引言

随着绿色建筑理念的普及以及古建筑修复技术的不断进步，木结构在当代建筑工程中重新焕发活力。其轻质、高强度比、优良的导热性能以及可再生性，使其在公共建筑、住宅与文保结构中具备独特的发展潜力。然而，木材本身属于天然材料，内部结构复杂且存在明显的各向异性，其力学响应会受到环境湿度变化、温度循环、虫害侵蚀、真菌腐朽以及连接节点松动等多重因素的影响。这些因素在长期服役过程中会逐渐积累，导致结构承载性能下降，甚至引发潜在的安全隐患。因此，在结构全寿命周期中开展及时、精准的损伤识别，对提升木结构的耐久性与保障建筑安全具有关键意义。传统的木结构损伤检测方法包括视觉巡检、超声与红外无损检测、声发射技术，以及基于振动模态的动态响应分析等。这些技术在钢结构和混凝土结构中已形成较为成熟的应用体系，但在木结构中往往面临局限。例如，木材纤维方向性强，内部密度不均，使超声波传播路径复杂，难以形成稳定的特征模式；声发射信号易受环境噪声干扰；视觉检测难以捕捉木材内部的隐性损伤；而模态测试对现场工况和激励条件较为敏感。此外，由于木结构实测损伤数据匮乏，传统方法难以形成可推广应用的模型化识别流程。近年来，深度学习技术在结构健康监测（Structural Health Monitoring, SHM）领域迅速发展，为木结构损伤识别带来了新的契机。深度学习能够从高维度、复杂、多模态的结构响应数据中自动提取特征，摆脱传统方法依赖人工经验或手工特征构建的限制。在样本量有限、损伤类型多样且信号噪声较强的木结构场景中，深度学习模型表现出良好的鲁棒性和泛化能力，能够从振动信号、应变序列、图像数据乃至多源传感信息中实现损伤分类、定位与定量评估。因此，深度学习的引入不仅提升了木结构损伤识别的效率和精度，也推动了SHM技术从定性判断向智能化、数据驱动的方向发展。徐峥匀基于反向传播神经网络对桥梁监测数据进行特征提取与分类，并与其他算法比较验证了其优越性。Sony等采用一维卷积神经网络（1D-CNN）处理结构加速度信号，实现故障识别，准确率达到90%。Ji等通过多传感器数据融合与小波特征提取，构建多源特征融合网络，实现了较优的识别性能。总体来看，传统损伤识别方法往往依赖人工经验，识别效率低且易受主观因素影响，而深度学习通过端到端特征提取技术为木结构损伤识别提供了高效方案。本文旨在系统梳理深度学习在木结构损伤识别领域的研究进展，重点讨论基于图像的CNN方法、基于时序信号的 LSTM/自编码模型、物理约束方法（PINN），以及数据融合与虚拟样本生成技术。

1 木结构损伤机理与监测挑战

1.1 木结构损伤的基本特征

作为天然复合材料，木材具有明显的各向异性，其力学性能受树种、生长环境、含水率以及长期荷载历史等多种因素影响。与钢结构或混凝土结构相比，木结构在服役过程中更容易受到湿度变化、温度作用、虫蛀腐朽及疲劳荷载的影响。常见损伤包括：裂缝损伤，主要表现为纤维开裂、横向裂缝或纵向劈裂，导致截面刚度下降；节点松动与榫卯退化，连接部位滑移或间隙扩大，使力传递效率降低；腐蚀与劣化，水分与微生物侵蚀造成纤维结构破坏，引起力学性能退化；局部断裂与变形，在周期荷载下局部构件出现永久变形或断裂。这些损伤通常具有强隐蔽性与渐进性，能够引起模态频率变化、阻尼改变等动力学响应特征，从而为基于振动的损伤识别提供重要信息。

