建筑结构健康监测中的人工智能应用

### 建筑结构健康监测中的人工智能应用 #### 1. 机器学习与深度学习基础 机器学习（ML）是人工智能的重要组成部分，它根据模型深度可分为深度架构和浅层架构。模型深度可以理解为输入层和输出层之间的差异。如果模型是“深度”的，意味着输入层比输出层多得多；而“浅层”则表示过程中的输入层较少，输入层和输出层之间的差异较小。目前先进的深度学习（DL）技术包含数千层来处理数据。深度学习技术在20世纪80年代就已开发出来，但由于当时计算机系统和软件不足，在最初的许多年里并不流行。 机器学习使计算机能够通过分析输入数据开发算法，从而根据输入数据进行预测。它让计算机无需特定编程就能学习，并根据收集和分析的数据创建描述性和预测性模型。在土木工程中，机器学习的应用范围在各个子领域的传播速度比其他人工智能方法更快。除了土木工程，机器学习（人工智能的一部分）还广泛应用于计算机科学工程、金融、信息技术、统计学、哲学等许多学科的研发活动。机器学习的主要重点领域包括图像处理（IP）、深度学习（DL）和模式识别（PR），其中图像处理和目标识别是深度学习的一部分，而模式识别系统则试图识别数据中的模式并进行相应分类。 深度学习是人工智能的新兴领域，近年来受到了广泛关注。它基于众多隐藏层构建架构结构，并根据这些隐藏层的学习结果进行输出预测。在深度学习和模式识别中，系统需要大量领域专业知识，才能从原始信息（如图像）中提取元素（特征）信息，转化为合理的元素（特征）向量，从而对输入信息模式进行分类。不过，深度学习允许将输入信息直接提供给学习算法，而无需挖掘元素信息。与手动编码相比，深度学习是从元素数据集学习的更合适方式，手动编码需要手动挖掘信息，而深度学习则自动处理信息。 #### 2. 人工智能在土木工程中的应用 人工智能在土木工程中具有巨大的应用潜力，几乎所有土木工程的子领域都受到了人工智能的影响。如今，土木工程的广泛子领域，如混凝土技术、结构分析、施工管理、交通工程、绿色结构和水管理等，都广泛应用了人工智能。 目前，混凝土是除水之外使用最广泛的建筑材料，全球人均每年大约使用三吨混凝土。混凝土是一种坚硬的复合材料，本质上是细骨料、粗骨料、水泥和水的混合物。混凝土的耐久性和强度受配料特性、配合比、浇筑技术、压实和养护等因素的显著影响。它具有耐久性、抗渗性、耐磨性、耐火性和高强度等特性。人工智能可用于优化和预测混凝土配合比的工作性和抗压强度，还可用于对混凝土骨料进行分类。 混凝土的工作性影响其强度和在模板上的浇筑便利性。混凝土试验需要时间、材料和人力，且劳动强度大，会导致材料、人力和时间的浪费，还会增加混凝土生产成本。为了减少浪费、降低设计成本和时间，人工神经网络（ANN）可用于生成所需的混凝土工作性模型，这些模型能精确预测混凝土的坍落度值。混凝土的抗压强度取决于其成分，而耐久性又依赖于抗压强度。 #### 3. 人工智能在结构健康监测（SHM）中的应用 在结构健康监测中，主要使用人工智能工具，如图像处理和数据提取工具。在土木工程基础设施中，图像处理工具对于检测和分析裂缝、潮湿、渗漏、热变化等缺陷非常有用。最近的研究表明，用于检测结构裂缝的图像处理技术正在提高工作效率。仅裂缝信息就足以决定修复技术。 图像二值化（IB）通常用于医学图像处理和文本模式识别，在裂缝识别过程中也显示出了出色的效果。二值化完全取决于图像的像素、图像质量、背景噪声和其他与图像相关的参数。裂缝检测还会受到图像低对比度、噪声污染、混凝土剥落和不均匀光照的影响。 数字图像相关（DIC）也用于裂缝检测和测量，通过将结构健康状态下的原始图像与当前有裂缝的劣化图像进行比较。图像二值化过程将灰度图像转换为黑白信息，把灰度图像中的亮像素和暗像素转换为仅含黑白信息的二值图像。 ##### 3.1 图像二值化（IB） 二值化函数用于从2D或3D灰度图像创建二值图像，将所有确定的阈值替换为1，其他值设置为0。在MATLAB中，最常用的二值化方法是“大津法（Otsu’s method）”，它通过最小化阈值化后黑白像素的类内方差来实现。彩色图像应先转换为阈值范围从0到255的灰度图像，以获取黑白信息。在二值化过程中，通过将灰度图像的每个像素值与阈值进行比较，像素值高于阈值的在二值图像中为1（白色），低于阈值的为0（黑色）。二值化参数包括“进行阈值计算的窗口”和“控制像素值统计参数对阈值计算贡献的灵敏度”。 ##### 3.2 阈值选择方法 为了更高效准确地获得二值图像，许多研究人员针对文本和医学识别目的进行了大量图像二值化技术研究。以下是一些根据“选定窗口的最小和最大强度”确定阈值的方法： | 作者 | 方程 | 应用 | | --- | --- | --- | | Bernsen (1986) | $\frac{Z_{max}-Z_{min}}{2}$ | 适用于高对比度图像 | | Ni