概要:本文总结了各向同性和正交各向异性材料微观力学损伤诊断开发的机器学习(ML)和深度学习(DL)技术的全面最新进展.材料中的微观力学损伤诊断对工业部件的安全具有重要作用.ML和DL作为一种智能方法,不仅能用于特定的损伤检测,还能用于其他多种类型材料的损伤检测,可以识别材料结构中的不连续性.可靠性和可持续性因素被当做ML和DL技术在损伤诊断领域的评价准则.DL和基于集成的技术在微观力学损伤诊断复杂性中应用最多且稳健性最显著.

关键词组：损伤检测;机器学习;混合结构;微观损伤;深度学习

目的:提出一种新的优化方法以解决结构优化问题.
创新点:不是通过灵敏度分析来解决优化问题,而是利用深度学习神经网络的优势来寻找优化函数的最优值.
方法:1. 采用基于拉格朗日对偶和深度神经网络的方法.2. 将输入数据用于训练神经网络,直到输出值与预测值非常接近为止.3. 通过深度学习插值求解拉格朗日min-max对偶问题,从而找到最小输入值.
结论:1. 该方法可以解决结构优化问题,但它限制了设计变量输入的数量.2. 该方法的准确性取决于输入的区间大小;因此,下一步工作是发展新方法以减少输入数据集的数量.

关键词组：深度拉格朗日方法;结构优化;深度学习;拉格朗日对偶

目的:开发物理神经网络,研究单搭接接头的应力传递机理.
创新点:1. 创建了一种新的基于物理神经网络(PINN)的深度机器学习(DML)方法来求解两个非齐次耦合四阶偏微分方程.2. 通过将开发的方法和闭合解(由MAPLE软件获得)进行对比,验证了结果的可靠性.
方法:1. 通过包含1个输入层、2到3个隐藏层和1个输出层的人工神经网络(ANN)实现本文提出的基于PINN的DML方法.2. 将边界和初始条件以及搭接接头组成部分的材料特性提供给输入层,在隐藏层中计算损失函数,并从输出层提取满足边界条件的σ₁和σ₃应力值.
结论:1. 通过基于DML框架的PINN方法研究单个搭接接头的力学,以及对受边界条件影响的耦合四阶非齐次偏微分方程的求解,所提方法可被扩展到多基板及其相间的各种应力分量的估计.2. 通过用所提方法估计界面剪切应力并将其与精确解对比发现,基于DML的方法获得的结果可有效表征物理行为.

关键词组：物理信息神经网络;算法微分;人工神经网络;损失函数;单搭接接头

目的:使用非线性有限元分析和替代模型评估钢筋混凝土隧道(RCT)在内部水压作用下的性能.
创新点:1. 开发替代模型,例如主成分回归分析(PCR)、多元自然对数方程回归(MLnER)和基因表达编程(GEP);2. 预测RCT的受损表面百分比(PDS)、有效拉伸塑性应变(ETPS)、RCT的最大挠度以及RCT的顶部挠度.
方法:1. 开发可模拟内部水压作用下RCT性能的有限元模型,采用线性和非线性模型来预测PDS、最大ETPS、RCT的最大挠度以及RCT的顶部挠度.2. 考虑48种混凝土配合比设计,其中36种是由田口方法提出的,剩下的通过作者建议给出.输入变量包括混凝土的抗压和抗拉强度、纵向钢筋的尺寸、横向钢筋的直径和内部水压.
结论:1. 内部水压对PDS、最大ETPS、RCT最大挠度和RCT顶部挠度影响最大.2. 抗压和抗拉强度对PDS、最大ETPS、RCT最大挠度和RCT顶部挠度值有显著影响.3. GEP方法能高精度预测结构损伤、最大ETPS、RCT的最大挠度和RCT顶部挠度.4. 安全系数应被应用于GEP模型的方程以提高其可靠性,尤其是使用这些公式来预测PDS和最大ETPS时.

关键词组：基因表达编程;田口法;有限元分析;有效拉伸塑性应变;偏转;损坏

目的:功能梯度材料(FGM)框架结构的裂纹识别.
创新点:1. 可接收多裂纹FGM结构在任意高频带中的精确模态.2. 提出了一种使用稳定小波转换(SWT)模态和神经网络识别FGM框架结构裂纹的一体化程序.
方法:使用动态刚度方法并结合与频率相关的形状函数,填补有限元方法的空白.这些形状函数被认为是频域内振动问题的精确解.
结论:1. 神经网络与SWT模态振型方法相结合,即使在测得的模态噪声很大的情况下,也能准确评估FGM结构的裂纹深度.2. 本项研究中提出的FGM框架多裂纹识别一体化程序也适用于有限测量数据的情况,且这些数据不仅局限于模态,还包括结构的静态或动态挠度.

关键词组：裂纹识别;功能梯度材料;神经网络;平稳小波变换;动刚度法

目的:1. 使用基于振动的损伤检测方法进行结构健康监测.2. 基于材料力学性能评价提出一种新的结构健康监测方法.
创新点:1. 通过一个被称为损失函数(LF)的新指标描述材料粘弹性参数与振动参数之间的相关性.2. 使用卷积神经网络(CNN)提取自动特征和损坏敏感性,以评估结构状况.
方法:1. 测量真实桥梁的振动响应.2. 在频域中进行信号处理以揭示振动能量损失.3. 基于深度学习和CNN对桥梁状况进行分类.
结论:1. 在真实结构中总是会发生能量扩散.2. 基于振动能量损失变化的LF评估,可以对桥梁进行健康监测.3. 基于深度学习的能量扩散评估是可实现的,并且在多个实际桥梁中具有较高的可实施性.

关键词组：结构健康监测;卷积神经网络;深度学习;桥梁监测;粘弹性模型;材料性能;损耗因子