1.2 木结构损伤的力学机理分析

木材由多孔纤维组成，表现为典型的正交各向异性材料。在外力作用下，不同方向的弹性模量、泊松比及剪切模量使应力呈现不均匀分布，从而在纤维界面与连接节点处形成应力集中区。含水率变化、温度波动和老化效应会进一步影响材料的弹性模量与阻尼特性，从而影响裂纹形成机制。典型的损伤演化机理包括：微裂纹萌生与扩展，在反复荷载或湿度循环作用下，细小裂纹沿纤维界面发展；胶合层剥离，胶接界面强度不足或老化导致界面脱粘；连接节点疲劳与摩擦损伤，榫卯或金属节点在动态荷载下产生微滑移与能量耗散；材料劣化效应，含水率波动导致纤维膨胀与收缩，引起结构残余应变与刚度退化。这些微观损伤最终表现为动力特性变化（如自振频率下降、模态形态改变），为损伤识别提供了关键依据。

1.3 木结构健康监测的主要挑战

尽管健康监测技术在钢结构和混凝土结构中已取得显著进展，但木结构存在独特挑战：材料非均质性与非线性响应，木材内部纹理复杂、性能分布不均，同一构件不同区域的弹性模量和阻尼差异明显，使得传统线性模型难以准确表征；环境敏感性强，含水率、温度和湿度变化显著影响木材的刚度与质量，使结构响应呈现时变性与不确定性，难以建立统一的监测阈值；损伤模式多样且隐蔽，不同损伤类型（裂缝、节点、腐朽）在信号特征上的差异显著，且往往分布于内部或连接处，难以直接观测；试验与数据采集难度大，木结构通常体量较大、节点复杂，布设传感器受限，导致监测数据有限、噪声大，小样本问题突出；模型与数据融合不足，传统有限元与信号特征方法难以兼顾非线性与随机性，需引入数据驱动与物理约束相结合的新型算法。

2 深度学习在木结构损伤识别中的应用现状

与钢筋混凝土或钢结构相比，木结构具有轻质、各向异性和黏弹性的特点，其损伤往往表现为微裂纹、节点松动、腐蚀及含水率变化等多样化形式。这使得木结构损伤信号呈现出非线性与强噪声特征，传统线性模型难以准确识别。深度学习方法的引入，为木结构的智能化损伤诊断提供了新途径。

2.1 基于信号特征的深度学习方法

目前较多研究将加速度、应变以及声发射等动力响应信号作为主要数据来源，通过深度学习模型自动提取特征并完成木结构损伤的识别与分类。相关工作表明，卷积神经网络（CNN）以及一维时序网络在处理此类非平稳、噪声较强的工程监测数据时具有较高的鲁棒性和特征提取能力。例如，张全景等利用压电传感器采集榫卯节点的响应信号，并构建了基于CNN的识别模型，在节点松动损伤的实验验证中取得约95% 的识别精度，说明深度模型在局部构件损伤检测中的有效性。

在多测点结构监测中，多通道一维卷积网络能够同时处理来自不同位置的振动数据，自动学习其潜在的空间分布规律和时序耦合关系，相当于在特征层面实现了“传感器间信息融合”。这种方法不仅可用于判断结构是否存在损伤，还能够在一定程度上区分损伤类型或推断可能的受损区域，为后续的定位算法提供依据。

另一方面，长短期记忆网络（LSTM）等递归神经网络擅长捕捉时间序列的动态演化特征，适用于分析木结构在长期荷载或重复激励下的响应变化。通过对时序信号的依赖性建模，LSTM 更容易识别损伤发展过程中的细微趋势，例如频率漂移、能量衰减模式的变化等，因此在人为加载、疲劳损伤或环境扰动较强的情境下具有较高的应用潜力。

2.2 基于图像信息的深度学习识别方法

卷积神经网络（CNN）在图像特征提取方面具有天然优势，已被广泛应用于木材表面缺陷（活节、死节、虫眼、裂缝等）检测与分类研究。研究表明，基于 Faster-R-CNN、YOLO 系列或改进 ResNet 的模型能在复杂纹理背景下实现较高的检测精度与实时性。而对大体量或难以近距离接触的木结构（如古建筑、木桥），采用无人机拍摄并以目标检测/语义分割模型对拼接影像进行裂缝识别，已在多项工程案例中展示可行性与效率优势。该方法需要解决图像拼接、几何配准与不同光照条件下的鲁棒性问题。

