Méthode d'identification des dommages basée sur le CNN pour les ponts à arc lié utilisant des informations spatio-spectrales

Dans le domaine de la surveillance de la santé structurelle, la détection des dommages a été couramment effectuée sur la base du modèle structurel et des caractéristiques techniques liées à ce modèle. Cependant, les caractéristiques extraites sont souvent soumises à diverses erreurs, rendant la reconnaissance des motifs pour la détection des dommages encore difficile. Dans cette étude, une méthode automatisée d'identification des dommages est présentée pour les câbles de suspension d'un pont à arc lié utilisant un réseau neuronal convolutionnel (CNN). Les données de mesure brutes pour les spectres d'amplitude de Fourier (FAS) des réponses d'accélération sont utilisées sans un pré-traitement complexe des données pour l'identification modale. Un CNN est un type de réseau neuronal profond qui se compose généralement de couches de convolution, de pooling et de couches entièrement connectées. Une étude de simulation numérique a été réalisée pour la détection de dommages multiples dans les suspensions en utilisant des données de vibrations du vent ambiant sur le tablier du pont. Les résultats montrent que le CNN actuel utilisant des données FAS fonctionne mieux sous divers états de dommages que le CNN utilisant des données d'historique temporel et le réseau neuronal traditionnel utilisant FAS. La robustesse du CNN présent a été prouvée sous divers niveaux de bruit d'observation et vitesses de vent.