[論文レビュー] A digital twin framework for civil engineering structures

Matteo Torzoni, Marco Tezzele+3 more|arXiv (Cornell University)|Aug 2, 2023

Integrated Circuits and Semiconductor Failure Analysis参考文献 55被引用数 8

ひとこと要約

この論文は、確率的グラフィカルモデルと深層学習を融合させた民生構造の予測的デジタルツインフレームワークを提案し、リアルタイムの健全性評価と維持計画を実現。載荷実験はケーススタディとしてつり梁と railway bridge で示される。

ABSTRACT

The digital twin concept represents an appealing opportunity to advance condition-based and predictive maintenance paradigms for civil engineering systems, thus allowing reduced lifecycle costs, increased system safety, and increased system availability. This work proposes a predictive digital twin approach to the health monitoring, maintenance, and management planning of civil engineering structures. The asset-twin coupled dynamical system is encoded employing a probabilistic graphical model, which allows all relevant sources of uncertainty to be taken into account. In particular, the time-repeating observations-to-decisions flow is modeled using a dynamic Bayesian network. Real-time structural health diagnostics are provided by assimilating sensed data with deep learning models. The digital twin state is continually updated in a sequential Bayesian inference fashion. This is then exploited to inform the optimal planning of maintenance and management actions within a dynamic decision-making framework. A preliminary offline phase involves the population of training datasets through a reduced-order numerical model and the computation of a health-dependent control policy. The strategy is assessed on two synthetic case studies, involving a cantilever beam and a railway bridge, demonstrating the dynamic decision-making capabilities of health-aware digital twins.

研究の動機と目的

• 民生構造の状態ベースおよび予測保全を動機づけ、ライフサイクルコストを削減し安全性と可用性を向上させる。
• 物理的資産と確率的グラフィカルモデルを連携させ、不確実性を扱うデジタルツイン（DT）フレームワークを導入する。
• 縮約階モデルを用いたオフライン学習フェーズを開発し、健全性依存の保全方針を学習する。
• 二つの合成ケーススタディ（つり梁と鉄道橋）を通じて、健康意識型DTの動的意思決定を示す。

提案手法

• 資産-ツインのダイナミクスを動的意思決定ネットワークとして符号化する（意思決定ノードを有する動的ベイズネットワーク）。
• 深層学習モデルを用いて振動データを同化し、デジタル状態を推定して損傷検出と定量化を行う。
• 訓練データを生成するために縮約階モデル（ POD-Galerkin ）を用いる。
• 物理ベースモデルからのシミュレーションデータを用いて、損傷検出（分類）と損傷定量（回帰）をオフラインで学習するDLモデル。
• 逐次ベイズ推論と動的プログラミングによる健全性依存の保全方針を用いて、デジタルおよび計画アクションを推定する。
• データを同化し、状態を更新し、進化を予測し、アクションを選択するオンラインフェーズのアルゴリズムを提供する。

実験結果

リサーチクエスチョン

• RQ1 確率的グラフィカルモデルをどのように用いて、民生構造の物理資産ダイナミクスとデジタルツイン状態を結合できるか。
• RQ2 深層学習ベースのデータ同化は、デジタルツインフレームワーク内で損傷を信頼性高く識別し、安定性を定量化できるか。
• RQ3 オフラインで学習した健全性依存の保全方針は、動的決定プロセスにおける保全計画にどれだけ有効か。
• RQ4 オンラインフェーズのデジタルツイン更新とリアルタイムでの保全アクション選択のワークフローはどうなるか。
• RQ5 提案手法は、試験対象ケーススタディを超えて、異なる民生構造にも一般化できるか。

主な発見

• 確率的グラフィカルモデルは、デジタルツイン内のデータ同化、状態推定、予測、計画、学習をエンドツーエンドで可能にする。
• 深層学習モデルは振動データから損傷を検出し、その重症度を定量化する。これらはデジタル状態への CPT ベースのベイズ更新と統合される。
• 縮約階モデル（ POD-Galerkin ）はDLモデルの訓練データ生成を加速し、効率的なオフライン学習を実現する。
• フレームワークは、動的意思決定ネットワークと学習された健全性依存の方針により、オンライン更新と健全性を考慮した意思決定をサポートする。
• 二つの合成ケーススタディ（つり梁と鉄道橋）は、健康を意識した動的な維持計画を実行できることを示している。