CN114660180A - 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与*** - Google Patents

一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与*** Download PDF

Info

Publication number
CN114660180A
CN114660180A CN202210172090.7A CN202210172090A CN114660180A CN 114660180 A CN114660180 A CN 114660180A CN 202210172090 A CN202210172090 A CN 202210172090A CN 114660180 A CN114660180 A CN 114660180A
Authority
CN
China
Prior art keywords
acoustic emission
cnns
damage
model
medium
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210172090.7A
Other languages
English (en)
Inventor
李攀杰
车香妮
李胜利
张啸宇
赵痛快
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Original Assignee
Zhengzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University filed Critical Zhengzhou University
Priority to CN202210172090.7A priority Critical patent/CN114660180A/zh
Publication of CN114660180A publication Critical patent/CN114660180A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于声发射与一维卷积神经网络(1D CNNs)的中小桥梁轻量化健康监测方法与***，其包括：在中小桥梁关键易损部位布置声发射传感器进行实时数据采集；对所采集的声发射数据进行经验模态分解以达到去噪目的；对该类中小桥进行缩尺模型实验，利用缩尺模型实验的声发射信号训练1D CNNs模型。将实桥上采集的信号输入1D CNNs模型以实时监测结构所处的损伤阶段，并进行分级预警。本发明利用声发射技术可实时监测结构损伤和1D CNNs可简化计算复杂度的优点，提供了一种中小桥梁实时轻量化健康监测方法与***，为桥梁管理部门安全决策提供依据。

