优化算法、机器学习和结构评估与设计的高级经验建模策略的新趋势

结构和基础设施在全球人类社会中发挥着关键作用。由于人口和经济增长，建筑环境的老化过程以及现有结构和基础设施的日益开发，对结构工程师提出了紧迫的挑战，努力确保所有相关利益相关者的足够可靠性和安全水平。

这就是为什么最近许多研究都集中在创新的混合方法上，以优化结构监测，提高维护过程的安全性和可持续性，延长使用寿命，并增加对系统行为的全面了解。

这些突破性方法的实现遵循一个理想的工作流程。经验评估对于丰富实验数据库和产生校准的预测模型至关重要，而机器学习在挖掘复杂数据集方面带来了相当大的突破，这些数据集代表了在损坏和未损坏条件下的各种结构。相反，制定特别优化模型适用于模型更新方法，而有效的求解算法可以为结构决策过程及其固有挑战定义创新的解决方案。

本研究课题的范围旨在涵盖广泛的创新策略的实施，以解决复杂结构系统的监测、维护和预测建模。我们欢迎原创研究和评论文章。

潜在的兴趣主题包括但不限于:
•结构实验测试结果的高级登记和解释;
•通过应用于大型经验、数值和混合数据集的机器学习技术，提出和验证结构响应模型;
•基于大量数值分析的灾难性事件后城市环境恢复力评估;
•评估和优化设计规范条款和方法;
•结构工程中的元启发式和模拟启发式算法;
•模型更新方法;
•复杂结构样品的传感器布置优化;
•维护优化调度问题;
•基于机器学习的结构健康监测;
结构工程中的计算机视觉方法。

关键字:经验建模、模型更新、SHM的机器学习、结构优化、弹性评估、设计规范条款优化

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。