典型文献
基于加速度和卷积神经网络的船体板裂纹损伤检测
文献摘要：
裂纹是船舶结构中最常见的损伤形式之一.由于船舶结构十分复杂而且密闭空间多,传统的依靠人力的裂纹损伤检测方法耗时长、主观依赖性强,难以满足智能船舶的需求.本文提出了一个基于加速度和卷积神经网络(convolutional neural networks,CNN)的船体板裂纹损伤实时在线无损检测方法,该方法能够自动地学习裂纹损伤特征.通过基于Python语言的Abaqus二次开发技术建立简支板损伤模型并计算其动力学响应.采集板的加速度数据用于训练CNN模型,利用数据裁剪技术对数据集进行扩充,讨论了不同CNN结构形式对船体板裂纹损伤检测的影响.与基于小波包变换的多层感知机神经网络相比,提出的CNN方法能够更好地提取裂纹位置和长度损伤特征,同时对噪声的敏感程度较低.
文献关键词：
卷积神经网络;裂纹检测;动力学响应;噪声
中图分类号：
作者姓名：
马栋梁;王德禹
作者机构：
上海交通大学海洋工程国家重点实验室,上海200240
文献出处：
引用格式：
[1]马栋梁;王德禹-.基于加速度和卷积神经网络的船体板裂纹损伤检测)[J].船舶力学,2022(08):1180-1188
A类：
B类：
船体,板裂,裂纹损伤检测,船舶结构,损伤形式,十分复杂,密闭空间,智能船舶,convolutional,neural,networks,实时在线,在线无损检测,无损检测方法,地学,损伤特征,Python,Abaqus,二次开发技术,简支,损伤模型,动力学响应,数据裁剪,裁剪技术,结构形式,于小波,小波包变换,多层感知机,敏感程度,裂纹检测
AB值：
0.328862
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
