Apprentissage autod supervisé guidé par la physique pour la détection d défauts ultrasoniques dans les structures en béton

Cette étude présente un cadre autod supervisé guidé par la physique pour la détection de défauts ultrasoniques à quelques coups dans les structures en béton, abordant les deux défis de l'absence de données étiquetées et de la variabilité de domaine dans la surveillance de la santé structurelle (SHM). Notre méthode intègre des augmentations informées par la physique, un apprentissage de représentation contrastif et un alignement de domaine adversarial au sein d'un cycle de renforcement mutuel, permettant une classification robuste des défauts avec un minimum de supervision. Un module d'augmentation informé par la physique synthétise des signaux ultrasoniques réalistes, formant un encodeur Transformer pour extraire des caractéristiques invariantes tout en supprimant le bruit des capteurs. Un aligneur de caractéristiques adversarial améliore encore la généralisation inter-domaines en atténuant les décalages de distribution à travers des bétons hétérogènes. La validation expérimentale sur trois ensembles de données de référence démontre une précision de 63 à 66 % dans des tâches inter-domaines à un coup et jusqu'à 89 % dans des configurations à cinq coups. Ces résultats représentent des gains de 12 à 15 points de pourcentage par rapport aux bases modernes d'apprentissage à quelques coups, avec des améliorations statistiquement significatives à p < 0.001. Compatible avec le matériel ultrasonique existant, le cadre proposé fait le lien entre la modélisation basée sur la physique et l'apprentissage automatique tout en ouvrant la voie à des solutions de SHM évolutives et prêtes pour le terrain pour les infrastructures vieillissantes et les villes intelligentes résilientes.