[論文レビュー] A Self-Sensing Digital Twin of a Railway Bridge using the Statistical Finite Element Method.

Eky Febrianto, Liam Butler+2 more|arXiv (Cornell University)|Mar 25, 2021

Structural Health Monitoring Techniques被引用数 7

ひとこと要約

本論文では、統計的有限要素法（statFEM）を用いて、108本のファイバー・ブレグ・グレーティング（FBG）センサーからのひずみデータと物理ベースの有限要素モデルを統合することで、鉄道橋の自己感知型デジタルツインを提案する。センサー読み取り値、荷重、モデル誤差の不確実性を定量化することで、センサーがない場所を含むひずみ分布を正確に予測し、信頼性の高い構造健全性モニタリングと最適化されたセンサー配置を可能にする。

ABSTRACT

The monitoring of infrastructure assets using sensor networks is becoming increasingly prevalent. A digital twin in the form of a finite element model, as used in design and construction, can help in making sense of the copious amount of collected sensor data. This study demonstrates the application of the statistical finite element method (statFEM), which provides a consistent and principled means for synthesising data and physics-based models, in developing a digital twin of an instrumented railway bridge. The considered structure is a steel skewed half-through bridge of 27.34 m length located along the West Coast Mainline near Staffordshire in the UK. Using strain data captured from fibre Bragg grating (FBG) sensors at 108 locations along the bridge superstructure, statFEM can predict the `true' system response while taking into account the uncertainties in sensor readings, applied loading and finite element model misspecification errors. Longitudinal strain distributions along the two main I-beams are both measured and modelled during the passage of a passenger train. The digital twin, because of its physics-based component, is able to generate reasonable strain distribution predictions at locations where no measurement data is available, including at several points along the main I-beams and on structural elements on which sensors are not even installed. The implications for long-term structural health monitoring and assessment include optimization of sensor placement, and performing more reliable what-if analyses at locations and under loading scenarios for which no measurement data is available.

研究の動機と目的

• 実際の鉄道橋のデジタルツインを開発し、センサーのデータと物理ベースのモデリングを統合することで、構造的評価を向上させること。
• センサー測定値、外力、有限要素モデルの不正確さといった不確実性を、整合的な統計的フレームワークを用いて取り扱うこと。
• 物理的に情報を持つモデルを用いて、センサーがない場所での構造的応答の正確な予測を可能にすること。
• 未観測の荷重シナリオにおける信頼性の高い「仮想実験（what-if分析）」を可能にすることで、長期的な構造健全性モニタリングを支援すること。
• 測定が最も有用な重要な構造的場所を特定することで、センサー配置を最適化すること。

提案手法

• 統計的有限要素法（statFEM）を用いて、鉄道橋の108本のFBGセンサーからの測定ひずみデータと橋梁の有限要素モデルを統合する。
• ベイズフレームワークを用いて、センサー読み取り値、外部荷重、モデル誤りの不確実性を明示的にモデル化する。
• 測定ノイズとモデル誤差を考慮した真のシステム応答の事後分布を計算する。
• デジタルツインは、列車通過時の主Iビームに沿ったひずみ分布を、センサーがない場所に対しても予測する。
• 実際の橋梁からのひずみデータを用いて有限要素モデルをキャリブレーションし、物理的整合性と予測精度を確保する。
• 本手法により、センサーが取り付けられていない部材を含む構造全体におけるひずみ応答の空間的補間が可能になる。

実験結果

リサーチクエスチョン

• RQ1 構造インfraの応答予測の正確性を向上させるために、センサーのデータと物理ベースのモデリングをどのように一貫して統合できるか。
• RQ2 測定データと有限要素モデルのみを用いて、センサーがない場所のひずみ分布をどの程度正確に予測できるか。
• RQ3 センサー読み取り値とモデル誤差の不確実性の定量化が、デジタルツインの予測の信頼性をどのように向上させるか。
• RQ4 既存のセンサーがカバーしていない荷重条件や構造的場所について、デジタルツインが信頼性のある「仮想実験（what-if分析）」を可能にするか。
• RQ5 statFEMは、構造健全性モニタリングにおけるセンサーネットワーク設計の最適化にどの程度の可能性を秘めているか。

主な発見

• statFEMを用いたデジタルツインは、列車通過時の主Iビームに沿った縦方向ひずみ分布を、測定データと高い整合性で正確に予測した。
• センサーがない場所、特にFBGセンサーが取り付けられていない構造部材に対しても、信頼性の高いひずみ予測を提供した。
• センサー読み取り値、荷重、モデル誤差の不確実性が効果的に捉えられ、予測のロバスト性が向上した。
• データ収集時には観測されていなかった荷重シナリオにおいても、正確なひずみ応答のシミュレーションが可能となり、信頼性の高い「仮想実験（what-if分析）」を支援した。
• 測定がモデルの正確性を最も向上させる可能性が高い重要な構造的場所を特定することで、センサー配置の最適化の可能性が示された。
• 物理的モデリングとセンサーのデータの統合により、全体的な構造においても予測の信頼性を維持しつつ、高密度なインストルメンテーションへの依存を低減した。