利用统计事件描述符进行深度学习的自动裂缝分类
机器学习
2021-11-29 v2 信号处理
机器学习
摘要
在现代建筑基础设施中，由于来自具有通信能力的低成本传感器的大数据以及诸如深度学习等先进建模工具的广泛可得，设计自适应且无监督的数据驱动健康监测系统的机会正日益受到青睐。本文的主要目的是将深度神经网络与双向长短期记忆（Bidirectional Long Short Term Memory）以及涉及瞬时频率与谱峭度的先进统计分析相结合，开发一种用于由声发射事件（裂缝）产生的拉伸、剪切与混合模式的精确分类工具。我们研究了有效的事件描述符，以捕捉不同类型模式的独特特征。实验结果的测试证实，该方法在不同裂缝事件间取得了有前景的分类效果，并可能影响未来结构健康监测（SHM）技术的设计。该方法能以 92% 的准确率有效分类初期损伤，利于维护规划。
引用
@article{arxiv.1907.10709,
title = {Automatic crack classification by exploiting statistical event descriptors for Deep Learning},
author = {Giulio Siracusano and Francesca Garescì and Giovanni Finocchio and Riccardo Tomasello and Francesco Lamonaca and Carmelo Scuro and Mario Carpentieri and Massimo Chiappini and Aurelio La Corte},
journal= {arXiv preprint arXiv:1907.10709},
year = {2021}
}
备注
19 pages, 2 tables, 9 figures