有限真实世界训练数据下的深度迁移学习网络用于结构状态识别
摘要：基于实时监测数据的结构状态识别对于自动市政基础设施资产管理至关重要。然而，监测数据几乎总是不足的，因为结构的实时监测数据只能反映有限数量的结构状态，而可能的结构状态数量是无限的。由于监测数据不足，识别性能可能会显著下降。本研究旨在通过提出一种基于深度迁移学习（TL）的结构状态识别方法来解决这个挑战。它通过校准的有限元（FE）模型生成各种训练数据，对深度学习（DL）网络进行预训练，并将其嵌入式知识转移到真实监测/测试领域中，有效地整合了基于物理和数据驱动的方法。该方法在一项具有挑战性的案例中进行了验证，即基于振动的带有螺栓连接损伤的钢框架结构的状态识别。结果表明，即使训练数据来自不同的领域并具有不同类型的标签，通过预训练过程可以学习到内在的物理特性，并且迁移学习的结果可以明显改善，识别准确性从81.8％提高到89.1％。比较研究表明，在预训练的DL架构中，SHMnet具有三个卷积层，其识别准确性值比其他两个网络VGGnet-16和ResNet-18高21.8％和25.5％。本研究的发现推动了该方法在基于有限实际训练数据的专家级状态识别方面的潜在应用。
作者：Nengxin Bao, Tong Zhang, Ruizhi Huang, Suryakanta Biswal, Jingyong Su, Ying Wang
论文ID：2307.15249
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-07-31