Structural health monitoring
PulseAugur coverage of Structural health monitoring — every cluster mentioning Structural health monitoring across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架通过在线贝叶斯学习增强数字孪生
研究人员开发了一个新的自适应数字孪生框架，该框架增强了其在土木工程应用中的价值。该方法利用动态贝叶斯网络来模拟物理系统和虚拟系统之间的交互，通过贝叶斯更新实现状态转移动力学的在线学习。该框架允许比当前方法更广泛的分布范围，并采用强化学习来解决参数马尔可夫决策过程，以制定精确的动态策略。这导致了更个性化、更鲁棒、更具成本效益的数字孪生，正如在铁路桥梁结构健康监测和维护规划的案例研究中所证明的那样。
-
Transformer模型融合超声和应变数据，用于航空航天结构健康监测
研究人员开发了一种新颖的基于Transformer的框架，用于航空航天结构健康监测中的多传感器数据融合。该框架整合了压电换能器（PZT）捕获的超声导波数据和光纤布拉格光栅（FBG）传感器的应变测量数据。该系统在预测健康指标和损伤定位方面表现出显著改进，比单一传感器方法性能提升了近60%，并且优于现有的深度学习模型。
-
新AI框架可进行不确定性量化的桥梁损伤精确识别
研究人员开发了一种新颖的、基于物理信息的高斯耦合变分自编码器（PI-GCVAE），用于识别桥梁损伤。该框架将可微分特征值求解器直接集成到VAE架构中，确保潜在空间样本遵循结构动力学原理。它还采用高斯耦合来模拟结构单元之间复杂的空间相关性，从而提高准确性并考虑系统变异性和测量误差。在合成桥梁数据上的验证表明，PI-GCVAE能够以77.2%的覆盖率准确恢复真实的后验分布，为早期损伤诊断提供了一个可靠的工具。
-
新型扩散模型提升结构监测数据质量评估能力
研究人员开发了一种使用条件扩散模型评估结构监测数据质量的新方法。该方法结合了时间上下文，并使用 Huber 损失函数来提高对离群值的鲁棒性。该模型为每个数据点分配离群概率，并计算全局质量得分，在实际案例研究中显示出比现有方法更高的准确性。
-
新的自适应元学习SGHMC算法增强了结构模型的贝叶斯更新
研究人员开发了一种新的自适应元学习随机梯度哈密顿蒙特卡洛（AM-SGHMC）算法，旨在改进结构动力学模型的贝叶斯更新。该方法利用自适应神经网络，无需重新训练即可应用于各种结构更新问题，克服了先前方法的重大局限性。通过对多层建筑模型的贝叶斯更新证明了该算法的有效性和泛化能力。