基于模型降阶与深度学习算法的在线结构健康监测
机器学习
2021-03-29 v1 数值分析
数值分析
摘要
在结构健康监测(SHM)框架下，我们提出一种基于仿真的分类策略，以迈向在线损伤定位。该流程结合参数化模型降阶(MOR)技术与全卷积网络(FCNs)来分析监测结构上记录的原生振动测量数据。首先，通过基于物理的模型构建一组在变化工况下可能的结构响应数据集，涵盖有限个预定义损伤场景。随后，该数据集用于FCN的离线训练。由于数据集构建需要极大量的模型评估，采用MOR技术以降低计算负担。所训练的分类器被证明能够将未见的振动记录（例如从布置在结构上的传感器实时采集的数据）映射到实际损伤状态，从而提供关于损伤存在及位置的信息。所提策略已通过两个案例研究验证，涉及一个2D门式框架和一个3D门式框架铁路桥；MOR技术分别使分析加速了约30倍和420倍。在两个案例研究中，分类器训练后的准确率均大于85%。
引用
@article{arxiv.2103.14328,
title = {Online structural health monitoring by model order reduction and deep learning algorithms},
author = {Luca Rosafalco and Matteo Torzoni and Andrea Manzoni and Stefano Mariani and Alberto Corigliano},
journal= {arXiv preprint arXiv:2103.14328},
year = {2021}
}
备注
30 pages, 32 figures