机器学习的反向替代品用于基于Lamb波的板块损伤识别.
Gabriel L S Silva1, Bernardo F Junqueira2, Daniel A Castello1
1Mechanical Engineering Department, Universidade Federal do Rio de Janeiro, Federal University of Rio de Janeiro, Brazil.
Ultrasonics
|October 5, 2025
概括
本研究介绍了一种基于数据的策略,使用卷积神经网络来识别板块中的结构损伤. 该方法准确地定位损坏,即使在不同的材料特性中也显示出强度.
科学领域:
- 结构健康监测 结构健康监测
- 机器学习应用 机器学习应用
- 非破坏性测试是指非破坏性测试.
背景情况:
- 准确识别结构损坏对于安全和维护至关重要.
- 现有的损害识别方法通常依赖于基于物理的模型或复杂的特征提取.
- 数据驱动的方法为有效和准确的损害评估提供了一个有希望的替代方案.
研究的目的:
- 开发一个纯粹基于数据的黑子策略,用于识别板状结构中的局部损伤.
- 使用卷积神经网络 (CNN) 调查损害参数估计的物理解释性和准确性.
- 在不同的物质财产条件下评估基于CNN的逆代孕模型的性能.
主要方法:
- 使用卷积神经网络 (CNN) 的监督学习回归任务.
- 在弹性板模型中使用Lamb波,3个执行器和16个传感器来获取数据.
- 训练两个反向替代模型:一个具有均的,另一个具有非均的材料特性.
- 使用重叠指标评估损害恢复,以评估准确性和局限性.
主要成果:
- CNNs有效地估计了高准确度的损伤定位参数.
- 损害规模和强度的估计比定位更具挑战性.
- 用非均材料特性训练的反向替代模型证明了对系统可变性的稳定性.
- 重叠指标提供了对损害恢复的准确性和局限性的见解.
结论:
- 拟议的数据驱动的CNN策略对于结构损坏的识别,特别是定位是有效的.
- 定位参数估计的准确性与将损害局部化归类为分类问题的文献一致.
- 通过在非均材料特性上训练的替代模型,可以实现对系统可变性的稳定性.
更多相关视频
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
1.5K
07:02Investigating the Potential of Singly Curved Thin Piezoelectric Transducers for Energy Harvesting and Structural Health Monitoring
Published on: November 14, 2025
759
相关概念视频
01:27Traveling Waves: Lossless Lines
527
The provided content explores the behavior of traveling waves on single-phase lossless transmission lines. It begins with a single-phase two-wire lossless transmission line of length Δx, characterized by a loop inductance LH/m and a line-to-line capacitance C F/m. These parameters result in a series inductance LΔx and a shunt capacitance CΔx.
527
01:30Typical Model Studies
687
Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.
687