Identificación de daños en puentes de gran luz utilizando la combinación de red neuronal convolucional y red neuronal de memoria a largo plazo
Autores: Fu, Lei; Tang, Qizhi; Gao, Peng; Xin, Jingzhou; Zhou, Jianting
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Identificación de daños en puentes de gran luz utilizando la combinación de red neuronal convolucional y red neuronal de memoria a largo plazo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Algoritmo tradicional de inteligencia artificial
Métodos de identificación de daños
Redes neuronales convolucionales
Redes neuronales de memoria a largo plazo
Puente de suspensión de gran envergadura
Modelo CNN-LSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Las características superficiales extraídas por los métodos de identificación de daños basados en algoritmos de inteligencia artificial tradicionales presentan baja sensibilidad e ignoran las características temporales de las señales de vibración. Por lo tanto, este estudio utiliza las ventajas de extracción de características de alta dimensión de las redes neuronales convolucionales (CNN) y la capacidad de modelado de series temporales de las redes de memoria a corto y largo plazo (LSTM) para identificar daños en puentes de gran longitud.
Descripción
Las características superficiales extraídas por los métodos de identificación de daños basados en algoritmos de inteligencia artificial tradicionales presentan baja sensibilidad e ignoran las características temporales de las señales de vibración. Por lo tanto, este estudio utiliza las ventajas de extracción de características de alta dimensión de las redes neuronales convolucionales (CNN) y la capacidad de modelado de series temporales de las redes de memoria a corto y largo plazo (LSTM) para identificar daños en puentes de gran longitud.