基于物理信息神经网络的木质结构损伤检测与评估方法技术

本发明专利技术公开了基于物理信息神经网络的木质结构损伤检测与评估方法，其包括：使用数据采集设备收集木质结构表面的ECDRM数据；将ECDRM数据预处理后输入到物理信息神经网络模型中，得到木质结构的损伤类型以及程度的识别结果；通过图形界面展示损伤类型以及程度的识别结果。本方法通过ECDRM数据采集、模型训练与测试、结果分析与可视化、在线监测与预警等多个环节，实现了对木质结构损伤的全面监测，为实际应用提供了有力支持。同时，本发明专利技术还具有很强的可扩展性和实用性，可以应用于其他类型的结构损伤检测领域。的结构损伤检测领域。的结构损伤检测领域。

【技术实现步骤摘要】
基于物理信息神经网络的木质结构损伤检测与评估方法


[0001]本专利技术涉及建筑检测领域，尤其涉及基于物理信息神经网络的木质结构损伤检测与评估方法。

技术介绍

[0002]木材作为一种天然可再生的建筑材料，在建筑行业中具有较高的可持续性。木质结构能够最大限度地提高民用基础设施的绿色环保性能，并且与钢和混凝土等传统建筑材料相比，具有更低的碳足迹。然而，木质结构容易受到湿度、昆虫和真菌等环境因素的损害，从而影响其结构完整性。传统的检测方法如目视检查、探针和敲击法往往具有主观性，耗时较长。
[0003]近年来，电子技术的进步推动了新型非破坏性检测(NDT)技术的发展，这些技术可以有效地检测木质结构的损伤。其中一种技术是钻孔阻力测量(DRM)，它涉及将孔钻入木材并测量钻孔阻力。钻孔阻力可以用来确定木材的强度和刚度，从而检测木材的损伤。由于钻孔过程，DRM有时被认为是一种半破坏性技术。
[0004]电子控制钻孔阻力测量(ECDRM)是DRM的一种更先进的形式，其利用电子控制调节钻孔针的速度和力度，从而实现更均匀的进给速度，消除人为误差和测试过程中的变异，因此能够提供更准确和一致的结果。然而，对ECDRM测试所获得的数据进行分析和解释可能对非专业人士来说具有挑战性。此外，在实际应用中，由于工程的复杂性以及测试环境中存在的多种变量，准确地解释测量数据变得更加困难。