Description

一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法 与***
技术领域
本发明涉及结构健康监测技术领域，具体是一种声发射与深度学习相结合的监测方法及***。
背景技术
中小桥梁在我们日常生活中应用广泛，由于桥梁日常处于暴露的室外环境，会受到不同程度的突然或者累计损伤导致其发生破坏，需对中小桥梁进行科学便捷的安全评定。为了掌握桥梁的损伤状态，各种损伤检测方法应运而生。相较于其他无损检测方法，声发射技术作为一种广泛使用的无损检测技术，它可以检测复杂构件的动态缺陷，可提供整体或范围快速检测，进行损伤预警。但仅对结构进行检测难以实时掌握结构的安全信息，需要对结构进行健康监测以更及时的掌握结构的安全信息。
但是，传统的声发射检测方法难以做到实时监测。传统的声发射参数分析只是对信号波形的有限描述，用其表征整个声发射源的特征有一定偏差。聚类分析需要人为线下制作评分***，并打上标签值，不够智能化，并且在样本量较大时，要获得聚类结论有一定困难。新兴的深度学习策略有望能够在线处理大量的声发射信号以实现安全预警，但是二维神经网络具有很高的计算复杂度，需要专门的硬件来进行训练，不适合移动设备和低功耗或低内存设备上的实时应用。自适应和紧凑的1D CNNs的实现在低计算复杂度的情况下实现比传统深度2D有更高的性能。自适应和紧凑的一维CNN可以用有限的一维信号数据集有效地训练，而不是深度2D CNNs所需的海量数据集。此外，由于计算量低，1D CNNs非常适合实时和低成本的应用，特别是在智能移动设备上。一维CNN模型克服了递归神经网络存在的梯度消失和梯度***的问题，使其训练更快捷。
因此，本专利采用采用1D CNNs模型与声发射信号进行结合，提出一种在线中小桥梁轻量化健康监测方法与***。将传统的用于检测的声发射技术用于结构健康监测，相较其他声发射检测技术具有实时和低成本的特点。
发明内容
本发明的目的是提供一种基于声发射传感器的中小桥梁结构监测方法，将声发射传感器应用于桥梁结构监测中，开发新的深度学习技术及建立结构识别技术流程，实现对桥梁结构的轻量化健康监测及损伤预警。
为实现上述目的，本发明采用的技术方案为：
一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，包括以下步骤：
步骤一，根据中小桥的力学特征布置监测***。在桥梁结构上布置健康监测***，所述的健康监测***由数据采集***和结构健康状态与安全评估***这两个子***组成，而其中的数据采集子***则是整个监测***的基础，通过信号采集***采集健康监测***监测到的桥梁结构的声发射信号。
在接近桥墩与桥面接触面、且靠近预应力钢筋的位置布置一定数量的传感器，传感器应在距离接缝位置约1米处布置，传感器安装于桥面底面上。通过布设在预应力中小桥梁的多个声发射传感器来采集试件损伤过程中所伴生的声发射信号。通过传感器、放大器和声发射分析仪来采集和记录声发射信号，由声发射分析仪提取声发射特征参数并输入计算机中存储。
步骤二，利用经验模态分解(EMD)进行数据去噪。该信号处理方法可以把输入信号分解为若干个本征模态函数(IMF)之和，除最后一个IMF分量为分解余项外，其余分量均满足如下两个约束条件：在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。依据能量法则直接抛弃若干阶数小的IMF，将剩余IMF进行重构，得到去噪后的数据。
步骤三，利用缩尺模型建立桥梁损伤信号的基准分类数据库。对桥进行缩尺试验，进行加载卸荷，循环往复，用声发射传感器测得数据，考虑凯塞效应使之符合实际桥梁工况。试验中加载卸荷分为10组进行，其中最后一组产生破坏。采集10组加载卸荷时和最后一组产生破坏时所产生的的声发射信号，用于后续的模型训练。
在中小桥桥体破坏过程中，取裂缝发展变化最为明显的4个阶段，分别是未裂阶段、裂缝发展前期阶段、裂缝发展后期阶段和破坏阶段。
通过峰度(Kurtosis)值大小变化对裂缝发展阶段的临界点进行确定，实现对损伤阶段的划分。
步骤四，根据基准分类数据库进行1D CNNs模型的训练。将缩尺模型实验的信号输入一维卷积神经网络模型中；将所采样本分成两部分，一部分用于对模型的训练，另一部分用于对模型的测试，根据1D CNNs对损伤特征的划分，判定损伤属于哪一损伤阶段。
1D CNNs模型包括输入层、2个卷积层、卷积层之间连接一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。
在1D CNNs模型训练过程中采用full卷积和最大池化，用线性整流函数(R eLU)函数作为神经元的激活函数，神经网络输出层使用归一化指数函数(Softma x)函数计算输入数据归为未裂阶段、裂缝发展前期阶段、裂缝发展后期阶段和破坏阶段的概率。在进行1DCNNs模型训练中，使用自适应参数的优化方法实现神经网络模型参数更新，利用误差反向传播修正各单元的权值，使用dropout算法防止过拟合。
训练阶段是利用传感器采集足量的声发射信号，通过EMD去噪得到的一维信号作为输入，利用设置好参数的1D CNNs模型进行卷积、池化和分类器得到损伤识别模型。
将进行缩尺试验时采集到的数据输入训练好的1D CNNs模型中进行损伤识别，得到混淆矩阵。混淆矩阵用于衡量模型对测试样本的分类准确程度，提高模型测试结果的可信度。
步骤五，将训练好的1D CNNs模型用于实桥，根据实际测到的声发射信号分类进行实时的分级预警。当1D CNNs模型判别损伤处于裂缝发展前期阶段、裂缝发展后期阶段或破坏阶段时，分别发出蓝色、橙色、红色预警信号。
有益效果：本发明基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，包括能够在桥梁结构上实现全天候在线监测；一维深度学习模型为高度复杂和多样化模式的信号存储库提供更加紧凑和高效的解决方案。将声发射技术与深度学习相结合得到的结果具有效率高、成本低、自动化程度高且能实时识别的特点。基于一种声发射传感器对桥梁结构进行一专多能的全面监测的信号处理技术的开发和深度学习模型的应用，可实现对桥梁结构的全面监测与评估。
附图说明
图1为本发明的轻量化健康监测流程图。
图2为本发明实例中声发射传感器位置及加载位置示意图。
