文章标题：基于机器学习的槽型结构动态变形场重构

文章作者：白金川¹, 胡高波¹, 陈三桂²,
关 键 字：结构健康监测;位移场重构;LSTM;Transformer Encoder
文章摘要：针对目前多数重构位移场的方法在实际工程应用中存在测点数量多、位置要求高等问题，引入机器学习建立了应变与位移之间的关系，实现了位移场的重构。分析LSTM、Transformer Encoder在动态变形重构中的精度和鲁棒性；然后设计加工槽型结构搭建实验平台，对槽道侧壁进行动态加载，通过采集系统和激光位移传感器对应变、位移信息进行采集，对比分析测试集的动态预测结果与传感器的测试结果；最后，融合LSTM和Transformer Encoder这2种神经网络，提出一种新的LSTM-Transformer Encoder（LTE）网络。结果表明：测试集上LSTM网络重构的节点最大平均误差为0.610%，Transformer Encoder重构的节点最大平均相对误差为1.010%。LSTM网络相比Transformer Encoder网络具有更好鲁棒性的同时重构精度更高，提出的LTE网络在测试集上具有更小的MSE（均方误差）及更大的R²（模型拟合系数），在整体的表现上优于LSTM和Transformer Encoder。