A identificação inteligente de defeitos de injeção em mangueiras injetadas em estruturas pré-fabricadas é crítica para a manutenção da integridade estrutural. No entanto, os métodos atuais de identificação baseados em aprendizado profundo enfrentam limitações, incluindo adaptabilidade insuficiente do modelo e a dificuldade de obter dados rotulados. Modelos treinados em um domínio têm dificuldade para generalizar para outros devido a diferenças nas distribuições de dados, tornando esses métodos desafiadores para aplicar em cenários do mundo real. Para enfrentar esse desafio de engenharia, este artigo investiga a aplicabilidade da adaptação de domínio baseada em discrepância máxima da média (DA baseada em MMD) e abordagens de treinamento adversarial de domínio (DAT) para identificação de defeitos de injeção entre domínios. Sinais de aceleração coletados por acelerômetros próximos às mangueiras injetadas são usados como entrada para o modelo. A capacidade do modelo de generalizar entre domínios é avaliada treinando em dados rotulados de uma condição de trabalho e testando seu desempenho em outras condições de trabalho usando apenas dados não rotulados. E esses métodos são comparados com Redes Neurais Convolucionais tradicionais (CNNs). Experimentos foram realizados em uma estrutura de quadro pré-fabricado de duas camadas. Os resultados experimentais demonstraram a eficácia do método DA baseado em MMD na melhoria da precisão e robustez da identificação de defeitos em diferentes domínios, com o uso de dados não rotulados.
Xie et al. (Mon,) estudaram esta questão.