Damage Classification of Steel Frames Using Long Short-Term Memory and Fully Convolutional Network Models

Dieses Kapitel untersucht die Anwendung eines hybriden Deep-Learning-Modells, SE-1DCNN-LSTM, zur Klassifizierung struktureller Schäden in Stahlrahmen anhand von Beschleunigungsdaten. Das Modell integriert ein eindimensionales konvolutionales neuronales Netzwerk (1DCNN) mit einem Squeeze-and-Excitation (SE) -Mechanismus und einem Long Short-Term Memory (LSTM) -Modul, um sowohl räumliche als auch zeitliche Merkmale effektiv zu erfassen. Die Studie nutzt den QUGS-Beschleunigungsdatensatz, der unter verschiedenen Schadensszenarien aus einer Stahlrahmenstruktur gewonnen wurde, um das Modell zu trainieren und zu bewerten. Die Ergebnisse zeigen, dass das SE-1DCNN-LSTM-Modell im Vergleich zu einem herkömmlichen 1DCNN-LSTM-Modell eine höhere Genauigkeit und verbesserte Verallgemeinerung erreicht. Der SE-Mechanismus verbessert die Unterscheidung von Merkmalen, indem er verschiedenen Datenkanälen Gewichtsanteile zuweist und sich dabei auf die wichtigsten Signale zur Schadenserkennung konzentriert. Die Leistung des Modells wird durch automatisierte Hyperparametereinstellung optimiert, wodurch eine robuste und zuverlässige Schadensklassifizierung gewährleistet ist. Dieser innovative Ansatz bietet eine vielversprechende Lösung für die strukturelle Gesundheitsüberwachung, die eine frühzeitige Erkennung von Schäden und eine praktikablere Wartungsplanung ermöglicht.