资料简介
摘要结构劣化必然会导致建筑出现缺陷。这主要由环境暴露、材料老化和长期使用条件引起，而诸如土壤压实不足等缺陷则源于不当的施工工艺，而非劣化机制。混凝土的主要缺陷包括裂缝、腐蚀、凹陷、瑕疵和剥落等缺失类问题。未能识别这些微小问题可能会引发严重后果，不仅修复成本更高、难度更大，还会降低建筑的整体性能。传统结构评估方法（如目视检查和无损检测）通常用于定期状态评估，而结构健康监测（SHM）则通过基于传感器的系统进行持续或长期监测。然而，这些传统方法可能存在人工依赖、成本高昂、存在安全风险和主观性强等问题。为克服这些局限性，现代结构健康监测系统将传统方法与建筑信息模型（BIM）和人工智能（AI）相结合。所使用的人工智能算法包括：机器学习与决策树相关的支持向量机（SVM）、随机森林、回归分析和K近邻算法（KNN）；深度学习相关的随机森林、K均值聚类、卷积神经网络（CNN）、U-Net网络、残差网络（ResNet）、全卷积网络（FCN）、VGG16网络和DeepLabv3+网络。本综述将探讨结构健康监测领域的传统方法与新型方法，以及近期的技术进展。关键词：结构健康监测（SHM）；缺陷检测；深度学习；机器学习（ML）；人工智能（AI）
| 
