中交路橋科技是從事工程檢測監(jiān)測、城市安全監(jiān)測預(yù)警與評價(jià)、數(shù)字智能化研發(fā)為一體的復(fù)合型高新技術(shù)集團(tuán)企業(yè)。
馬宏偉教授領(lǐng)帶的團(tuán)隊(duì)研究的關(guān)于大數(shù)據(jù)的橋梁損傷檢測論文被《Computer-Aided Civil and Infrastructure Engineering》錄用（以林逸洲第一作者，聶振華第二作者，馬宏偉教授為通訊作者），影響因子為5.79，土木與結(jié)構(gòu)領(lǐng)域影響因子排名第一的1區(qū)期刊。文章在國際上率先提出用大數(shù)據(jù)的深度學(xué)習(xí)方法應(yīng)用于大型橋梁安全監(jiān)測領(lǐng)域，為這一領(lǐng)域提供了一種全新的方法，意義深遠(yuǎn)！
馬宏偉教授為教育部“長江學(xué)者”特聘教授，東莞理工學(xué)院副校長，暨南大學(xué)力學(xué)與建筑工程學(xué)院教授，公共安全研究中心副主任，青海大學(xué)特聘教授。現(xiàn)任教育部力學(xué)專業(yè)教學(xué)指導(dǎo)委員會(huì)委員，中國力學(xué)學(xué)會(huì)理事，中國力學(xué)學(xué)會(huì)教育工作委員會(huì)副主任委員,中國力學(xué)學(xué)會(huì)爆炸力學(xué)專業(yè)委員會(huì)沖擊動(dòng)力學(xué)專業(yè)組副組長等。自開展研究以來，共發(fā)表專著2部，論文150余篇，三大索引收錄的高水平論文90余篇，已授權(quán)發(fā)明專利4項(xiàng)，實(shí)用新型專利2項(xiàng)，軟件著作權(quán)1項(xiàng)。曾主持國家自然科學(xué)基金2項(xiàng)，國家青年自然科學(xué)基金和霍英東全國高等院校青年教師研究基金2項(xiàng)，參加國家自然科學(xué)基金重點(diǎn)項(xiàng)目1項(xiàng)?，F(xiàn)主持國家自然科學(xué)基金1項(xiàng)。承擔(dān)省部級科研重點(diǎn)重大項(xiàng)目5項(xiàng), 一般項(xiàng)目10余項(xiàng), 橫向項(xiàng)目8項(xiàng)。
大型橋梁結(jié)構(gòu)的老化對于當(dāng)前社會(huì)來說已經(jīng)成為了一個(gè)不可避免的問題。而在健康監(jiān)測的工程實(shí)踐中，一座橋梁往往安裝了成百上千的傳感器，數(shù)據(jù)容量巨大且影響因素眾多，難以從中得到進(jìn)一步得到有用的信息。傳統(tǒng)的特征提取手段主有動(dòng)力指紋與數(shù)據(jù)驅(qū)動(dòng)兩大類，然而這些特征提取手段由于有著各自的缺點(diǎn)不適用于實(shí)際工程。針對這些問題，研究團(tuán)隊(duì)將深度學(xué)習(xí)領(lǐng)域中廣泛應(yīng)用的多層卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)應(yīng)用到結(jié)構(gòu)損傷檢測任務(wù)中，以達(dá)到從數(shù)據(jù)中學(xué)習(xí)，從結(jié)構(gòu)的時(shí)域響應(yīng)中自動(dòng)提取特征的效果。
文章提供了一種新的解決該問題的框架——大數(shù)據(jù)思想。對于一個(gè)問題，傳統(tǒng)的解決方法往往是分析導(dǎo)致“結(jié)果”的“原因”，找出“原因”后再利用這個(gè)因果關(guān)系來解決實(shí)際“應(yīng)用”問題。然而，現(xiàn)實(shí)世界是復(fù)雜的，導(dǎo)致一個(gè)“結(jié)果”的“原因”往往無比繁多。另一種思維方式則是直接聯(lián)系“結(jié)果”（數(shù)據(jù)）與“應(yīng)用”（解決問題）。對于一個(gè)具體應(yīng)用問題，兩個(gè)變量之間的關(guān)系可能并不明確，而且關(guān)系復(fù)雜，而利用智能算法則可以從大量數(shù)據(jù)中構(gòu)建兩者的關(guān)系。這正是“大數(shù)據(jù)”一詞中的核心思想。而本文正是遵循了這種思想，只從數(shù)據(jù)中使算法自動(dòng)挖掘變量之間的聯(lián)系。
[ 卷積神經(jīng)網(wǎng)絡(luò)
以結(jié)構(gòu)的加速度和結(jié)構(gòu)的真實(shí)損傷情況組成數(shù)據(jù)對，訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)。
[ 不同工況下單損傷定位準(zhǔn)確率：1為卷積神經(jīng)網(wǎng)絡(luò)算法，2、3、4為其他方法 ]
不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，文中開發(fā)的神經(jīng)網(wǎng)絡(luò)直接以結(jié)構(gòu)的響應(yīng)為輸入而不依賴任何人工設(shè)計(jì)的特征，直接把加速度時(shí)域信號(hào)映射至損傷信息。測試結(jié)果表明，該方法有著獨(dú)立從數(shù)據(jù)中學(xué)習(xí)結(jié)構(gòu)特征的能力，并有著驚人的損傷檢測能力。
[ 多損傷識(shí)別結(jié)果 ]
文章同時(shí)考慮了多損傷的識(shí)別與定位于噪聲影響下的檢測情況，結(jié)果顯示依然有著良好的預(yù)測結(jié)果。
[ 網(wǎng)絡(luò)中間層學(xué)習(xí)到了簡支梁第三階模態(tài)的概念 ]
除此之外，為了探明卷積神經(jīng)網(wǎng)絡(luò)究竟是如何實(shí)現(xiàn)的自動(dòng)特征提取，文章將隱藏層可視化，探究神經(jīng)網(wǎng)絡(luò)究竟學(xué)習(xí)到了什么特征。結(jié)果發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的是一個(gè)個(gè)帶通濾波器，獨(dú)立學(xué)習(xí)到了結(jié)構(gòu)模態(tài)的概念。
文章來源于暨南大學(xué)力學(xué)與建筑工程學(xué)院公眾號(hào)
