-
题名基于密集连接卷积神经网络的结构损伤识别
- 1
-
-
作者
吁强
蔡晓丽
李翠
朱学坤
伍晓顺
朱驰
-
机构
江西理工大学土木与测绘工程学院(南昌)
江西交通职业技术学院信息工程学院
-
出处
《地震工程与工程振动》
CSCD
北大核心
2024年第3期61-72,共12页
-
基金
国家自然科学基金项目(51868026)
江西省自然科学基金项目(20202BAB204028)
江西省研究生创新专项资金项目(YC2022-S695)。
-
文摘
提出一种经验模态分解(empirical mode decomposition, EMD)和密集连接卷积神经网络(densely connected convolutional network, DenseNet)相结合的结构损伤识别网络模型(E-DenseNet)。对采集的加速度信号进行EMD得到多个本征模态函数(intrinsic mode function, IMF)分量,接着剔除皮尔逊相关系数绝对值较小的弱相关IMF分量。根据输入数据的组织方式,设定3种E-DenseNet模型:E-DenseNet1利用强相关IMF分量重构信号建立一维单通道输入数据;E-DenseNet2将各强相关IMF分量分别视作一个通道来建立一维多通道输入数据;E-DenseNet3利用所有强相关IMF分量组成二维矩阵来建立二维单通道输入数据。某简支梁算例分析表明:E-DenseNet1计算速度快但识别精度低,E-DenseNet2计算速度快且识别精度高,E-DenseNet3识别精度高但计算速度慢;与一维多通道残差卷积神经网络(residual network, ResNet)及标准卷积神经网络(convolutional neural network, CNN)相比,E-DenseNet2的识别精度明显更优;E-DenseNet2因而具有兼顾计算效率和识别精度的优点。E-DenseNet2可视化分析表明了其识别过程,对于相同工况下的不同样本,输出层越深其输出特征越相似,直至全连接层给出极大相似输出特征。
-
关键词
损伤识别
神经网络
动力测试
灵敏度分析
经验模态分解
-
Keywords
damage detection
neural network
dynamic test
sensitivity analysis
empirical mode decomposition
-
分类号
TU311.3
[建筑科学—结构工程]
TU18
[建筑科学—建筑理论]
-