基于一维卷积神经网络的结构损伤识别

传统结构损伤识别需对采集数据进行分析,提取相应特征进行损伤诊断。特征提取过程需消耗大量的计算成本,无法满足结构健康监测在线损伤识别的需求。为提高损伤识别的计算效率和自动化程度,提出基于一维卷积神经网络的结构损伤识别方法,其特点是可以直接从原始振动信号中自主学习损伤特征,并准确快速地识别结构的损伤位置和损伤程度。采用简支梁数值模型和IABMAS BHM Benchmark数值模型验证所提方法的有效性。数值结果表明:所建立的一维卷积神经网络模型能够准确识别结构的损伤位置和损伤程度,具备一定的抗噪性能,整体模型收敛快,对单条样本测试延迟低。设计了钢框架结构损伤识别试验,采用所提方法对框架结构的损伤情况进行了识别。分析结果表明:所提方法可准确识别结构损伤程度及损伤类别,测试集准确率为100%,验证了方法在实际结构损伤识别的应用可行性。     

基于改进U-Net卷积神经网络的储层预测

传统的U-Net卷积神经网络大多存在深层网络梯度消失的问题。本文在U-Net卷积神经网络中加入残差模块,提出了一种改进U-Net卷积神经网络。残差模块保证了U-Net卷积神经网络在误差反向传播过程中梯度的存在,在一定程度上可以缓解梯度消失的问题。最后将改进U-Net卷积神经网络应用于实际储层预测中,实际数据测试结果表明基于改进U-Net卷积神经网络在岩性识别以及“甜点”预测上均能取得较好的效果。     

基于BP神经网络的空间索杆结构节点损伤识别研究

针对某实际空间索杆结构的节点损伤现象,采用BP神经网络与基于振动的损伤识别两步法对其进行了识别研究,即首先确定可能发生节点损伤的子区域,在此基础上利用对应子区域的子网络识别出具体的损伤位置和程度。识别过程中采用两个杆单元模拟发生节点损伤的杆件,用抗弯刚度降低的端部短杆单元模拟节点损伤。研究表明,虽然空间索杆结构的动力性能较为复杂,但基于结构固有频率和模态位移的组合指标对节点损伤仍较为敏感,利用它们进行节点损伤识别是有效的。     

基于BP神经网络的空间索杆结构承重索损伤识别研究

针对某实际空间索杆结构的承重索预应力松弛现象,采用BP神经网络与基于振动的损伤识别方法,分别对单榀承重索和双榀承重索的预应力松弛进行了识别研究。研究表明,虽然空间索杆结构的动力性能较为复杂,但归一化后的结构前10阶固有频率变化比和归一化后的对应结构第一阶模态的部分节点的损伤信号指标对承重索的损伤位置较为敏感,利用其进行损伤定位是可行的。在此基础上,再增加考虑结构的第一阶同有频率平方变化比即可进一步有效识别出承重索的损伤程度。     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

基于卷积神经网络的地震震级测定研究

地震预警震级测定是地震预警系统最重要也是最困难的部分之一.本文提出了基于卷积神经网络的地震预警震级测定方法,将震级测定问题转化为震级分类问题,即将M_L>2.0的震级分成20个不同等级类别处理.收集了福建台网2012—2019年期间记录到福建、台湾海峡及台湾共1928个地震作为研究资料,经过台站记录截取、大震样本增强、标签制作、质量筛选等预处理共得到14644条三分向地震样本记录;构建了3 s波形输入的卷积神经网络震级预测模型,并用2012—2018年震例对模型进行训练,用2019年震例对模型进行测试.结果表明,单台震级偏差有85.6%可控制在±0.3以内,前三台平均的震级偏差有91.8%可控制在±0.3以内,其中震级较大偏差的事件多为缺乏历史样本.相较于传统方法,该模型测定的震级值更加稳定可靠,可为解决地震预警震级测定这一挑战性难题提供新的技术手段.

     

基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。     

应用卷积神经网络和自注意力机制识别地磁场干扰事件

随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。     

基于卷积神经网络的钢箱梁裂缝检测算法研究

地震作用和车辆动载的日常冲击常常会引起钢箱梁的表面裂缝损伤。在日常检修和震后开展安全检查时,由于裂缝在整张图像中的占比较低且受到笔迹、锈迹和焊缝等因素的严重干扰,很难从现场采集到的图像中高效并精确地检测出裂缝。为此,本文基于卷积神经网络提出了一种结合裂缝定位和裂缝分割的级联裂缝检测模型。首先,采用分类模型在原始图像中定位出裂缝所在位置,然后采用U-Net模型实现对裂缝的像素级检测。结果表明：本文方法可以实现对大部分裂缝的精确检测,F1分数达到0.67,高于仅采用分割模型的0.55;此外,相比仅采用分割模型的检测方法,本文方法的检测效率提高了近70%,可达到9.25 s每张。     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的, 这些特征参数依赖于人的经验和主观判断, 没有充分利用初至地震波中与震级相关的信息, 制约了震级估算效果.对此, 本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征, 实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入, 震中距、震源深度以及V_s30作为辅助输入, 震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录), 利用美国和新西兰的强震记录进行泛化性能测试(583条记录), 并与应用最为广泛的峰值位移Pd方法进行对比.结果表明, 当初至地震波时长为3s时, 在4~6.4级范围内, CNN方法估算震级的准确率是Pd方法的1.5倍, 在6.5~9级范围, CNN方法估算震级的准确率是Pd方法的1.2倍; 当初至地震波从3s增加到10s时, CNN方法能够随着地震波时长的增加不断提高估算震级的准确率, 并且始终高于Pd方法, 特别是对于4~6.4级地震, CNN方法在初至3s地震波时估算震级的准确率是Pd方法在初至10s地震波时的1.2倍; 随着地震波时长的增加, CNN方法对于震级饱和问题的改善效果优于Pd方法; CNN方法具有较好的泛化能力, 在训练数据集之外的区域, 比Pd方法估算震级更准确.相比于人为定义的特征参数, CNN方法从初至地震波中自动学习到了与震级更为相关的特征, 这些特征极大地改善了震级估算的准确性和时效性, 可以为地震预警系统提供更快速更准确的震级估算.