图3为本发明实例中测得的声发射信号，(a)为测得的声发射信号，(b)为单个声发射事件信号。
图4为本发明中提出的一维卷积神经网络(CNN)模式的结构。
图5为本发明中模型识别准确率。
具体实施方式
本发明将声发射传感器应用于桥梁结构监测中，开发新的深度学习识别技术及建立结构识别技术流程，实现对桥梁结构的健康监测及损伤预警。下面以某桥梁为例对本发明的技术方案进行详细说明，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明的一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，包括以下步骤：
步骤一，根据中小桥的力学特征安装基于声发射传感器的监测***。
就像人在健康保健过程中需要利用医院的各种类型的大型医学设备对重要器官进行各个层次的检查一样，桥梁结构也需要对其进行多层次的监测与识别。所述的健康监测***由数据采集***和结构健康状态与安全评估***这两个子***组成，而其中的数据采集子***则是整个监测***的基础，通过信号采集***采集健康监测***监测到的桥梁结构的声发射信号。现场数据采集***主要包括传感***和信号采集与处理***，结构健康状态与安全评估***主要是由深度学习模型构成的。
在接近桥墩与桥面接触面、且靠近预应力钢筋的位置布置3个声发射传感器，传感器分别安装于桥面各跨跨中底面上。本发明实施例中声发射传感器位置及加载位置示意图如图2所示。
通过布设在预应力中小桥梁的多个声发射传感器来采集试件损伤过程中所伴生的声发射信号。据现场情况设定增益40dB，门槛值40dB，采样频率2.5MH z，每个信号包括2048个采样点。将采集的声发射信号依次输入前置放大器、声发射处理模块和计算机，由声发射处理模块提取声发射特征参数并输入计算机中存储。
步骤二，利用经验模态分解进行数据去噪。
该信号处理方法可以把输入信号分解为若干个本征模态函数(IMF)之和，除最后一个IMF分量为分解余项外，其余分量均满足如下两个约束条件：在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。依据能量法则直接抛弃若干阶数小的IMF，将剩余IMF进行重构，得到去噪后的数据。声发射传感器测得的波形图，如图3所示。
步骤三，建立桥梁损伤信号的基准分类数据库。
对桥进行缩尺试验，从0KN开始进行线性加载卸荷，每次加载比上一次加载多10KN进行逐级加载，循环往复2次，每级加载需要间隔一段时间确保裂纹得到充分发展，加载直至混凝土碎裂。试验过程中用声发射传感器测得数据，考虑凯塞效应，根据该类中小桥体破坏现象对中小桥梁损失阶段划分为未裂阶段、裂缝发展前期阶段、裂缝发展后期阶段和破坏阶段。
在进行缩尺试验获得数据的过程中考虑凯塞效应，使之符合实际的桥梁工况。试验中加载卸荷分为10组进行，其中最后一组产生破坏。采集10组加载卸荷时和最后一组产生破坏时所产生的声发射信号，用于后续的模型训练。
通过峰度(Kurtosis)值大小变化对裂缝发展阶段的临界点进行确定，实现对损伤阶段的划分。
步骤四，根据基准分类数据库进行1D CNNs模型的训练。
1D CNNs模型包括输入层、2个卷积层、卷积层之间连接一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。一维卷积神经网络(CNN)模式的结构如图4所示。
在CNN的特征提取算法中，通过卷积层和池化层交替提取输入数据特征的分层层，在输出层附近采用常用的多层神经网络。在卷积层，卷积核对上一层输出的特征向量进行卷积运算，利用非线性激活函数构造输出特征向量。每一层的输出是多输入特征的卷积结果，其数学模型可描述为：
Figure BDA0003518656560000061
其中，Mj为输入特征向量；l表示网络层数；
Figure BDA0003518656560000062
表示为l层的卷积核；
Figure BDA0003518656560000063
是l层的网络偏移量；
Figure BDA0003518656560000071
是l层的输出量；
Figure BDA0003518656560000072
是l层的输入量。
最大池化可以减小由于卷积层参数的误差而引起的估计均值的偏差，其数学模型可描述为：
Figure BDA0003518656560000073
其中，
Figure BDA0003518656560000074
表示在l层的第i个特征向量中t神经元的值；(j-1)W+1＜＜i＜＜jW；W是池化区域的宽度；
Figure BDA0003518656560000075
表示与l+1层神经元对应的值。
在本实例的1D CNNs模型中，维滤波核的大小取为3，卷积层顺次依次有16、32个过滤器，子采样因子为2，采用full卷积和最大池化，采用线性整流函数(ReLU)函数作为神经元的激活函数，神经网络输出层使用归一化指数函数(So ftmax)函数计算输入数据归为未裂阶段、裂缝发展前期阶段、裂缝发展后期阶段和破坏阶段的概率。设定训练学习率，批训练样本数为50，总迭代次数为100，误差限设为0.1，对卷积核权重进行随机值初始化，并初始化每层偏置为0，每层网络权重梯度为0，偏置梯度为0。
在进行本实例的1D CNNs模型训练中，将训练集输入卷积神经网络，使用自适应参数的优化方法逐层计算卷积神经网络模型特征与误差，利用误差反向传播修正各单元的权值及偏置，进行提取特征。使用dropout算法防止过拟合。
本实例中基于一维深度学习模型的损伤识别方法分为将缩尺试验中采得数据按7：3分为训练和测试两个阶段，训练阶段是利用声发射传声器采集足量的数据，将EMD去噪后的信号作为输入，利用设置好参数的1D CNNs模型进行训练得到损伤识别模型。测试阶段则是利用训练好的模型对输入的未知信号进行识别。将通过缩尺试验采集到的数据输入训练好的1D CNNs模型中进行损伤识别，得到混淆矩阵，可以看出损伤识别精度很高。识别结果如图5所示。
步骤五，利用得到的1D CNNs模型进行预警。
将训练好的1D CNNs模型用于实桥，根据实际测到的声发射信号分类进行实时的分级预警。当1D CNNs模型判别损伤处于裂缝发展前期阶段、裂缝发展后期阶段、破坏阶段时，分别发出蓝色、橙色、红色预警信号。

