来源：期刊VIP网 时间：
作者：郭翔;宋智功;
单位：江南大学机械工程学院江苏省食品先进制造装备技术重点实验室;
摘要：结构健康监测（Structural Health Monitoring, SHM）在确保基础设施安全、延长使用寿命和降低维护成本方面至关重要。然而，现有的监测方法通常依赖传感器数据和传统物理模型，在处理复杂力学行为、环境变化以及数据不足等问题时，往往存在一定的局限性。物理信息神经网络（Physics-Informed Neural Network, PINN）作为一种新兴的深度学习方法，将物理规律与数据驱动的特性相结合，提供了一种突破传统方法局限的新途径。首先，深入探讨了将已知的物理原理整合到机器学习框架中的方法，以及这些方法在结构健康监测中的应用效果。其次，讨论了多种将物理知识与机器学习模型融合的方法，分析了各自的优势与局限性。最后，重点综述了PINN在结构健康监测中的应用，特别是在损伤识别、裂纹扩展、寿命预测等方面的潜力。与传统方法相比，PINN在处理复杂结构问题时展现了显著优势。在将物理方程（如力学控制方程）嵌入到神经网络的训练过程中，PINN不仅能够有效处理数据不足和过拟合的问题，还能够提高结构健康评估的准确性和可靠性。
关键词：物理信息神经网络;;结构健康监测;;裂纹;;疲劳评估方法;;综述
基金资助：国家自然科学基金项目（12202159,12472216）~~
