馬宏偉教授領帶的團隊研究的關於大數據的橋梁損傷檢測論文被《Computer-Aided Civil and Infrastructure Engineering》錄用（以林逸洲第一作者，聶振華第二作者，馬宏偉教授為通訊作者（zhě）），影響因子為5.79，土木與結構領域影響因子排名第一的1區期刊。文章在國際上率先提出（chū）用大數據的深度學習（xí）方法應用於大型橋梁安全（quán）監測領域，為這一領域提供（gòng）了一種全新的方法，意義深（shēn）遠！
馬宏偉教（jiāo）授（shòu）為教育部“長江學者”特聘教授，東莞理（lǐ）工學院副校（xiào）長，暨南大學力學與建築工程學院教授，公共安全（quán）研究中心（xīn）副主任（rèn），青海大學特聘教授。現任教（jiāo）育部力學專業教學指導委員會委員，中國力（lì）學學會理事，中國力學（xué）學會教育工作委員會副主任委員,中國力學學會爆炸力學專業委員會衝擊動力學專業組副組長等。自開展研究以來，共發表專著2部，論文150餘篇，三大索引收錄的高水平論（lùn）文（wén）90餘篇，已授權發明專利4項，實用新型專利2項，軟（ruǎn）件著作權1項。曾主持國家（jiā）自然科學基金2項，國家青年自然科學基金和霍英（yīng）東全國高等院（yuàn）校青年教師研（yán）究基金2項，參加國家自然科學基金重點項目（mù）1項。現主持國家（jiā）自然（rán）科學基金1項。承擔省部（bù）級科研重點重大（dà）項目5項（xiàng）, 一般項目10餘項, 橫向項目8項。
大型橋梁結構的老化（huà）對於當前社會來說已經成為了一個不可避免的問題。而在健康監測的工程實踐中，一（yī）座橋梁往往安裝了成百上千的（de）傳感器，數據容量巨大且影（yǐng）響因素眾多，難以從中得到進一（yī）步得到有用的信（xìn）息。傳統的特征提取手段主有動力指紋與數（shù）據驅動兩大類（lèi），然而這些特征提取手段由於有著各自的缺點（diǎn）不適用於實（shí）際工程。針（zhēn）對（duì）這些問題，研究團隊將（jiāng）深度學習領域中廣泛應用的多層卷積神經（jīng）網絡(Convolutional Neural Network, CNN)應用到結構損傷（shāng）檢測任務中（zhōng），以達到從數據中學習（xí），從結構的時域響應中自動提取特征的效果。
文章提供了一種新的解決該問題的框架——大數據（jù）思想。對於一個問題，傳統的解決方法往往是分析導致“結果”的“原因”，找出“原因”後再利用這個因果關係來解決實際“應用”問題。然而（ér），現實世界是複（fù）雜的，導致一個“結果”的“原因”往往無比繁多。另一種思維方式則是直接聯係“結果”（數據）與“應用”（解決問題）。對於一個具體（tǐ）應用問題，兩個變量之（zhī）間的關係可能並不明確，而且關係複雜，而利用智（zhì）能算法則可以從大量數據中構建兩者的關係。這正是“大數據”一詞中的核心思想。而本文正是遵循了這（zhè）種思想，隻從（cóng）數據中使算法自動挖掘變量之間的聯係。
[ 卷積神經網絡（luò）
以結構的加速度和（hé）結構的真實損傷情（qíng）況組成數據對，訓練多層神經網絡。
[ 不同工況下單損傷定位準確率：1為卷積神（shén）經網絡算法，2、3、4為其（qí）他（tā）方法 ]
不同（tóng）於傳統神經網絡，文（wén）中開發的神（shén）經網絡直（zhí）接以結（jié）構（gòu）的響（xiǎng）應為（wéi）輸入而不（bú）依賴任何人工設計的特征，直接把加速度時域信號映射（shè）至損傷（shāng）信息。測（cè）試結（jié）果表明，該方法有著獨立從數（shù）據中學習結構（gòu）特征的能力，並有著驚人的損傷檢測能力。
[ 多（duō）損傷識（shí）別結果 ]
文章同時考慮（lǜ）了多（duō）損傷的識別與定位於噪聲影響下的檢測情況，結果顯示依然有著良好的預測結（jié）果。
[ 網絡中間層學習到了簡支梁第（dì）三階模態的概念 ]
除（chú）此之外，為了探（tàn）明卷積（jī）神（shén）經網絡究竟是如何實現的自動特征提取，文章將隱藏（cáng）層可視化，探究神經（jīng）網（wǎng）絡究竟學習到了什麽特征。結果發現，神經網絡學習（xí）到的是一個個帶通濾波器，獨立學（xué）習到了結構模態的概念。
文章來源於暨南大學力學與建築工程（chéng）學院公眾號
