基于深度学习法的建筑结构裂缝检测.pdfVIP

第５１卷第８期山西建筑Ｖｏｌ．５１Ｎｏ．８

２０２５年４月Ａｐｒ．２０２５·５３·

ＳＨＡＮＸＩＡＲＣＨＩＴＥＣＴＵＲＥ

１０．１３７１９／ｊ．ｃｎｋｉ．１００９－６８２５．２０２５．０８．０１１

ＤＯＩ：

基于深度学习法的建筑结构裂缝检测

周旭文

（陕西古建园林建设集团有限公司，陕西西安７１００２６）

摘要：文中首先对长短期记忆神经网络（ＬｏｎｇＳｈｏｒｔ－ＴｅｒｍＭｅｍｏｒｙ，ＬＳＴＭ）深度学习的原理以及计算流程进行了介绍。

而后基于建筑结构裂缝监测结果，采用长短期记忆神经网络建立了建筑结构的裂缝监测模型，且与ＢＰ神经网络模型的

结果进行了比较。结果表明：ＬＳＴＭ算法在建筑物结构裂缝长度预测检测中具有显著的优越性，为建筑物结构裂缝检测

预测提供了一种新思路。

关键词：深度学习；ＬＳＴＭ神经网络；循环神经网络；建筑物裂缝

中图分类号：ＴＵ３１２文献标识码：Ａ１００９－６８２５（２０２５）０８－００５３－０５

文章编号：

０引言在长时程记忆中加入了一种新的单位，可用于长时程

记忆，并可在此基础上实现对过去时期的资料进行筛

进入２１世纪以来，我国经济飞速发展，基建设施

选。因此，将其应用于建筑结构，可以得到更合理、更

也迅猛发展，房屋、交通路网等逐步完善，地铁与隧道

准确地预测模型。

等地下交通工程设施快速发展，其在建设规模、数量、

［１－２］

速度等方面均已跃居世界前列。由于我国地形地

貌等地质条件复杂等缘故，使得我国的建筑结构在修１监测数据分析与预测

建过程中面临的施工环境和条件越来越复杂，其中建１．１监测数据分析原理

筑结构裂缝问题最为常见，如果不能及时准确的发现一般来说，监测数据能够揭示监测结构的监测指

建筑结构裂缝，很容易发生安全事故，造成人力、物力、标的发展规律。所以在对监测数据进行分析和建模

［３］［８－９］

财力等严重损失。时，监测数据的可靠性和完整性非常关键。但是

［４］

Ｓｏｎｇ在试验中采用了调节因素来优化背景，采在实际操作中，监测设备、监测环境、监测方法和网络

用累计方法和常规的灰度模式，用以克服结果上的偏传输等因素均会让监测数据的可靠性和完整性受到不

差，取得了良好的试验结果。但由于实际项目资料繁同程度的影响。虽然误差的存在是不可避免的，但是

［５］

多，该模式在实际运用中存在一定的限制。Ｇｕｏ介绍误差的大小可以通过数据预处理等方法进行降低，使

了一种利用小波智能预报技术进行隧道开挖面形预测得监测数据能够尽可能地逼近实际数据。针对当前工

的新算法，该算法主要由小波分析、模型识别、系统预程中结构变形数据存在误差的问题，在数据分析建模

报三大模块组成，在地铁工程中具有较大的实用价值。之前，需要对变形监测所得数据进行相应的预处理，预

［６］

Ｃｈｅｎ等将ＧＡ和ＲＮＮ算法用于结