     

基于模态分析和神经网络的裂缝损伤识别

提出了裂缝损伤诊断的神经网络方法,探讨了用模态技术和神经网络对混凝土结构裂缝损伤进行识别与定位的方法。文中以一简支矩形截面梁为研究对象,通过完好结构和损伤结构的有限元分析,获取两者的损伤标识量,输入BP神经网络训练。以损伤位置和裂缝高度作为输出参数,对其进行单处损伤定位的研究。数值仿真结果表明,采用神经网络方法可以对裂缝做出较好的诊断。     

基于神经网络的结构地震反应仿真

提出了基于神经网络的结构地震反应仿真方法，探讨了仿真基本步骤中样本集的准备、目标函数的选取、网络拓扑结构的构建、隐层神经元数目的确定、训练方法的选择以及提高泛化精度的措施等若干实际问题，并通过算例分析验证了本方法的可行性。     

全卷积神经网络在建筑物震害遥感提取中的应用研究

为解决建筑物震害信息提取自动化程度不高的问题,本文将全卷积神经网络应用于建筑物震害遥感信息提取。以玉树地震后获取的玉树县城区0.2m分辨率航空影像作为建筑物震害信息提取试验数据源,将试验区地物划分为倒塌建筑物、未倒塌建筑物和背景3类。对427个500×500像素的子影像进行人工分类与标注,选取393个组成训练样本集,34个用于验证。利用训练样本集对全卷积神经网络进行训练,采用训练后的网络对验证样本进行建筑物震害信息提取及精度评价。研究结果表明：建筑物震害遥感信息提取总体分类精度为82.3%,全卷积神经网络方法能提高信息提取自动化程度,具有较好的建筑物震害信息提取能力。     

基于模糊神经网络和证据理论的结构损伤识别新方法

为了有效利用结构健康监测系统中的多源不确定数据,提高损伤识别的正确率,通过构造模糊神经网络(FNN)分类器,提出了一种新的概率赋值函数构造方法和数据融合损伤识别新方法.该损伤识别方法先对数据预处理,提取有效的特征参数,接着将它作为FNN的输入,构造FNN分类器,最后运用数据融合中的D-S证据理论计算出融合决策结果.为了验证所提方法的有效性,通过一个七层剪切型框架结构的数值模型,分别用单一FNN分类器和数据融合损伤识别方法进行了损伤识别和比较.研究结果表明,本文所提方法比单一决策结果更准确,具有更高的可靠度。     

应用人工神经网络技术的大型斜拉桥子结构损伤识别研究

本文应用人工神经网络技术对大型斜拉桥结构进行了子结构损伤识别研究。文中首先介绍了子结构损伤识别的基本方法，然后应用自组织竞争神经网络建立了对于大型桥梁结构识别子结构损伤情况的子结构损伤识别方法，并且应用BP网络进一步建立了大型桥梁结构各子结构内部的损伤位置和损伤程度的识别方法，数值模拟了一大跨度斜拉桥子结构损伤以及子结构内部损伤的识别过程，最后得出结论：(1)基于自组织竞争网络的子结构损伤识别方法能迅速准确地识别大型结构的损伤情况；(2)基于BP网络所建立的结构损伤识别方法，能对子结构中结构损伤的位置和程度进行进一步的识别；(3)基于人工神经网络技术的结构损伤识别方法是大型土木工程结构损伤识别的有效方法，可在工程结构损伤识别中广泛应用。     

小波分析在结构损伤识别中的应用

为提高结构损伤识别方法的准确性和适用性,将小波分析引入到结构损伤识别中。本文首先介绍了小波分析的基本原理,然后详细论述了小波分析用于结构损伤识别的三种方法:基于时域响应的方法、基于空间域响应的方法和小波分析与其他方法联合使用,接着分析了各种方法的应用现状、适用范围和存在的问题。通过比较可以看出小波分析用于结构损伤识别有着广阔的应用前景,本文最后针对进一步研究的方向提出了五点建议。     

基于波动理论的结构损伤识别研究进展

目前人们对于结构的使用安全越来越重视,结构在日常使用或灾后的损伤识别检测也变得尤为重要。近年来国内外对于波在结构中的传播理论进行了深入研究,基于波动理论的结构损伤识别方法也取得了一定进展。文章首先介绍波在介质中的传播以及在各种类型结构中的传播规律和传播特性,其次从基于波传播理论的结构损伤识别、基于Lamb波的结构损伤识别、波动理论和神经网络相结合、波动理论与其他技术或算法的融合4个方面对国内外基于波动理论对结构损伤识别方法的研究成果进行综述。