基于结构多维特征构建图卷积神经网络的结构损伤识别方法

摘要

以数据为驱动的深度学习结构损伤识别（structural damage identification,SDI）效果受结构复杂程度、模型构建方法及数据规模等因素影响较大.本文引入图卷积神经网络（graph convolutional neural network,GCN）以整合结构节点间的属性特征，从图的视角挖掘节点间的复杂属性关系，为SDI提供多维度学习信息.为此，设计了一种融合结构多维特征的图卷积神经网络模型（graph convolutional neural network integrating multi-dimensional features of structure,S-GCN），基于结构振动数据构造损伤特征矩阵，并通过衍生图网络，以图的节点和边表征结构节点的连接关系，构建边索引矩阵，将结构损伤状态、振动数据及节点属性等多维特征信息输入GCN进行结构损伤特征提取及预测识别，探索结构多维特征信息驱动下的GCN在损伤预测中的应用效果.通过两个钢结构验证方法的可行性及有效性，结果表明，S-GCN能够整合结构多维特征信息，对两个结构对象均实现了较高的损伤预测准确性，并展现出良好的噪声鲁棒性.进一步的对比分析显示，相较于三种非GCN模型，S-GCN能够高效地依托节点间关系快速更新节点特征并预测节点损伤状态，其损伤识别准确率、计算效率及网络各层演进过程均优于对比模型，验证了在结构损伤识别中融合结构空间特征的有效性.

关键词

结构损伤识别 / 图卷积神经网络 / 结构多维特征融合 / 噪声鲁棒性 / 训练效率