,Adam优化器和 Dropout 规范化,用于模型优化.
主要成果:
- 在预测光谱特征方面,LSTM模型显示了与反向传播 (BP) 网络相比的显著改进.
- 实现了61.62%的平均平方误差 (MSE) 和34.99%的根平均平方误差 (RMSE) 的降低,用于侧模式抑制比率.
- 达到24.9%的平均绝对误差 (MAE) 和21.2%的RMSE降低峰值-低谷比率,与更窄的置信区间.
结论:
- 提出的基于LSTM的方法为疲劳寿命评估提供了更高的准确性和稳定性.
- 该模型有效地捕捉了CFRP-FBG传感器数据中的非线性动态和时间依赖.
- 这种方法为使用CFRP-FBG传感器进行结构健康监测和疲劳寿命预测提供了弹性智能辅助.
更多相关视频
09:45Author Spotlight: Studying Biomechanics of Circulating Cells by Modulating Their Electrodeformation Behavior
Published on: October 13, 2023
07:37Full-field Strain Measurements for Microstructurally Small Fatigue Crack Propagation Using Digital Image Correlation Method
Published on: January 16, 2019
相关概念视频
Fatigue Strength of Concrete
Fatigue
Beams with Unsymmetric Loadings
The first moment-area theorem determines the slope at any point on the beam. This theorem indicates that the change in slope between two points on a beam...
Beams with Symmetric Loadings
The M/EI...
Fiber Reinforced Concrete