[发明专利]基于二维卷积神经网络的损伤识别模型建立方法及设备

说明书

本发明公开了一种基于二维卷积神经网络的损伤识别模型建立方法及设备，属于结构健康监测领域，包括：基于2DCNN构建初始神经网络模型，用于根据输入的二维数据预测结构的质量损失量；构建数据集，其中的每一条样本包括结构的质量损失量，以及相应损伤状态下，由结构在n个目标频段下的一维电导数据构造而成的二维数据；将数据集划分为训练集和测试集，二维数据为输入，以相应的质量损失量为标签信息，分别利用训练集和测试集对初始神经网络模型进行训练和测试，将训练后满足测试要求的模型作为损伤识别模型。本发明所建立的模型可对阻抗数据特征自动进行学习和提取、对有差异的电阻抗信息进行精确分类和量化，有利于实现对结构损伤的定量分析和表征。

技术领域

本发明属于结构健康监测领域，更具体地，涉及一种基于二维卷积神经网络的损伤识别模型建立方法及设备。

背景技术

随着基础设施建设的快速发展，各种大型民用与工业建筑等纷纷涌现，并逐步走向多样化、高度化、复杂化和国际化。而在我国建筑发展的同时，与之增长的便是人们对于结构安全性要求的提高。对于目前的各类建筑而言，荷载作用逐渐复杂，其中包括直接荷载、间接荷载和偶然荷载作用，而这一系列荷载作用耦合在一起，往往导致结构的疲劳损伤，结构损坏和抗力减退。除此之外，建筑物在其使用期间，也可能会受到其自身与外界因素的各种影响，例如建筑物自身的老化，锈蚀，疲劳以及建筑物所处的环境和所受到的自然灾害等，这些因素都将对建筑结构造成一定程度的损伤，使其抗力下降，进而导致其安全性无法得到保障。而一旦结构在使用期间其关键部位产生损伤，尤其是一些大型的土木工程结构，若任由其损伤发展而又不能及时发现与处理的话，将很有可能造成结构的破坏失效，给国家和人民带来重大的影响。其中绝大部分损伤属于一个渐变的过程，并且无论是建造期还是服役期，结构自身的微小损伤通过肉眼难以识别，而随着微小损伤积少成多导致的后续构件局部损伤甚至结构性破坏对于诸多复杂结构/精密结构是致命的，而如何尽早准确探测到这些微小损伤在健康检测领域是一大热点，亦是一大难点。基于传统压电阻抗技术的结构损伤识别系通过将压电陶瓷(PZT)传感器粘结于结构表面或植入结构内部，通过局部高频激励振动，利用PZT自身的正逆压电效应，同时作为驱动器和传感器，获取结构局部性能(质量、刚度、阻尼等)相关信息，一般以结构的在健康(未损伤)状态作为基线参考状态，再根据同样方法获取不同损伤状态下的阻抗信号，以比较其与基线状态的不同而识别结构局部性能变化的信息，从而实现结构局部微小损伤的识别。

然而压电阻抗技术也存在其问题，虽然此方法可以利用压电片测量得到的阻抗谱的变化来反映结构损伤，实现复杂结构的损伤识别，但对损伤的判断多停留在定性层面，难以实现结构损伤的定量分析和表征。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于二维卷积神经网络的损伤识别模型建立方法及设备，其目的在于，提供一种可对阻抗数据特征自动进行学习和提取、对有差异的电阻抗信息进行精确分类和量化的损伤识别模型，以便于实现对结构损伤的定量分析和表征。

为实现上述目的，按照本发明的一个方面，提供了一种基于二维卷积神经网络的损伤识别模型建立方法，包括：

基于二维卷积神经网络构建初始神经网络模型，用于根据输入的二维数据预测结构的质量损失量；

构建数据集，其中的每一条样本包括结构的质量损失量，以及相应损伤状态下，由结构在n个目标频段下的一维电导数据构造而成的二维数据；每个目标频段下的一维电导数据由该频段内的N个频率点下的电导数据构成；n和N均为正整数，且n≥2；

将数据集划分为训练集和测试集，以样本中的二维数据为输入，以相应的质量损失量为标签信息，分别利用训练集和测试集对初始神经网络模型进行训练和测试，将训练后满足测试要求的模型作为损伤识别模型。