Mohamed Abdelillah Fidma, Franziska Schmidt and Jean-François Bercher
Deep Learning Techniques for Damage Detection in Structural Health Monitoring: A Review
// Обзор методов применения глубокого обучения при мониторинге технического состояния сооружения //
В статье рассказывается об возможностях применения методов глубокого обучения (deep learning) в задачах мониторинга технического состояния сооружений. Рассмотрены три типа данных, получаемых в ходе мониторинга: динамические данные (записи ускорений), изображения с камер и данные, полученные методами неразрушающего контроля. Цель применения данных методов заключается в автоматизации процесса распознавания дефектов и повреждений, определения их локализации и идентификации, а также в автоматизации задач оценки технического состояния конструкции и прогнозирования влияния дефектов на показатели состояния.
В статье детально описана методология проведения обзора. По результатам анализа сделаны выводы о возможностях и ограничениях использования инструментов глубокого обучения при мониторинге технического состояния сооружений. Среди преимуществ выявлены возможности автоматизации и повышения точности контроля состояния конструкции. При этом отмечается, что имеются существенные ограничения по объёму существующих баз данных дефектов и повреждений, и, следовательно, сложности с подготовкой универсальных моделей для анализа любого типа повреждений.
Abstract. The article discusses the potential applications of deep learning methods in structural health monitoring tasks. It examines three types of data obtained during monitoring: dynamic data (acceleration recordings), camera images, and data acquired through non-destructive testing methods (e.g., thermal images). The goal of applying these methods is to automate the process of defect and damage recognition, determining their location and identification, as well as to automate tasks related to assessing the technical condition of the structure and predicting the impact of defects on its condition indicators.
The article details the methodology of the review. Based on the analysis, conclusions are drawn regarding the capabilities and limitations of using deep learning tools in structural health monitoring. Among the identified advantages are opportunities for automation and increased accuracy in structural condition assessment. At the same time, it is noted that significant limitations exist concerning the volume of existing databases of defects and damages, and consequently, challenges in preparing universal models for analyzing any type of damage.
Deep Learning Techniques for Damage Detection in Structural Health Monitoring: A Review / Mohamed Abdelillah Fidma, Franziska Schmidt and Jean-François Bercher // Structural Engineering International – 2025. – DOI: https://doi.org/10.1080/10168664.2025.2584752
Заглавное изображение - авторов статьи