Claims (6)

1.一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：包括以下步骤：
步骤一，根据中小桥的力学特征安装基于声发射传感器的监测***。在桥梁结构上布置由数据采集***和结构健康状态与安全评估***这两个子***组成的健康监测***。
步骤二，利用经验模态分解(EMD)进行数据去噪。该信号处理方法可以把输入信号分解为若干个本征模态函数(IMF)之和，依据能量法则直接抛弃若干阶数小的IMF，将剩余IMF进行重构，得到去噪后的数据。
步骤三，利用缩尺模型建立桥梁损伤下声发射信号的基准分类数据库。对桥进行缩尺试验，进行加载卸荷并用声发射传感器测得数据，循环往复以考虑Kai ser effect(凯塞效应)，根据中小桥体破坏现象对中小桥梁损伤阶段进行划分，并确定对应声发射信号的标签信息。
步骤四，根据基准分类数据库进行1D CNNs模型的训练。将缩尺模型实验的信号输入一维卷积神经网络模型中；将所采样本分成两部分，一部分用于对模型的训练，另一部分用于对模型的测试，根据1D CNNs对损伤特征的划分，判定损伤属于哪种损伤阶段。
步骤五，将训练好的1D CNNs模型用于实桥的预警，根据实际测到的声发射信号的分类进行实时的安全预警。当1D CNNs模型判别损伤处于裂缝发展前期阶段、裂缝发展后期阶段或破坏阶段时，发出预警信号。
2.根据权利要求1所述的基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：步骤一中，在接近桥墩与桥面接触面、且靠近预应力钢筋的位置布置一定数量的传感器。通过传感器、放大器和声发射分析仪来采集和记录声发射信号，由声发射分析仪提取声发射特征参数并输入计算机中存储。
3.根据权利要求1所述的基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：步骤三中，对桥进行缩尺试验，进行加载卸荷，循环往复，用声发射传感器测得声发射信号，根据该类中小桥体破坏现象将中小桥梁损失阶段划分为未裂阶段、裂缝发展前期阶段、裂缝发展后期阶段和破坏阶段。在用声发射传感器获得数据的过程中考虑凯塞效应。即在试验中加载卸荷分为10组进行，其中最后一组产生破坏。采集10组加卸荷载所产生的声发射信号，根据裂缝发展阶段确定相应声发射信号的标签信息，用于后续的模型训练。
4.根据权利要求1所述的基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：步骤四中，在1D CNNs模型训练过程中采用full卷积和最大池化，用线性整流函数(ReLU)函数作为神经元的激活函数，神经网络输出层使用归一化指数函数(Softmax)函数计算输入数据归为各类的概率。在进行1D CNNs模型训练中，使用自适应参数的优化方法实现神经网络模型参数更新，利用误差反向传播修正各单元的权值，使用dropout算法防止过拟合。
5.根据权利要求1所述的基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：步骤四中的缩尺模型与被测中小桥为一种结构类型的桥梁，所测声发射信号能够代表实桥声发射特征。将缩尺模型所得声发射信号样本用于训练和测试1D CNNs模型。采用混淆矩阵评价模型性能。现场试验所得声发射信号样本用于验证1D CNNs模型。
6.根据权利要求1所述的基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***，其特征在于：步骤五中根据训练好的模型将信号进行划分，当监测到桥梁由于重车经过或其他累积损伤导致损伤处于裂缝发展前期阶段、裂缝发展后期阶段或破坏阶段时或者原有损伤处于裂缝发展前期阶段、裂缝发展后期阶段或破坏阶段时，发出预警信号。当监测到损伤处于裂缝发展前期阶段、裂缝发展后期阶段、破坏阶段时，分别发出蓝色、橙色、红色预警信号。
CN202210172090.7A 2022-02-24 2022-02-24 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与*** Pending CN114660180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210172090.7A CN114660180A (zh) 2022-02-24 2022-02-24 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210172090.7A CN114660180A (zh) 2022-02-24 2022-02-24 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***

