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。

本研究提出了一种基于机器学习的材料模型框架，适用于弹性和塑性模型，利用前馈神经网络和PODFNN处理多维应变应力数据，并探讨了其在有限元分析中的应用有效性，展示了在结构健康监测中的潜力。

本文介绍了一种新颖性检测方法，结合深度自编码器和参数密度估计器，通过最大似然优化实现分布差异熵最小化，性能优于现有方法。同时，研究探讨了无监督异常检测、深度学习在结构健康监测中的应用，以及基于声音的故障检测方法，展示了其在工业设备预测性维护中的优势。

本研究提出了一种基于AI的桥墩冲刷深度预测方法，利用声纳和水位传感器数据，以提升桥梁管理和预警能力。同时，介绍了基于Bayesian神经网络的风机负载监测和结构健康监测策略，旨在降低运维成本并提高预测准确性。通过GP-SPARX模型捕捉涡轮间的时空相关性，推动可持续能源实践的发展。

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。

本文探讨了高斯过程机器学习模型在结构健康监测中的应用，包括刚度识别、未观测响应预测和传感器位置优化。通过结合物理信息和机器学习，提出了多输出高斯过程模型，有效处理测量噪声并推断结构损伤位置。研究展示了该模型在动力学力重建和不确定性量化中的有效性，增强了模型的可解释性和预测能力。

物理信息机器学习将物理规律与深度学习结合，用于非线性结构、地震响应和动态系统建模，涵盖物理信息神经网络、循环神经网络及高斯过程，可提升预测精度与效率，应用于地震评估、结构健康监测和地下能源系统。

该文汇总多项数字孪生研究：基于物理模型的数字孪生用于激光粉末床熔化增材制造，预测熔池几何与缺陷；结合贝叶斯推断与迁移学习提升气举系统稳健性；知识可转移框架支持跨增材制造技术知识迁移；精益数字孪生用于食品加工控制；深度强化学习优化锻造加热；物理感知神经网络预测温度场；数字孪生结合动态贝叶斯网络用于土木结构健康监测与维护决策。

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。