针对实际桥梁结构损伤模式识别时有限元模型与实际结构存在差异的情况，为了提高有限元数值模拟数据集训练的深度神经网络识别实际桥梁结构损伤模式的准确率，提出一种结合迁移学习(TL)和一维卷积神经网络(1D-CNN)的结构损伤识别方法。首先，基于结构有限元数值模拟数据训练1D-CNN模型，选择损伤识别效果较好、性能优良的模型作为源模型；然后，将源模型中的网络结构和超参数迁移到实际结构实测数据集(目标域)网络模型的对应位置并冻结，得到预训练模型；最后，使用实测数据微调预训练模型得到目标模型。为验证该方法的有效性，通过3层钢框架结构实验室试验和日本某简支钢桁梁桥的现场试验，对比源模型(模型I)、仅采用实测数据训练得到的CNN模型(模型II)和采用迁移学习得到的CNN目标模型(模型III)等3种神经网络模型的结构损伤模式识别准确率。
(a) 框架结构及试验装置图；(b) 有限元模型
1)提出了一种结合迁移学习和一维卷积神经网络的桥梁结构损伤识别方法，解决了有限元模型与实际结构存在差异的情况下，基于有限元数值模拟数据集训练的深度神经网络识别实际桥梁结构损伤模式的准确率低的问题，该方法具有较好的实际桥梁结构损伤模式识别能力。
2)基于3层钢框架结构模型试验，对比验证了1D-CNN源模型、仅采用实测数据训练得到的1D-CNN模型和采用迁移学习得到的1D-CNN目标模型等3种神经网络模型的结构损伤模式识别准确率。目标模型的损伤模式识别准确率达99.06%，优于其他2种1D-CNN模型。
3)基于日本某简支钢桁梁桥现场试验，有限元模拟数据构建的源模型在实测数据损伤模式识别准确率为59.50%，目标模型的损伤模式识别准确率达99.50%，所提方法能显著提高实际桥梁结构损伤模式识别准确率。
通信作者：黄天立，博士，中南大学土木工程学院教授，从事桥梁结构健康监测与状态评估评估、维护与管理等方面的研究工作。邮箱：htianli@csu.edu.cn
一审：杨碧峰
二审：涂 鹏
三审：蒋学东
点击“阅读原文”获取全文
