一個強大的方法，也是結構健康監測（SHM）中最常見的方法之一，是使用資料驅動的模型對結構及其狀況進行預測和推斷。這種方法幾乎完全依賴于資料的品質。在SHM學科中，資料并不總是足以為給定的任務建立具有令人滿意的精度的模型。更糟糕的是，關于結構在不同環境條件下的行為，資料可能從一個人的資料集中完全丢失。在目前的工作中，為了解決這些問題，我們使用了生成對抗網絡（GAN）算法的一個變種來生成人工資料。前面提到的變體是條件性GAN或cGAN。該算法不僅用于生成人工資料，還用于根據一些已知的參數學習流形的變換。假設結構的響應由流形中的點表示，部分空間将由于影響結構的外部條件的變化而形成。這個想法在SHM中被證明是有效的，因為它被用來生成環境系數特定值的結構資料。這個方案在這裡被應用于在不同溫度和濕度條件下運作的模拟結構。與類似問題中的經典回歸相比，cGAN的創新之處在于它允許未知環境參數影響結構，并能為已知參數的每個值生成整個資料流形，而未知參數則在生成的流形中變化。
《On generating parametrised structural data using conditional generative adversarial networks》
論文位址:http://arxiv.org/abs/2203.01641v1
