基于物理信息神经网络的裂纹监测技术研究综述
郭翔
宋智功
江南大学 机械工程学院 江苏省食品先进制造装备技术重点实验室,无锡 214122
摘要：结构健康监测(Structural Health Monitoring,SHM)在确保基础设施安全、延长使用寿命和降低维护成本方面至关重要.然而,现有的监测方法通常依赖传感器数据和传统物理模型,在处理复杂力学行为、环境变化以及数据不足等问题时,往往存在一定的局限性.物理信息神经网络(Physics-Informed Neural Network,PINN)作为一种新兴的深度学习方法,将物理规律与数据驱动的特性相结合,提供了一种突破传统方法局限的新途径.首先,深入探讨了将已知的物理原理整合到机器学习框架中的方法,以及这些方法在结构健康监测中的应用效果.其次,讨论了多种将物理知识与机器学习模型融合的方法,分析了各自的优势与局限性.最后,重点综述了PINN在结构健康监测中的应用,特别是在损伤识别、裂纹扩展、寿命预测等方面的潜力.与传统方法相比,PINN在处理复杂结构问题时展现了显著优势.在将物理方程(如力学控制方程)嵌入到神经网络的训练过程中,PINN不仅能够有效处理数据不足和过拟合的问题,还能够提高结构健康评估的准确性和可靠性.
关键词：物理信息神经网络结构健康监测裂纹疲劳评估方法综述
分类号：TB125(工程基础科学)
论文发表日期：2025-12-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：13( 18-30 )
英文信息