您当前所在位置: 太阳城申博娱乐直营网 > 高建动态
马宏伟教授团队在桥梁安全监测的大数据方法的研究取得新突破
  • 发布单位:生态环境与建筑工程学院
  • 发布时间:2017-12-23
  • 访问量:
  • 字体大小:  
  • 分享到:

 我校马宏伟教授带领的研究团队关于大数据的桥梁损伤检测论文在国际著名杂志《Computer-Aided Civil and Infrastructure Engineering》(Vol32, December 2017, Page1025-1046) 正式发表,该国际杂志是土木与结构领域影响因子排名第一的1区期刊,影响因子为5.79。马宏伟教授为文章的通讯作者,第一作者是马宏伟教授博士研究生林逸洲。文章在国际上率先提出用大数据的深度学习方法应用于大型桥梁的安全监测领域,为这一领域提供了一种全新的方法。

 大型桥梁结构的老化对于当前社会来说已经成为了一个不可避免的问题。而在健康监测的工程实践中,一座桥梁往往安装了成百上千的传感器,数据容量巨大且影响因素众多,难以从中进一步得到有用的信息。传统的特征提取手段主要有动力指纹与数据驱动两大类,然而这些特征提取手段由于有着各自的缺点在实际工程中应用困难。针对这些问题,研究团队将深度学习领域中广泛应用的多层卷积神经网络(Convolutional Neural Network, CNN)应用到结构损伤检测任务中,以达到从数据中学习,从结构的时域响应中自动提取特征的效果。

文章提供了一种新的解决该问题的框架——大数据思想。对于一个问题,传统的解决方法往往是分析导致“结果”的“原因”,找出“原因”后再利用这个因果关系来解决实际“应用”问题。然而,现实世界是复杂的,导致一个“结果”的“原因”往往无比繁多。另一种思维方式则是直接联系“结果”(数据)与“应用”(解决问题)。对于一个具体应用问题,两个变量之间的关系可能并不明确,而且关系复杂,而利用智能算法则可以从大量数据中构建两者的关系。这正是“大数据”一词中的核心思想。而本文正是遵循了这种思想,只从数据中使算法自动挖掘变量之间的联系。

以结构的加速度和结构的真实损伤情况组成数据对,训练多层神经网络(图1)。不同于传统神经网络,文中开发的神经网络直接以结构的响应为输入而不依赖任何人工设计的特征,直接把加速度时域信号映射至损伤信息。测试结果表明,该方法有着独立从数据中学习结构特征的能力,并有着惊人的损伤检测能力(图2)。

  

1 卷积神经网络

不同工况下单损伤定位准确率:1为卷积神经网络算法,234为其他方法

 

 文章同时考虑了多损伤的识别与定位于噪声影响下的检测情况,结果显示依然有着良好的预测结果(图3)。

3多损伤识别结果

 

 除此之外,为了探明卷积神经网络究竟是如何实现自动特征提取,文章将隐藏层可视化,探究神经网络究竟学习到了什么特征。结果发现,神经网络学习到的是一个个带通滤波器,独立学习到了结构模态的概念(图4)。

网络中间层学习到了简支梁第三阶模态的概念

  马宏伟教授为教育部“长江学者”特聘教授,东莞理工学院副校长。现任教育部力学专业教学指导委员会委员,中国力学学会理事,中国力学学会教育工作委员会副主任委员,中国力学学会爆炸力学专业委员会冲击动力学专业组副组长。他多年从事力学研究,共出版专著2部,发表论文150余篇,三大索引收录的高水平论文90余篇,授权发明专利4项,软件著作权1项。

                       

马宏伟教授团队在桥梁安全监测的大数据方法的研究取得新突破

2017-12-23 高建动态

 我校马宏伟教授带领的研究团队关于大数据的桥梁损伤检测论文在国际著名杂志《Computer-Aided Civil and Infrastructure Engineering》(Vol32, December 2017, Page1025-1046) 正式发表,该国际杂志是土木与结构领域影响因子排名第一的1区期刊,影响因子为5.79。马宏伟教授为文章的通讯作者,第一作者是马宏伟教授博士研究生林逸洲。文章在国际上率先提出用大数据的深度学习方法应用于大型桥梁的安全监测领域,为这一领域提供了一种全新的方法。

 大型桥梁结构的老化对于当前社会来说已经成为了一个不可避免的问题。而在健康监测的工程实践中,一座桥梁往往安装了成百上千的传感器,数据容量巨大且影响因素众多,难以从中进一步得到有用的信息。传统的特征提取手段主要有动力指纹与数据驱动两大类,然而这些特征提取手段由于有着各自的缺点在实际工程中应用困难。针对这些问题,研究团队将深度学习领域中广泛应用的多层卷积神经网络(Convolutional Neural Network, CNN)应用到结构损伤检测任务中,以达到从数据中学习,从结构的时域响应中自动提取特征的效果。

文章提供了一种新的解决该问题的框架——大数据思想。对于一个问题,传统的解决方法往往是分析导致“结果”的“原因”,找出“原因”后再利用这个因果关系来解决实际“应用”问题。然而,现实世界是复杂的,导致一个“结果”的“原因”往往无比繁多。另一种思维方式则是直接联系“结果”(数据)与“应用”(解决问题)。对于一个具体应用问题,两个变量之间的关系可能并不明确,而且关系复杂,而利用智能算法则可以从大量数据中构建两者的关系。这正是“大数据”一词中的核心思想。而本文正是遵循了这种思想,只从数据中使算法自动挖掘变量之间的联系。

以结构的加速度和结构的真实损伤情况组成数据对,训练多层神经网络(图1)。不同于传统神经网络,文中开发的神经网络直接以结构的响应为输入而不依赖任何人工设计的特征,直接把加速度时域信号映射至损伤信息。测试结果表明,该方法有着独立从数据中学习结构特征的能力,并有着惊人的损伤检测能力(图2)。

  

1 卷积神经网络

不同工况下单损伤定位准确率:1为卷积神经网络算法,234为其他方法

 

 文章同时考虑了多损伤的识别与定位于噪声影响下的检测情况,结果显示依然有着良好的预测结果(图3)。

3多损伤识别结果

 

 除此之外,为了探明卷积神经网络究竟是如何实现自动特征提取,文章将隐藏层可视化,探究神经网络究竟学习到了什么特征。结果发现,神经网络学习到的是一个个带通滤波器,独立学习到了结构模态的概念(图4)。

网络中间层学习到了简支梁第三阶模态的概念

  马宏伟教授为教育部“长江学者”特聘教授,东莞理工学院副校长。现任教育部力学专业教学指导委员会委员,中国力学学会理事,中国力学学会教育工作委员会副主任委员,中国力学学会爆炸力学专业委员会冲击动力学专业组副组长。他多年从事力学研究,共出版专著2部,发表论文150余篇,三大索引收录的高水平论文90余篇,授权发明专利4项,软件著作权1项。

                       

友情链接:30349   7963   46124   22994   23919   37257   73800   35817   12667   30071   12217   12545   19782   22236   32771   31891   19586   72389   37409   5247