We propose a novel approach to structural health monitoring (SHM), aiming at the automatic identification of damage-sensitive features from data acquired through pervasive sensor systems. Damage detection and localization are formulated as classification problems, and tackled through fully convolutional networks (FCNs). A supervised training of the proposed network architecture is performed on data extracted from numerical simulations of a physics-based model (playing the role of digital twin of the structure to be monitored) accounting for different damage scenarios. By relying on this simplified model of the structure, several load conditions are considered during the training phase of the FCN, whose architecture has been designed to deal with time series of different length. The training of the neural network is done before the monitoring system starts operating, thus enabling a real time damage classification. The numerical performances of the proposed strategy are assessed on a numerical benchmark case consisting of an eight-story shear building subjected to two load types, one of which modeling random vibrations due to low-energy seismicity. Measurement noise has been added to the responses of the structure to mimic the outputs of a real monitoring system. Extremely good classification capacities are shown: among the nine possible alternatives (represented by the healthy state and by a damage at any floor), damage is correctly classified in up to $$95 \%$$ of cases, thus showing the strong potential of the proposed approach in view of the application to real-life cases.

中文翻译：

---

完全卷积网络，用于通过多元时间序列分类进行结构健康监测

我们提出了一种结构健康监测（SHM）的新颖方法，旨在从通过普适传感器系统获取的数据中自动识别对损伤敏感的特征。损坏检测和定位被描述为分类问题，并通过完全卷积网络（FCN）解决。对从提出的基于物理模型的数值模拟（扮演要监视的结构的数字孪生模型的角色）的数值模拟中提取的数据进行监督培训，以解决不同的损坏情况。通过简化的结构模型，可以在FCN的训练阶段考虑几种载荷条件，其结构已设计为处理不同长度的时间序列。对神经网络的训练是在监视系统开始运行之前完成的，因此可以进行实时损伤分类。拟议策略的数值性能是在一个数值基准情况下进行评估的，该基准情况由八层剪力建筑物承受两种载荷类型组成，其中一种由于低能量地震活动而模拟随机振动。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。因此，可以进行实时损坏分类。拟议策略的数值性能是在一个数值基准情况下进行评估的，该基准情况由八层剪力建筑物承受两种载荷类型组成，其中一种由于低能量地震活动而模拟随机振动。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。因此，可以进行实时损坏分类。拟议策略的数值性能是在一个数值基准情况下进行评估的，该基准情况由八层剪力建筑物承受两种载荷类型组成，其中一种由于低能量地震活动而模拟随机振动。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。拟议策略的数值性能是在一个数值基准情况下进行评估的，该基准情况由八层剪力建筑物承受两种载荷类型组成，其中一种由于低能量地震活动而模拟随机振动。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。拟议策略的数值性能是在一个数值基准情况下进行评估的，该基准情况由八层剪力建筑物承受两种载荷类型组成，其中一种由于低能量地震活动而模拟随机振动。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。测量噪声已添加到结构的响应中，以模仿实际监视系统的输出。显示了极好的分类能力：在9种可能的替代方案中（以健康状态和任意层的损坏表示），在多达$ 95 \％$$的情况下正确地分类了损坏，因此显示了强大的分类潜力。鉴于现实生活中的案例，提出了一种建议的方法。