结合图像编码器与2D-CNN的钢桁梁桥损伤识别

摘要

针对传统机器学习难以处理长期监测下复杂数据的问题,提出了一种结合图像编码器和二维卷积神经网络(two-dimensional convolutional neural network,2D-CNN)的智能损伤识别方法。利用一座12.5 m钢桁架实验桥与其相应有限元模型展开研究,使用六种图像编码器将时程位移数据转换为等大小的图像矩阵,以矩阵作为卷积神经网络(convolutional neural network,CNN)的二维训练样本,获得损伤识别深度学习模型,以验证不同图像编码方式在损伤信息提取和模式识别的鲁棒性。结果表明,该方法相比传统的机器学习算法和一维CNN算法(one-dimensional convolutional neural network,1D-CNN),正确率提高了23.4%。通过进一步实验研究发现,格拉姆角场(gramian angular field, GAF)的稳定性与适用性最优,其损伤识别准确率达100%。

关键词

损伤识别 / 图像编码器 / 2D-CNN / 桥梁健康监测 / 机器学习