پایش سلامت سازه مبتنی بر ارتعاش با یادگیری گرافی آگاه از فیزیک و تطبیق دامنه روی لبه

این مقاله یک چارچوب لبه محور و کم مصرف برای پایش سلامت سازه مبتنی بر ارتعاش ارائه می کند که داده های چند حسگره را به صورت گراف حسگر مدل می کند و تصمیم گیری را بر مبنای ساختار واقعی سازه سامان می دهد. هسته روش یک شبکه گرافی سبک آگاه از فیزیک است تا رفتار ناسازگار با دینامیک سازه در فرآیند یادگیری سرکوب شود و تعمیم در شرایط متغیر بهبود یابد. برای پایداری میان فصلی و محیطی از سازوکارهای تطبیق دامنه، آموزش خصمانه، شرطی سازی لایه ها با بردارهای زمینه ای مانند دما و رطوبت استفاده می شود. نسخه فشرده INTS برای استقرار روی گره های لبه آماده سازی شده و زنجیره ارتباطی هیبرید با ارسال دوره ای ویژگی های خلاصه شده و اعلان رخدادهای بحران از مس شده است. ارزیابی روی داده شبیه سازی شده و یک دیتاست عمومی در مقایسه با خطوط پایه (۱D-CNN/LSTM/GCN بدون قید فیزیکی) نشان می دهد روش پیشنهادی هم در تشخیص بین دامنه ای و هم در مکان یابی المانی برتری پایدار دارد و همزمان تاخیر استنتاج و توان مصرفی مناسب برای اجرا روی لبه حفظ می کند. این طراحی با پروتکل ارزیابی بازتولید تکمی شده و مسیر استقرار اقتصادی برای زیرساخت های حیاتی را هموار می سازد.

کلیدواژه ها:

پایش سلامت سازه ، یادگیری گرافی آگاه از فیزیک ، تطبیق دامنه ، ارتعاش ، هوش لبه ، کوانتیزاسیون ، LoRaWAN ، مکان یابی ، آسیب ، IoU ، Macro-F۱