罗雨舟，向天宇，郝柳青

(西华大学 土木建筑与环境学院，四川 成都 610039)

土木工程结构在其使用寿命期间易在外力或介质的侵蚀下造成性能的劣化，从而导致安全性降低和经济损失，因此对结构进行健康检测很有必要。国内外学者在提取结构特征并将其运用于土木工程结构的实时监控方面都做出了巨大贡献，但距实际工程应用尚有距离[1]。对于传统的损伤检测方法，需先构建结构数学模型，随后使用该模型阐明结构行为并建立损坏条件与结构响应之间的相关性[2]。但是，当检测遇到复杂的系统时，传统的损伤检测方法可能存在诸如测量噪声和建模误差等困难，并且该方法无法实现结构的实时损伤检测。在结构动力响应特性方面，尽管通过提取模态特征能够较为准确地判断结构的损伤状态[3,4]，并且能够实现结构的实时检测。但是，不同温度和湿度条件下自振频率的变化[5]以及激励大小和类型的未知对该方法造成了一定的局限。与此同时，也有不少学者利用支持向量机、神经网络等机器学习算法进行损伤特征的提取和分类。但是，机器学习需要海量的训练样本，其需要学习的参数量巨大且容易出现过拟合现象[6]，因此该方法受到了极大限制。

近年来，深度学习在游戏博弈、图像识别以及无人驾驶等领域取得了非常成功的应用[7～9]，引起了不同学术领域对这一科学问题的广泛关注。卷积神经网络(Convolutional Neural Network, CNN)是深度学习中广泛应用的算法之一，其思想源于Hubel和Wiesel[10]对动物视觉皮层细胞研究提出的感受野(Receptive Field)概念。……