Publications (1)

Publication Number Publication Date
CN114660180A true CN114660180A (zh) 2022-06-24

Family

ID=82026945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210172090.7A Pending CN114660180A (zh) 2022-02-24 2022-02-24 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***

Country Status (1)

Country Link
CN (1) CN114660180A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117007688A (zh) * 2023-08-07 2023-11-07 郑州大学 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法
CN117647586A (zh) * 2024-01-29 2024-03-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117007688A (zh) * 2023-08-07 2023-11-07 郑州大学 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法
CN117007688B (zh) * 2023-08-07 2024-05-28 郑州大学 一种桥梁预应力钢束损伤声发射监测噪声实时滤除方法
CN117647586A (zh) * 2024-01-29 2024-03-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置
CN117647586B (zh) * 2024-01-29 2024-04-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置

Similar Documents

Publication Publication Date Title
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
Ai et al. Source localization on large-scale canisters for used nuclear fuel storage using optimal number of acoustic emission sensors
CN114660180A (zh) 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与***
CN110879254B (zh) 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
CN114563150B (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
Savino et al. Automated classification of civil structure defects based on convolutional neural network
CN114169374B (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
Sattarifar et al. Damage localization and characterization using one-dimensional convolutional neural network and a sparse network of transducers
CN115953666B (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
Li et al. An improved AIC onset-time picking method based on regression convolutional neural network
CN114330435A (zh) 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法
Alfaz et al. Bridge crack detection using dense convolutional network (densenet)
CN111563455B (zh) 基于时间序列信号和压缩卷积神经网络的伤损识别方法
Joshi et al. FCNet: Deep Learning Architecture for Classification of Fatigue and Corrosion Acoustic Emission Signal
CN115452957B (zh) 基于注意力原型网络的小样本金属损伤识别方法
Alqahtani et al. Feature extraction and neural network-based fatigue damage detection and classification
Li et al. Online Condition Assessment of Prestressed Hollow-Core Slab Bridges Based on 1d Cnn Using Acoustic Emission Technique
Zhao et al. A single-sensor method for structural damage localization in wind turbine blades: Laboratory assessment on a blade segment
Colace et al. Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview
Sony Bridge damage identification using deep learning-based Convolutional Neural Networks (CNNs)
CN112446612B (zh) 一种软刚臂系泊***连接结构的损伤评估***的评估方法
Hu et al. Damage Identification and Health Assessment of Crane Girder Structure Under Moving Loads
Zhu et al. Structural damage identification considering uncertainties in nonuniform measurement conditions based on convolution neural networks
BUI et al. Multi-level damage detection using a combination of deep neural networks
Junges et al. Damage Localization Frameworks Based on Unsupervised Deep Learning Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination