高模板支持系统的智能状态监控:一种混合的FEM-深度学习方法与大型语言模型集成
Linlin Zhao1,2, Jasper Mbachu3, Liang Liu1,2
1College of Architecture and Civil Engineering, Beijing University of Technology, Beijing, China.
Science progress
|December 3, 2025
概括
本研究介绍了一种综合框架,用于使用人工智能监测高件支持系统 (HFSS). 该系统准确预测结构稳定性,并自动化健康监测报告,提高建筑安全.
科学领域:
- 土木工程 土木工程是指土木工程.
- 结构健康监测 结构健康监测
- 建筑中的人工智能
背景情况:
- 高成型件支持系统 (HFSS) 在复杂的建筑项目中至关重要.
- 对HFSS的监测不足可能导致灾难性的结构性故障.
- 目前的监控技术需要提高可靠性和自动化.
研究的目的:
- 开发一个综合框架来监测HFSSs.
- 提高结构不稳定的预测准确度.
- 为了自动生成结构健康监测 (SHM) 报告.
主要方法:
- 开发并优化了HFSS的有限元模型 (FEM).
- 使用混合基因算法-粒子群集优化来优化FEM.
- 在结构响应数据上训练了一种反复的神经网络长期短期记忆 (RNN-LSTM) 模型.
- 将RNN-LSTM与卷积神经网络 (CNN) 的性能进行比较.
- 实现了带有 GPT 的检索增强生成 (RAG) 系统和用于 SHM 报告自动化的知识图.
主要成果:
- 优化的FEM在正常和不稳定的条件下准确生成结构响应数据.
- 在预测HFSS工作状态方面,RNN-LSTM表现优于CNN.
- 该RAG系统成功地自动生成准确和合理的SHM报告.
- 评估指标证实了RAG模型在报告生成中的有效性.
结论:
- 综合框架为HFSS监控提供了一个强大的解决方案.
- 人工智能驱动的预测和自动报告显著提高了结构安全和效率.
- 这种方法为土木工程中先进的结构健康监测提供了一个有希望的方向.