我们的研究
实时数字孪生助力更明智的决策和更具弹性的基础设施
我们构建了混合物理-ML 双胞胎，可以持续学习、自动优化并让操作员能够在故障升级之前采取行动。
我们工作的主题
属性感知迁移学习
VAE-GAN 和 TL 将领域知识注入数据稀缺的区域，提高地质灾害和极端事件的预测准确性。
基于人口的损害分析
模型集合从一座桥梁推广到多座桥梁，从而能够在网络规模上进行快速的震后筛查。
决策层融合
多传感器输出以概率方式融合，提供操作员可以信赖的可解释的、风险加权的建议。
探索我们的一些最新项目：
特色项目
基于变异自动编码器生成对抗网络的属性迁移学习用于提高样本稀缺地区的滑坡空间预测性能
由于获取滑坡清 单数据的复杂性，在标注样本有限的情况下建立滑坡空间预测模型是一项挑战。
本文提出了一种充分利用现有滑坡清单数据的新策略，即有属性的迁移学习（TLA），该策略基于生成式对抗网络的变异自动编码器（VAEGAN），用于提高样本稀缺地区的滑坡空间预测性能。与迁移学习（TL）不同，TLA 利用 VAEGAN 重构的数据对模型进行预训练，从而使模型提前学习样本稀缺地区的滑坡属性。因此，建立了一个包含三个研究区域共 986 个滑坡体和 14 个滑坡影响因素的数据库，并分别选择卷积神经网络（CNN）、双向长短期记忆（BiLSTM）和门控递归单元（GRU）这三种模型作为 VAEGAN 的特征提取器来重构数据属性，以及预测模型来生成滑坡易感性图，以研究和验证所提出的 TLA 策略。实验结果表明，与TL相比，TLA策略在接收者操作特征下面积（AUROC）、F1-score、精确度、召回率和准确度等评价指标的平均值提高了约2-7%，这些结果表明生成的数据具有特定研究区域的属性，以及TLA策略在样本稀缺地区的有效性。
特色项目
利用一维 CNN 和迁移学习进行基于振动的结构损伤检测
本文利用一维卷积神经网络（1-D CNN）和迁移学习（TL）提出了一种基于振动的新型结构损伤检测方法。
CNN 可以有效地从振动信号中提取结构损伤信息。然而，CNN 的训练需要足够的样本，而从真实结构中获得的一些损伤样本（场景）是有限的，这将影响 CNN 检测结构损伤的能力。作为一种解决方案，数值模型有可能提供足够的 CNN 训练样本；同时，最先进的 TL 技术可以显著缩短网络训练时间并提高准确性。因此，本文提出了一种检测桥梁模型损伤的新方法。首先使用数值桥梁模型的单一损伤场景样本对一维 CNN 进行训练。然后将其迁移到多损伤（同时发生双重或三重损伤）、随机尺寸结构和实验模型等复杂场景中。结果表明：使用 TL 后，损伤检测精度最多提高了约 47%，收敛速度至少提高了 50%；特别是，TL 可以抑制过拟合，对于实际桥梁情况，精度也提高了 44.4%。这表明：TL 可以有效地提高损伤检测精度和收敛效果，而且该方法在随机尺寸结构中的应用也证明了其通用性。
特色项目
基于多振动信号决策级融合的结构损伤探测
结构受损时，其振动信号会发生变化。如果使用单一的振动信号进行结构损伤检测（SDD），有时可能会导致检测精度较低。
为了避免这种现象，本文提出了一种基于决策级融合（DLF）的多振动信号 SDD 方法。本研究对加速度（ACC）、应变（E）、位移（DIS）以及这三种信号（ACC、E 和 DIS）的融合信号进行了研究。利用卷积神经网络（CNN）可以从结构的振动信号中提取损坏信息。上述四种振动信号被用作训练四个 CNN 模型的输入，每个模型输出一个相应的结果。最后，使用 DLF 策略对每个 CNN 的检测结果进行融合。为了证明所提方法的有效性和正确性，我们通过数值模拟和振动实验对一座钢结构桥梁进行了研究。研究表明，基于 DLF 的多振动信号损伤检测方法能有效提高 CNN 损伤检测的准确性。
