本研究提出了一种新方法MSCrackMamba，通过融合红外与RGB通道，显著提高了结构健康监测中的裂缝检测性能。在Crack900数据集上，该方法的mIoU比最佳基线提高了3.55%，具有重要的实用价值。

本研究提出了一种自监督学习方法，解决了结构健康监测中因标记数据稀缺导致的异常检测问题。该框架有效利用少量标记数据和大量未标记数据，显著提升了异常检测性能。

风力发电场操作者面临的挑战是降低运维成本。结构健康监测可通过减少维护和延长涡轮使用寿命来降低成本。提出了一个能捕捉涡轮之间时空相关性的模型，称为GP-SPARX模型。通过案例研究展示了该模型的能力和潜在适用性。

该研究介绍了一种新型深度学习算法，能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应。该算法在结构健康监测中取得了显著的预测准确性和早期损伤检测，并在多种监测方案中适应性改进。该研究为人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。

该文章介绍了一种基于高斯过程回归的概率物理信息机器学习框架，用于重建动力学力。该框架适用于不完整和受污染的数据，并可考虑测量系统噪声的自然正则化方法。作者通过推测格陵兰东桥的空气动力学响应，发现应用和预测的动态负荷之间存在良好的一致性。该框架还可用于计算全局响应和内部力，并可应用于验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

本文介绍了一种基于高斯过程的GP-SPARX模型，用于风力发电场中涡轮的结构健康监测。该模型能够捕捉涡轮之间的时空相关性，降低运维成本并延长使用寿命。具有潜在适用性。