资料简介
摘要结构劣化不可避免地会导致建筑出现缺陷。这类缺陷主要由环境暴露、材料老化与长期服役条件引发，而土体压实不足等缺陷则源于不当施工工艺，并非劣化机制所致。混凝土主要缺陷包括开裂、锈蚀、凹痕、瑕疵与剥落等缺损部位。若未能及时识别微小问题，可能引发严重故障，不仅维修成本更高、难度更大，还会降低建筑整体使用性能。传统结构评估方法（如目视检测与无损检测）通常用于定期状态评估，而结构健康监测（SHM）则借助基于传感器的系统实现连续或长期监测。不过，这类方法存在人工依赖度高、成本高、危险性大与主观性强等问题。为克服这些局限，现代结构健康监测系统将传统方法与建筑信息模型（BIM）、人工智能（AI）相结合。文中采用的人工智能算法包括：机器学习领域的支持向量机（SVM）、随机森林、回归算法、K近邻（KNN）与决策树；深度学习领域的随机森林、K均值聚类、卷积神经网络（CNN）、U型网络（U-Net）、残差网络（ResNet）、全卷积网络（FCN）、视觉几何组网络16（VGG16）与深度实验室v3+（DeepLabv3+）。本文将综述结构健康监测领域的传统与新型方法，以及近期研究进展。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）
| 
