[論文レビュー] Neural operator for structural simulation and bridge health monitoring

Chawit Kaewnuratchadasorn, Jiaji Wang+1 more|arXiv (Cornell University)|May 13, 2023

Infrastructure Maintenance and Monitoring被引用数 5

ひとこと要約

本論文は、フーリエニューラルオペレータに基づく物理情報付きディープラーニングモデル、VINO（Vehicle-bridge Interaction Neural Operator）を提案する。このモデルは、高速かつ高精度に、かつエンドツーエンドで橋梁構造物のシミュレーションと健全性モニタリングを可能にする。有限要素法（VBI-FE）および実験的データ（VBI-EXP）の両方のデータセットで学習させたVINOは、FEMに比べて19倍以上高速な推論を達成し、実世界の状況下でも構造的応答の予測および損傷の局所化・定量的評価を正確に行える。

ABSTRACT

Infusing deep learning with structural engineering has received widespread attention for both forward problems (structural simulation) and inverse problems (structural health monitoring). Based on Fourier Neural Operator, this study proposes VINO (Vehicle-bridge Interaction Neural Operator) to serve as the digital twin of bridge structures. VINO learns mappings between structural response fields and damage fields. In this study, VBI-FE dataset was established by running parametric finite element (FE) simulations considering a random distribution of structural initial damage field. Subsequently, VBI-EXP dataset was produced by conducting an experimental study under four damage scenarios. After VINO was pre-trained by VBI-FE and fine-tuned by VBI-EXP from the bridge at the healthy state, the model achieved the following two improvements. First, forward VINO can predict structural responses from damage field inputs more accurately than the FE model. Second, inverse VINO can determine, localize, and quantify damages in all scenarios, suggesting the practicality of data-driven approaches.

研究の動機と目的

• リアルタイムでのシミュレーションと健全性モニタリングを可能にする、データ駆動型のデジタルツインフレームワークを橋梁構造物に構築すること。
• 従来の有限要素法やモデルベースの健全性モニタリング（SHM）の限界、すなわち計算コストの高さと繰り返しの更新が必要な点を解決すること。
• 損傷分布から構造的応答を予測する前向き問題（forward problem）と、センサデータから損傷を逆引きして同定する逆問題（inverse problem）をエンドツーエンドで行えるようにすること。
• トランスファーラーニングを活用し、実験データと物理ベースのシミュレーションを統合することで、健全性モニタリングの精度と速度を向上させること。
• 異なる損傷状況下での構造的性能評価に適応可能なスケーラブルで一般化可能なディープラーニングモデルを確立すること。

提案手法

• 損傷分布から構造的応答分布へのマッピングを学習する、フーリエニューラルオペレータ（FNO）に基づくニューラルオペレータVINOを提案する。
• パラメトリックな有限要素シミュレーションを用いて生成された、ランダムな初期損傷分布を有する合成的VBI-FEデータセットでVINOを学習する。
• 実際の橋梁構造物における4つの損傷状況（DMG1–DMG3）と健全状態（INT）の実験データを用いて、事前に学習済みのVINOモデルをファインチューニングする。
• センサからの変位および加速度信号を入力として逆問題用のVINOモデルを構築し、損傷の局所化と定量的評価を可能にする。
• VBI-FEデータで初期化したモデルを、ファインチューニングによって実世界の実験条件に適応させるトランスファーラーニングを適用する。
• ハイブリッドトレーニング戦略を採用：高精度な数値シミュレーションで事前学習を行い、その後実験データでファインチューニングすることで、一般化性能と精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 フーリエニューラルオペレータに基づくディープラーニングモデルは、橋梁構造物における損傷分布から構造的応答を高精度に予測できるか？
• RQ2 同じモデルが、測定された動的応答（変位／加速度）から損傷の局所化および定量的評価へと逆マッピングを実行できるか？
• RQ3 実験データでのファインチューニングは、数値シミュレーションのみで学習されたデータ駆動型モデルの性能をどのように向上させるか？
• RQ4 推論速度と精度の面で、VINOモデルは従来の有限要素法（FEM）をどの程度上回るか？
• RQ5 本モデルは、損傷の程度や位置が異なるさまざまな損傷状況に対しても一般化できるか？

主な発見

• VINOは、同じ橋梁プロトタイプに対して、従来の有限要素法（FEM）に比べて19倍以上高速な推論速度を達成した。
• 実験データでのファインチューニング後、VINOはFEMのシミュレーション結果よりも高い精度で構造的応答を予測した。
• 逆問題用VINOモデルは、すべての4つの実験的状況（INT、DMG1、DMG2、DMG3）において損傷を正確に局所化および定量化でき、高い頑健性を示した。
• DMG1およびDMG2の損傷予測はDMG3よりも精度が高く、後者は信号ノイズの増加が原因で誤差が大きくなった可能性がある。
• 繰り返しのモデル更新を必要とせず、エンドツーエンドで損傷検出が可能であり、従来のFEMベースの手法と比較して計算時間を大幅に削減した。
• ファインチューニングによる実験データの統合により、モデルの実用性と実世界のモニタリング状況における一般化性能が向上した。