물리 기반 자기 감독 적은 샷 학습을 통한 콘크리트 구조물의 초음파 결함 탐지

이 연구는 콘크리트 구조물에서 적은 샷 초음파 결함 탐지를 위한 물리 기반 자기 감독 프레임워크를 소개하며, 구조 건강 모니터링(SHM)에서 희소한 레이블과 도메인 변동성이라는 두 가지 문제를 다룹니다. 우리의 방법은 물리 정보 증강, 대비 표현 학습 및 적대적 도메인 정렬을 상호 강화하는 주기 내에서 통합하여 최소한의 감독으로도 견고한 결함 분류를 가능하게 합니다. 물리 정보 증강 모듈은 현실적인 초음파 신호를 합성하여 변환기 인코더가 불변 특성을 추출하면서 센서 노이즈를 억제하도록 훈련합니다. 적대적 특성 정렬기는 이질적 콘크리트 간의 분포 변화 완화를 통해 교차 도메인 일반화를 더욱 향상시킵니다. 세 가지 기준 데이터 세트에 대한 실험적 검증은 원샷 교차 도메인 작업에서 63–66% 정확도를 보여주며, 5샷 설정에서 최대 89%에 이릅니다. 이러한 결과는 현대의 적은 샷 기준 대비 12–15% 포인트 향상을 나타내며, p < 0.001에서 통계적으로 유의미한 개선을 보입니다. 기존 초음파 하드웨어와 호환되는 제안된 프레임워크는 물리 기반 모델링과 기계 학습을 연결하며 노후 인프라 및 회복력 있는 스마트 도시를 위한 확장 가능하고 현장 적용 가능한 SHM 솔루션을 위한 길을 열어줍니다.