摘要：目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络(Model-Embedding Recurrent Neural Network,MERNN)的损伤识别方法.首先,通过数据驱动的卷积神经网络(Convolutional Neural Network,CNN)建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.

摘要：生成学习意味着学习者会积极尝试去理解所呈现的材料内容。学习者会通过在学习时对所呈现材料进行相关部分的"选择",在工作记忆中进行心理表征的"组织",再将所组织的材料与长时记忆中激活的已有知识进行"整合",以此实现知识的掌握并能将其运用到新的情境中。本文总结了在特定情境下能够有效促进生成学习的八种策略:善作小结、结构映射、绘制图示、联想要义、自我检查、自我解释、乐于教人与生动再现。本文首先简要地概述生成学习理论,其次阐述每一种生成学习策略,最后则探讨生成学习对研究学习科学的重要意义。