用于高效、鲁棒且可靠灾后损伤定位的深度贝叶斯 U-Net

震后检查对地震后的应急管理至关重要。地震后立即获取土木基础设施状况的数据对应急管理极为重要。利益相关者需要这些信息以采取有效行动并更好地从灾害中恢复。数据驱动的结构健康监测（SHM）已显示出在近实时实现该目标的巨大前景。已有若干利用深度学习从不同输入源自动化检查过程的提议。文献中现有模型仅提供最终预测输出，而将此等模型用于安全关键评估的风险不应被忽视。本文致力于开发深度贝叶斯 U-Net，其中预测的不确定性作为模型的第二输出，这通过测试时的蒙特卡洛 dropout 采样得以实现。基于类网格的数据结构，语义损伤分割（SDS）的概念被重新审视。与图像分割相比，研究表明损伤诊断需要更高水平的精度。为验证和测试所提框架，使用了一个基准数据集，即对 10 层 10 跨 2D 钢筋混凝土弯矩框架进行的 10,800 次非线性响应历史分析。与基准 SDS 模型相比，贝叶斯模型展现出更优的鲁棒性，其全局和平均类别精度均有所提升。最后，通过监测不同预测的 softmax 类别方差来研究模型的不确定性输出。研究表明类别方差与模型出错的位置高度相关。该输出可与预测结果结合使用，以提高此数据驱动框架在结构检查中的可靠性。