结构完整性对混凝土基础设施（如桥梁、隧道和墙体）的安全与耐久性至关重要。传统的损伤检测方法劳动密集、耗时且易出错。本文探讨了利用先进的数据驱动技术来解决这些问题。

本文研究了结构健康监测中的数据驱动损伤检测，采用自编码器和生成对抗网络等深度学习方法，提出了一种无监督损伤检测方法。实验结果表明，该方法在不同非线性系统中有效。此外，开发了基于多视角卷积神经网络的损伤预测模型，提升了灾后建筑损伤分类的准确性。

本论文研究了物联网传感器与深度学习算法在结构健康监测中的脆弱性，提出了一种新型深度学习算法，结合卷积和循环结构，显著提高了预测准确性和早期损伤检测能力。同时，探讨了对抗性攻击的检测方法和防御策略，展示了其在多种情况下的有效性和鲁棒性。

该研究提出了一种新型深度学习算法，能够从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性和早期损伤检测。该算法为人工智能驱动的结构健康监测解决方案铺平了道路，并强调了模型可解释性。