V zvezi s stroškovno in materialno učinkovitim vzdrževanjem izdelkov je ključno zaznati morebitne okvare, napake ali strukturne poškodbe v najzgodnejši možni fazi. Zato se znatni napori vlagajo v razvoj področja spremljanja poškodovanosti struktur, ki zajema različne pristope k identifikaciji poškodb in preprečevanju napak ter okvar. Spremljanje poškodovanosti struktur je pogosto podrto s strojnim učenjem, orodjem za hitro in učinkovito identifikacijo poškodb, ki lahko prepozna vzorce ali spremembe v podatkih, izmerjenih na strukturi. Kljub napredkom, ki jih je strojno učenje doseglo v zadnjih letih, pridobivanje ustrezne podatkovne množice za učinkovito usposabljanje algoritmov strojnega učenja v okviru spremljanja poškodovanosti struktur ostaja izziv. Trenutno se podatki običajno pridobivajo eksperimentalno, z numeričnimi ali analitičnimi modeli. Vendar pa eksperimentalni pristop pogosto traja dolgo, zanesljivost numerično pridobljenih podatkov pa je močno odvisna od uspešnosti numeričnih modelov pri zajemanju resničnega obnašanja strukture. Analitični modeli so lahko omejeni s kompleksnostjo opazovanega objekta. V tem članku je predlagan alternativni pristop, ki temelji na eksperimentalno-numeričnem (t.j. hibridnem) modeliranju za izgradnjo učne množice za spremljanje poškodovanosti struktur. Frekvenčno podstrukturiranje se uporablja za določitev odzivnega modela sestavljenega sistema na podlagi lastnosti njegovih komponent ter za združevanje eksperimentalnih in numeričnih modelov, pri čemer do izraza pridejo prednosti vsakega pristopa. To omogoča generiranje vzorcev učne množice v obliki hibridnih modelov strukture, ki odražajo realne lastnosti fizične strukture, z zmernim naporom, ki ga je potrebno vložiti v opravljanje meritev. V članku je pristop prikazan na postopku identifikacije poškodb na spojih.