M-Ras的独特激活机制：机制视角与靶向策略

《Computational and Structural Biotechnology Journal》：M-Ras Distinct Activation Scenarios: A Mechanistic Outlook and Targeting

本文提出一种结合图像四叉树缩放边界有限元法（SBFEM）和深度神经网络（DNN）的结构内部缺陷检测模型。通过自动生成六种类型元素的网格，减少训练数据量，并采用贝叶斯正则化优化DNN，有效抑制局部收敛。数值实验表明，单缺陷定位相对误差低于1.5%，双缺陷综合误差区间[3.06%, 3.62%]，且在异质材料中仍保持高精度。该模型为工程结构健康监测提供了高效解决方案。

　　本研究提出了一种基于图像四叉树扩展边界有限元法（SBFEM）和深度神经网络（DNN）的深度学习模型，用于快速识别结构内部的缺陷。传统的无损检测或反演方法在定量识别结构缺陷时面临高成本和低效率的问题。通过结合四叉树算法与SBFEM，本模型能够在保证计算精度的前提下，显著提高数据生成效率并降低计算成本。该模型仅需六种类型的元素即可覆盖所有可能的网格形态，且悬挂节点不会影响计算精度，从而实现高度的自动化。

在实际应用中，结构的内部缺陷往往会影响其整体性能和稳定性。这些缺陷可能包括微裂纹、孔洞等，它们可能逐渐削弱结构的局部强度和稳定性，甚至导致灾难性失效。因此，结构健康监测中对缺陷和损伤的识别一直是研究重点。目前，非破坏性检测技术已被广泛应用于土木工程、水利工程、交通运输、航空航天和机械工程等领域。主要方法包括超声波检测、地面穿透雷达、红外成像和声发射检测等。这些方法通常基于材料或结构对外部信号的响应来识别内部缺陷，也可以通过结构外部响应进行反演分析。

随着计算机技术的发展，许多学者将人工智能算法与计算力学模型结合，用于缺陷识别。例如，Dong等人使用卷积神经网络（CNN）提出了一种工业部件检测的异常定位和分类模型，该模型在像素级和图像级均表现出良好的性能。Yang等人则结合深度学习特征提取方法与极限学习机（ELM）分类方法，建立了用于木板缺陷检测的深度极限学习机模型，其识别准确率达到96.72%，测试时间仅为187毫秒。Nguyen-Ngoc等人提出了一种结合DNN与进化人工兔优化（EVARO）算法的结构健康监测方法，用于桁架桥的损伤检测，表现出优异的定位和量化能力。Huang等人利用人工神经网络确定损伤的严重程度，仅需少量位移数据即可准确识别梁结构中的损伤，平均误差不超过4%。这些研究表明，将计算力学方法与人工智能算法相结合，能够有效地揭示结构响应与缺陷参数之间的非线性映射关系。

因此，本研究采用SBFEM与深度学习算法相结合的方法，建立了一种用于识别结构内部缺陷的模型。SBFEM作为一种半解析方法，具有计算精度高和处理复杂材料界面问题的优势。结合四叉树算法后，该方法能够在不同计算区域之间快速转换粗细网格，生成高质量的正方形网格，进而直接转换为SBFEM子域。悬挂节点被视为常规节点，不会影响计算结果的准确性。考虑到正方形网格的旋转和对称性，四叉树网格生成过程仅涉及六种节点排列方式，从而减少了计算复杂度。

基于四叉树SBFEM，本研究建立了用于板状结构缺陷识别的深度神经网络模型。该模型通过生成大量训练样本进行训练，能够在短时间内完成训练过程。使用图像四叉树SBFEM方法解决板状结构中圆形孔洞的问题，具有独特优势，能够直接在图像结构上生成网格，从而减少不规则结构模型的建模时间。在网格生成过程中，只需对材料界面进行局部细化，即可减少网格元素数量，显著降低计算成本。

在训练过程中，使用深度神经网络对结构观察点的位移响应进行建模，并将其作为输入特征，而缺陷参数作为输出标签。该过程本质上是一种逆向分析，通过调整网络权重和堆叠不同层，实现对数据模式的描述。为了提高模型的泛化能力，采用了贝叶斯正则化算法，以防止目标函数收敛到局部最优解。在训练过程中，使用Adam算法进行优化，确保模型的高效性和准确性。

通过设置不同的神经元数量，研究了深度神经网络模型在不同训练样本数量下的表现。结果显示，当神经元数量超过25时，预测值与真实值之间的平均绝对误差（MAE）和相对误差不再显著变化。然而，当神经元数量增加时，训练时间也随之增加。因此，选择25个神经元作为隐藏层节点数，能够在时间成本和误差精度之间取得平衡。同时，研究还分析了训练样本数量对模型反演能力的影响，发现当样本数量从3000增加到9000时，模型的反演精度趋于稳定，因此选择3000个样本作为训练集，以确保模型的准确性和高效性。

为了验证模型的有效性，研究者进行了多个数值实验。在单个圆形孔洞的反演实验中，模型能够准确预测缺陷的位置和大小，且预测结果与真实值之间的相对误差控制在合理范围内。对于双孔结构，模型同样表现出良好的性能，预测结果的相对误差均在4%以内，表明模型具有良好的泛化能力。此外，研究还探讨了在异质材料中缺陷识别的可行性，结果表明模型在异质混凝土结构中也能有效识别缺陷参数，且预测误差较小，说明该方法具有广泛的应用前景。

本研究的创新点在于将四叉树算法与SBFEM相结合，构建了一种高效且精确的深度学习模型。该模型仅需六种元素即可覆盖所有可能的网格形态，且悬挂节点不会影响计算结果的准确性，从而实现高度的自动化。通过使用深度神经网络，模型能够有效避免目标函数收敛到局部最优解的风险，并在训练过程中保持较高的精度和效率。此外，研究还分析了缺陷尺寸和训练样本数量对模型性能的影响，为结构灾害预防和减灾技术的研究提供了理论支持和实际参考。

综上所述，本研究提出了一种结合四叉树算法与SBFEM的深度学习模型，用于识别结构内部的缺陷。该模型在单个和多个缺陷的反演中均表现出良好的性能，且在异质材料中的应用也验证了其有效性。通过优化神经网络结构和训练参数，模型能够在合理的时间成本下实现高精度的缺陷识别，为结构健康监测提供了新的方法和技术路径。未来的研究将进一步验证该方法在实际工程中的应用效果，并结合多源数据（如振动和温度）提升模型在复杂工况下的缺陷识别能力。