基于对抗学习的跨建筑地震损伤诊断知识迁移
信号处理
2020-12-30 v3
摘要
震后自动化结构损伤诊断对提升灾害响应与恢复效率十分重要。在采用机器学习或统计模型的常规数据驱动框架中，结构损伤诊断模型常通过监督学习构建。监督学习需要每栋建筑的历史结构响应数据及相应损伤状态（即标签）以学习建筑专属的损伤诊断模型。然而在震后场景中，受影响区域内许多建筑往往缺乏带标签的历史数据，这使得构建损伤诊断模型十分困难。此外，直接使用其他建筑的历史数据为目标建筑构建损伤诊断模型会导致不准确结果，这是因为每栋建筑具有独特的物理属性因而具有独特的数据分布。为此，我们引入一种新框架，将其他建筑上学得的模型迁移至目标建筑以在无任何标签情况下诊断结构损伤状态。该框架基于对抗域适应方法，提取来自不同建筑数据的域不变特征表示。特征提取函数以对抗方式训练，确保所提取特征分布对结构变化具有鲁棒性且能预测损伤状态。借助提取的域不变特征表示，不同建筑间的数据分布变得一致。我们在数值模拟与多建筑结构实地采集数据上评估了框架，其性能优于最先进的基准方法。
引用
@article{arxiv.2002.09513,
title = {Knowledge Transfer between Buildings for Seismic Damage Diagnosis through Adversarial Learning},
author = {Susu Xu and Hae Young Noh},
journal= {arXiv preprint arXiv:2002.09513},
year = {2020}
}