技术实现思路

[0005]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是现有的电子控制钻孔阻力测量的结果难以应用的问题以及现有的木结构损伤检测技术主观性强、准确性低的问题。本专利技术的方法结合了考虑物理方程约束的机器学习框架(PINN)和一维卷积神经网络(1D
‑
CNN)，用于处理和分析ECDRM数据以检测木质结构的损伤。与传统的数据驱动方法不同，系统框架在学习过程中结合了关于待解决问题的先验知识，特别是将系统物理学作为损失函数中的约束，以指导学习过程并提高模型的可解释性。此外，本专利技术实现了一个包含两个卷积层和两个全连接层的1D
‑
CNN，以从ECDRM数据中学习复杂的特征和模式。将物理信息整合到框架中有助于减小神经网络的规模，并加快收敛过程。
[0006]为实现上述目的，本专利技术提供了基于物理信息神经网络的木质结构损伤检测与评估方法，其包括：
[0007]使用数据采集设备收集木质结构表面的ECDRM数据；
[0008]将ECDRM数据预处理后输入到物理信息神经网络模型中，得到木质结构的损伤类型以及程度的识别结果；
[0009]通过图形界面展示损伤类型以及程度的识别结果。
[0010]本专利技术的进一步改进在于：所述ECDRM数据的预处理过程中，采用Savitzky
‑
Colay
滤波器对原始的ECDRM数据进行处理。
[0011]本专利技术的进一步改进在于：所述物理信息神经网络模型包括串联的一维卷积神经网络(1D
‑
CNN)以及物理信息增强损失网络(Physics
‑
enhanced loss)，其中：
[0012]一维卷积神经网络自输入至输出依次为：卷积层Conv1、批量规范化层BN1、泄露修正线性化单元LeakyReLU、最大池化层ML1、卷积层Conv2、批量规范化层BN2、泄露修正线性化单元LeakyReLU、最大池化层ML2；
[0013]所述物理信息增强损失网络对所述一维卷积神经网络的输出特征进行处理，其自输入至输出依次包括全连接层FC1、批量规范化层BN3、泄露修正线性单元LeakyReLU、丢弃正则化层dropout、全连接层FC2；
[0014]所述物理信息增强损失网络的输出经过softmax函数处理得到识别结果y
‑
pred。
[0015]本专利技术的进一步改进在于：在训练所述物理信息神经网络模型的过程中，采用的损失函为：Loss
CE
+Loss
PE
；其中，Loss
CE
为交叉熵损失，Loos
PE
是物理信息约束损失，定义为:
[0016][0017]式中，N是节点个数，V
i
是约束损失值，定义为：
[0018][0019]Loss
CE
是交叉熵损失，定义为
[0020][0021]式中，y
i
表示样本i的标签，正类为1，负类为0；p
i
表示样本i预测为正类的概率。
[0022]本专利技术的进一步改进在于：训练所述物理信息神经网络模型的采用的数据集的构建过程包括以下步骤：
[0023](1)采集ECDRM数据：在木质结构上应用ECDRM技术，通过调整钻孔速度和力度，实现对木质结构内部损伤的精确检测；数据采集模块通过钻孔实验记录每个测试的电阻值，构建了一个包含多个正样本和多个负样本的ECDRM数据集；正样本为有损伤的木质结构的检测数据，负样本为无损伤木质结构的检测数据；
[0024](2)数据增强：采用最小值选择增强方法对初步获得的ECDRM数据集进行扩增；
[0025](3)采用Savitzky
‑
Golay滤波器对扩增后的ECDRM数据集进行逐条滤波。
[0026]本专利技术的进一步改进在于：训练所述物理信息神经网络模型的过程中采用Adam优化算法，以提高收敛速度。
[0027]本专利技术的进一步改进在于：展示损伤类型以及程度的识别结果的过程中，可将不同位置的检测结果通过热力图、柱状图的方式同时展示。
[0028]为评估所提出的系统框架的性能，我们使用了一组从具有不同损伤程度的木质试样中收集的ECDRM测量数据。通过一系列现场试验，我们共获得了450个独立的数据样本。然后，通过选择每对样本的最小值，对数据集进行扩充，共获得23695个样本。接下来将扩展后的数据集划分为训练集和测试集，并在这些数据上对所提出的框架进行训练和测试。结果
表明，我们的框架在检测木质试样中的损伤方面取得了95％以上的高准确性，优于传统的检测方法。此外，将物理约束纳入损失函数有助于提高模型的可解释性，使我们能够更好地理解损伤检测的相关因素。
[0029]与传统方法相比，基于物理方程约束的智能木质结构损伤检测与评估系统具有以下优势：
[0030]1.更高的准确性：该系统结合了考虑物理方程约束的机器学习框架(PINN)和一维卷积神经网络(1D
‑
CNN)，能够从ECDRM数据中提取更复杂的特征和模式，从而在损伤检测方面实现更高的准确性。
[0031]2.更强的可解释性：将物理约束纳入损失函数有助于提高模型的可解释性。这使得工程师和实践者能够更好地理解损伤检测的相关因素，从而更准确地评估木质结构的完整性。
[0032]3.高效性：由于模型规模较小，系统框架在学习过程中收敛速度较快，因此能够在较短的时间内完成训练和评估。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理信息神经网络的木质结构损伤检测与评估方法，其包括：使用数据采集设备收集木质结构表面的ECDRM数据；将ECDRM数据预处理后输入到物理信息神经网络模型中，得到木质结构的损伤类型以及程度的识别结果；通过图形界面展示损伤类型以及程度的识别结果。2.根据权利要求1所述的一种基于物理信息神经网络的木质结构损伤检测与评估方法，其特征在于：所述ECDRM数据的预处理过程中，采用Savitzky
‑
Colay滤波器对原始的ECDRM数据进行处理。3.根据权利要求1所述的一种基于物理信息神经网络的木质结构损伤检测与评估方法，其特征在于：所述物理信息神经网络模型包括串联的一维卷积神经网络以及物理信息增强损失网络，其中：一维卷积神经网络自输入至输出依次为：卷积层、批量规范化层、泄露修正线性化单元、最大池化层、卷积层、批量规范化层、泄露修正线性化单元、最大池化层；所述物理信息增强损失网络对所述一维卷积神经网络的输出特征进行处理，其自输入至输出依次包括全连接层、批量规范化层、泄露修正线性单元、丢弃正则化层、全连接层；所述物理信息增强损失网络的输出经过softmax函数处理得到识别结果。4.根据权利要求3所述的一种基于物理信息神经网络的木质结构损伤检测与评估方法，其特征在于：在训练所述物理信息神经网络模型的过程中，采用的损失函为：Loss
CE
+Loss
PE
；其中，Loss
CE
为交叉熵损失，Loos
...

【专利技术属性】
技术研发人员：徐佳琦，王明谦，许清风，赵荣欣，王卓琳，陈溪，
申请(专利权)人：上海市建筑科学研究院有限公司，
类型：发明
国别省市：