Исследователи представили метод обучения нейросетей для мониторинга состояния инженерных конструкций в условиях дефицита реальных данных. Фреймворк сочетает многоуровневые сверточные автокодировщики и трансферное обучение, используя массивные симуляции для компенсации нехватки экспериментальных образцов. Это позволяет эффективно выявлять скрытые дефекты в структурах, минимизируя вычислительные затраты на генерацию высокоточных моделей и повышая точность диагностики в реальных промышленных условиях.
Традиционные подходы к мониторингу на основе направленных волн часто сталкиваются с проблемой «узкого горлышка»: качественные данные о повреждениях дороги в получении, а симуляции требуют огромных мощностей. Предложенный метод использует стратегию переноса знаний, при которой модель сначала обучается на больших объемах синтетических данных разной степени точности, а затем донастраивается на ограниченных наборах реальных измерений.
Такой подход позволяет преодолеть разрыв между идеализированными компьютерными моделями и реальными физическими объектами. Использование автокодировщиков помогает эффективно извлекать ключевые признаки из сигналов, отсекая шумы, что критически важно для раннего обнаружения микротрещин и других структурных изменений, которые сложно заметить при стандартном анализе данных.
Ключевые факты
- Разработан метод многоуровневого обучения (Multi-Fidelity) для объединения симуляционных и экспериментальных данных.
- Архитектура основана на сверточных автокодировщиках, адаптированных для анализа сигналов направленных волн.
- Решение направлено на снижение зависимости от дорогостоящих натурных испытаний при обучении моделей мониторинга.
- Метод позволяет проводить диагностику повреждений конструкций с высокой точностью даже при крайне ограниченном объеме размеченных экспериментальных данных.