Classification of cracking sources of different engineering media via machine learning
Classification of cracking sources of different engineering media via machine learning
复制标题
通过机器学习对不同工程介质的裂纹源进行分类
DOI：
10.22541/au.161854021.15339524/v1
复制
发表时间：
2021-04
影响因子：
3.7
通讯作者：
Wang Xiaodong
中科院分区：
文献类型：
--
作者：
Huang Jie;Hu Qianting;Song Zhenlong;Zhang Gongheng;Qin Chaozhong;Wu Mingyang;Wang Xiaodong
复杂的土建结构需要多个建筑的协同工作
材料。然而，准确的监测和评估是困难的。
各种材料系统的内部损伤状态。基于一个
卷积神经网络(CNN)和声发射(AE)
时-频图，我们使用了迁移学习方法
对不同材料在外载荷作用下的声发射信号进行分类。
结果表明，CNN模型能够准确地对出现的裂缝进行分类
基于声发射信号的不同材料。识别准确率
仅通过重新培训整个连接层即可达到90%
经过预训练的模型，重新训练后其准确率可达97%
此模型的前两个卷积层。一种破解的实现
物源识别主要依靠矿物的差异。
材质中的粒子。这项工作突出了……的巨大潜力
复合材料健康状态的实时定量监测
土木工程。
Complex civil structures require the cooperation of many building
materials. However, it is difficult to accurately monitor and evaluate
the inner damage states of various material systems. Based on a
convolutional neural network (CNN) and the acoustic emission (AE)
time-frequency diagram, we used the transfer learning method for
classifying the AE signals of different materials under external loads.
The results show the CNN model can accurately classify cracks that come
from different materials based on AE signals. The recognition accuracy
can reach 90% just by re-training the full connection layer of the
pre-trained model, and its accuracy can reach 97% after re-training the
top 2 convolutional layers of this model. A realization of cracking
source identification mainly depends on the differences in mineral
particles in materials. This work highlights the great potential for
real-time and quantitative monitoring of the health status of composite
civil structures.
登录
查看更多内容
影响因子：
8.7
作者：
Aslan MF;Unlersen MF;Sabanci K;Durdu A
通讯作者：
Durdu A
影响因子：
7.4
作者：
Hyung-mok Kim;Y. Lettry;Dohyun Park;D. Ryu;Byung-Hee Choi;W. Song
通讯作者：
Hyung-mok Kim;Y. Lettry;Dohyun Park;D. Ryu;Byung-Hee Choi;W. Song
影响因子：
7.8
作者：
F. E. Silva;L. Gonçalves;D. B. B. Fereira-D.-B.-B.-Fereira-102222577;J. Rebello
通讯作者：
F. E. Silva;L. Gonçalves;D. B. B. Fereira-D.-B.-B.-Fereira-102222577;J. Rebello
DOI：
10.1111/ffe.13214
发表时间：
2020-03-02
影响因子：
3.7
作者：
D'Angela, Danilo;Ercolino, Marianna;Iacoviello, Francesco
通讯作者：
Iacoviello, Francesco
影响因子：
3.8
作者：
Lopez, Carlos M.;Carol, Ignacio;Aguado, Antonio
通讯作者：
Aguado, Antonio