2.3 基于物理约束的深度学习方法

近年来，物理约束类深度学习方法（如 PINN）逐渐被用于木结构的损伤识别研究中。与传统的纯数据驱动模型不同，此类方法在网络训练过程中显式引入控制方程、材料本构关系以及边界条件等物理信息，使模型能够在样本较少的情况下仍保持稳定的预测能力。由于木结构在实际工程中难以获得大量、覆盖全面的损伤标注数据，尤其是不同损伤程度、不同环境条件下的实验数据，PINN 的优势在此体现得尤为明显。木结构往往难以获得大量标注损伤样本，PINN通过物理约束弥补纯数据驱动模型的数据匮乏问题，使得在有限测点/少量时程数据下仍能保持合理的空间连续预测能力（例如在任意坐标点估算位移或加速度残差），这对隐蔽损伤定位尤为重要。

2.4结合有限元仿真的虚拟样本学习

由于木结构工程试验成本高、损伤样本难以获得且难以重复制造，研究者常用有限元仿真生成“虚拟样本”来扩充训练集，从而提升深度学习模型在损伤识别中的鲁棒性与泛化能力。有限元仿真可以在可控条件下构造多种损伤形式（裂纹、节点松动、腐朽等）、不同损伤程度以及多种边界/激励工况，得到带标签的动力响应或模态特征，用作监督学习的训练数据。翁顺等对有限元模型修正在损伤识别中的作用有系统总结，指出子结构化模型修正方法可在保证精度的同时降低计算量，这对生成高质量仿真样本尤为重要。

3 深度学习对木结构损伤识别的未来发展趋势

随着人工智能技术的持续进步，深度学习在结构健康监测领域的应用不断拓展。针对木结构这一具有天然异质性、环境敏感性与损伤隐蔽性的特殊材料，深度学习展现出显著潜力。然而，现有研究仍主要处于实验或局部应用阶段，实际工程应用尚存在诸多限制。因此，未来深度学习在木结构损伤识别中的发展将呈现以下趋势。

3.1 从单模态监测向多模态融合识别发展

木结构损伤形式多样，仅依靠单一类型的传感器往往难以全面捕捉其受力和退化特征。未来的发展方向更倾向于引入多源信息协同分析，例如将图像与振动响应结合（如利用 CNN处理图像、LSTM 提取时序特征），或将光纤传感、声发射与温湿度监测等数据一并纳入诊断框架。随着 Transformer 等新型模型在跨模态学习中的应用增加，不同信号之间的相关性有望被更有效地挖掘。多模态融合能够减少各传感手段之间的“信息割裂”，让模型在多个物理场信息的共同约束下识别出更稳定、一致的损伤特征，从而提升损伤定位与损伤程度评估的准确性。

3.2 从离线分析向实时监测与在线学习发展

目前大多数深度学习方法依赖线下数据训练，难以适应木结构在服役过程中的时变特性。未来的发展方向包括：在线增量学习（Online Learning），模型在新数据到来时自动更新，适应木结构随时间演化的力学特性；轻量化网络与边缘部署，采用 TinyML、轻量化 CNN、MobileNet 等，使识别算法可部署在低功耗传感器节点或移动终端；结构—算法一体化监测系统，将加速度传感器、图像采集模块与深度学习模型集成，实现实时监测、实时报警。这些都将推动木结构 SHM 从事后分析的现状转向实时智能预警的未来。

