スパースベイズ学習スキームを用いたSHMにおける確率論的データ駆動型損傷検出に向けて

構造ヘルスモニタリング（SHM）技術の継続的な進化と発展にもかかわらず、高度なSHMシステムから得られる膨大なセンサーデータを解釈して構造物の健全性状態に関する有用な情報を抽出することは依然として課題です。この課題を解決することを目的として、Sparse Bayesian Learning（SBL）スキームの枠組みにおいて確率論的データ駆動型損傷検出手法の新規応用が提案されました。このフレームワークは、健全状態で取得されたデータのみを用いて新しい構造損傷指標を構築し、基準ベースとしてSBL回帰モデルを確立することを含みます。構造損傷指標の構築は損傷感度周波数帯に基づいており、これは振動モニタリングデータを用いてNExTによって決定されます。新しいデータに基づく構造損傷指標がSBL回帰参照モデルによって予測された指標から逸脱した場合に構造物は損傷していると分類され、さらに損傷度を定量化するためにベイズ因子が採用されます。加えて、ベイズ因子と共振周波数変化率との関係が詳細に調査されます。提案された手法は以下の利点を有します：(i) 構造物の物理モデルや加振/載荷情報が不要な確率論的データ駆動型手法であること、(ii) 損傷状態のモニタリングデータが存在しない場合でも、健全状態のモニタリングデータのみを用いて定式化できる、構造損傷検出に必要な教師なしモデルに属すること。提案された方法論の損傷検出および識別能力は、斜張橋から取得された現場モニタリングデータを用いて検証されています。最後に、SBLに基づくアプローチに関する考察が行われ、SHMにおける損傷検出プロセスに関連する今後の課題が特定されています。