精选理由
这篇论文用轻量仿真数据预训练CAE再迁移到小样本实验数据，做到了损伤定位R²>0.93、尺寸R²>0.99，比CNN方案准很多，很值结构健康监测方向的人看看。
本研究提出结合轻量物理仿真、卷积自编码器(CAE)深度特征学习、前馈神经网络和少量实验数据的多保真迁移学习框架。在板状结构损伤定位与尺寸评估中，CAE迁移学习相比CNN方案定位精度显著更优。模型在损伤定位任务上R²超过0.93，损伤尺寸评估R²超过0.99。未见损伤场景下仍保持高预测准确度，实现计算效率与实用性的平衡。
AI 翻译 · 中文
本研究提出结合轻量物理仿真、卷积自编码器(CAE)深度特征学习、前馈神经网络和少量实验数据的多保真迁移学习框架。在板状结构损伤定位与尺寸评估中，CAE迁移学习相比CNN方案定位精度显著更优。模型在损伤定位任务上R²超过0.93，损伤尺寸评估R²超过0.99。未见损伤场景下仍保持高预测准确度，实现计算效率与实用性的平衡。
Guided wave-based structural health monitoring (GWSHM) with onboard transducers offers significant potential for the early diagnosis of damage in engineering structures. However, the practical deployment of deep learning…