3.3 从局部识别走向全域空间连续性识别

传统深度学习模型通常只能在传感器布置的位置给出结果，而木结构的损伤往往呈现为分布式、区域化的特征，这种点式输出难以满足工程评估的需求。未来的研究更需要关注结构空间的连续化预测，例如利用 PINN、坐标网络（Coordinate Network）或 SIREN 等模型在任意坐标点上重建结构响应；将损伤由单点指标拓展为可视化的区域分布；并借助 IDW、图神经网络（GNN）或其他空间插值方法构建更符合真实受力状态的损伤场。上述思路有望显著提升木结构损伤识别结果的空间表达能力及工程可解释性。

4结论和展望

深度学习为木结构损伤识别提供了新的技术途径，特别是物理约束类方法（如 PINN）在小样本、测点稀缺等典型工程场景中展现出独特优势。然而，木结构受湿度、温度与长期服役环境影响显著，使其动力响应呈明显非线性与时变特性，给数据驱动模型的泛化带来挑战。此外，实测损伤数据稀缺也可能导致深度学习模型过拟合。因此，未来研究应重点推动以下方向：深度学习与物理模型的深度融合；虚拟样本生成与多源数据融合；跨尺度损伤机理与宏观监测数据结合等；多模态传感与数据融合，结合加速度、应变、声发射、温湿度等多源数据，提高损伤检测的灵敏度与定位精度。总体而言，深度学习尤其是物理信息驱动方法在木结构损伤识别领域具有广阔应用前景，将为木结构健康评估与保护提供更加智能化、系统化的技术支撑。未来研究应着力于物理与数据驱动方法融合、多模态数据利用、以及构建公开基准数据集，以推动从理论研究向工程应用的转化。

参考文献：

1. [1] 徐峥匀, 钱松荣. 基于BP神经网络的桥梁损伤识别研究[J]. 软件导刊,2022,21(12):53-57.
2. [2] Sony S, Gamage S, Sadhu A, et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network[J]. Journal of computing in civil engineering,2022,36(02):04021035.
3. [3] Ji S, Tan C, Yang P, et al. Compressive sampling and data fusion-based structural damage monitoring in wireless sensor network[J]. The journal of supercomputing,2018,74(03):1108-1131.
4. [4] 熊海贝, 龙有为, 陈琳, 等. 木结构无损检测技术研究与应用综述[J].结构工程师,2023,39(01):191-201.
5. [5] 宋家豪, 曹文博, 张伟伟. FD-PINN:频域物理信息神经网络[J]. 力学学报,2023,55(05):1195-1205.
6. [6] 魏越, 宋佳, 马德云, 等. 古建筑基于动力特性测试的损伤识别方法研究综述[J]. 江西建材,2017(02):20-21.
7. [7] 张全景, 韩芳, 陈天驰. 基于压电传感技术的木结构连接节点损伤识别[J]. 木材科学与技术,2022,36(01):63-67.
8. [8] 熊青松, 熊海贝, 袁程, 等. 基于多通道一维卷积神经网络的建筑结构损伤识别[J]. 振动与冲击,2024,43(24):216-224.
9. [9] 陈献明, 王阿川, 王春艳. 基于深度学习的木材表面缺陷图像检测[J]. 液晶与显示,2019,34(09):879-887.
10. [10] 杨娜, 张翀, 李天昊. 基于无人机与计算机视觉的中国古建筑木结构裂缝监测系统设计[J]. 工程力学,2021,38(03):27-39.
11. [11] 杜轲, 齐婧, 高嘉伟, 等. 基于物理信息神经网络（PINN）方法的结构动力响应分析[J/OL]. 工程力学,1-12[2025-05-12]. https://link.cnki.net/urlid/11.2595.o3.20240822.1525.006.
12. [12] 唐和生, 王泽宇, 陈嘉缘. 基于数字孪生和深度学习的结构损伤识别[J]. 土木与环境工程学报(中英文),2024,46(01):110-121.
13. [13] 张松林, 马栋梁, 王德禹. 基于长短期记忆神经网络的板裂纹损伤检测方法[J]. 上海交通大学学报,2021,55(05):527-535.
14. [14] 翁顺,朱宏平. 基于有限元模型修正的土木结构损伤识别方法[J]. 工程力学,2021,38(03):1-16.