深度循环卷积神经网络学习与物理卡尔曼滤波在动态荷载识别中的比较
机器学习
2025-11-04 v1 计算机视觉与模式识别
系统与控制
信号处理
系统与控制
应用统计
摘要
本文研究了门控循环单元、长短期记忆和卷积神经网络在动态结构荷载识别中的能力。研究聚焦于真实的小数据集训练条件，并与基于物理的残差卡尔曼滤波（RKF）进行了比较。动态荷载识别在土木工程应用中面临不确定性，当仅进行或可获得少量试验，或当结构模型不可识别时，预测结果往往较差。在方法方面，首先考察了在顶层受到激振器激励的模拟结构。其次，考察了加州一座建筑在地震基底激励下的情况，这导致所有自由度均承受荷载。最后，考察了国际结构控制协会-美国土木工程师协会（IASC-ASCE）结构健康监测基准问题中的冲击和瞬时荷载条件。重要的是，各方法在不同加载场景下表现出优劣互补，而RKF在物理参数化且可识别的案例中优于神经网络。
引用
@article{arxiv.2511.00100,
title = {Deep recurrent-convolutional neural network learning and physics Kalman filtering comparison in dynamic load identification},
author = {Marios Impraimakis},
journal= {arXiv preprint arXiv:2511.00100},
year = {2025}
}
备注
31 pages, 20 figures, published in Structural Health Monitoring