Tijdens hun levensduur worden bouwkundige infrastructuren onvermijdelijk blootgesteld aan tal van verwoestende effecten (bijv. aardbevingen, storm, extreem weer, overbelasting, accidentele belastingen, enz.), die allemaal de operationele efficiency en levensduur aanzienlijk kunnen verminderen. Daarom zijn de afgelopen decennia systemen voor structurele gezondheidsmonitoring (SHM) op grote schaal ingezet en hebben ze veel aandacht getrokken van onderzoekers over de hele wereld. De taak van het SHM-systeem is om schade zo vroeg mogelijk op te sporen op basis van de verkregen gegevens. Dit speelt een cruciale rol bij het zo nauwkeurig mogelijk beoordelen van het structurele gedrag in voorbereiding van een mogelijke reparatie ingreep.Het doel van dit proefschrift is om de tekortkomingen van traditionele optimalisatie-algoritmen en machine-learning aan te pakken, en tevens sterke tools te ontwikkelen om de nauwkeurigheid en effectiviteit van SHM te vergroten. | |