Resumen

En los últimos años, se han realizado muchos esfuerzos para desarrollar métodos eficientes de monitoreo de salud estructural (SHM) basados en aprendizaje profundo. La mayoría de los métodos propuestos emplean algoritmos supervisados que requieren datos de diferentes estados dañados de una estructura para monitorear sus condiciones de salud. Dado que estos datos generalmente no están disponibles para estructuras civiles reales, el uso de algoritmos supervisados para el monitoreo de la salud de estas estructuras podría ser impracticable. Este artículo presenta una novedosa técnica de dos etapas basada en redes generativas adversariales (GANs) para el monitoreo de SHM no supervisado e identificación de daños. En la primera etapa, se utiliza una GAN convolucional profunda (DCGAN) para detectar y cuantificar daños estructurales; los daños detectados se localizan luego en la segunda etapa utilizando una GAN condicional (CGAN). Se utilizan señales de aceleración crudas de una estructura monitoreada para este propósito, y las redes

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Esfuerzos; Basado en aprendizaje profundo; Monitoreo de salud estructural; Algoritmos supervisados; Redes generativas adversariales; Identificación de daños
• Keywords:Efforts; Deep-learning-based; Structural health monitoring; Supervised algorithms; Generative adversarial networks; Damage identification