[論文レビュー] Nonlinear Reduced Order Modelling of Soil Structure Interaction Effects via LSTM and Autoencoder Neural Networks

Thomas J. Simpson, Nikolaos Dervilis+3 more|arXiv (Cornell University)|Jan 1, 2022

Structural Health Monitoring Techniques被引用数 1

ひとこと要約

本稿では、自己符号化器とLSTMニューラルネットワークを用いて、風力タービンモノパイプの土木構造相互作用（SSI）のデータ駆動型非線形低次元モデル（ROM）を提案する。この手法は、全次元有限要素解析（Abaqus）から得た非線形動的挙動を学習し、計算コストを300倍以上削減しながら、複数の深さにおける定常応答予測で98.13%の精度を維持する。

ABSTRACT

In the field of structural health monitoring (SHM), inverse problems which require repeated analyses are common. With the increase in the use of nonlinear models, the development of nonlinear reduced order modelling techniques is of paramount interest. Of considerable research interest, is the use of flexible and scalable machine learning methods which can learn to approximate the behaviour of nonlinear dynamic systems using input and output data. One such nonlinear system of interest, in the context of wind turbine structures, is the soil structure interaction (SSI) problem. Soil demonstrates strongly nonlinear behaviour with regards to its restoring force and has been shown to considerably influence the dynamic response of wind turbine structures. In this work, we demonstrate the application of a recently developed nonlinear reduced order modelling method, which leverages Autoencoder and LSTM neural networks, to a nonlinear soil structure interaction problem of a wind turbine monopile subject to realistic loading at the seabed level. The accuracy and efficiency of the methodology is compared to full order simulations carried out using Abaqus. The ROM was shown to have good fidelity and a considerable reduction in computational time for the system considered.

研究の動機と目的

• 風力タービンシステムの構造健全性モニタリング（SHM）において繰り返し実施される非線形有限要素解析の高い計算コストを解決すること。
• システムの物理法則を明示的に知らなくても、非線形土木構造相互作用（SSI）挙動を正確に捉えるデータ駆動型低次元モデル（ROM）を開発すること。
• 深層学習（特に自己符号化器とLSTM）を用いて、複雑なSSIシステムの効率的で高精度なROMを構築する可能性を示すこと。
• 非線形土壌スプリングを備えた現実的なモノパイプモデルに対して、全次元Abaqus解析と比較して、ROMの精度と計算効率を評価すること。

提案手法

• 全次元シミュレーションからの変位時間系列に対して非線形次元削減を実行するため、自己符号化器ニューラルネットワークを訓練した。
• 自己符号化器のボトルネック層（4次元の潜在変数）を用いて、低次元状態空間を表現した。
• 入力外力と潜在状態の系列から、低次元潜在空間におけるシステムの時間的ダイナミクスをLSTMネットワークで学習した。
• LSTMによる予測後に、自己符号化器のデコーダ部を用いて物理空間の応答を再構築した。
• このフレームワークは完全にデータ駆動的であり、FOMシミュレーションからの入力外力と出力応答データのみに依存する。
• ROMは、訓練時に見られなかった外力入力に対して検証され、時間領域および周波数領域においてAbaqusシミュレーションと比較された。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのROMは、現実的な荷重条件下での風力タービンモノパイプの非線形動的応答を正確に予測できるか？
• RQ2 Abaqus全次元解析と比較して、自己符号化器-LSTM ROMの精度と計算速度の性能はいかがなものか？
• RQ3 4次元の潜在空間は、非線形土壌挙動を示す複雑なSSIシステムの本質的ダイナミクスをどの程度正確に捉えられるか？
• RQ4 訓練データにそのようなダイナミクスが限られても、過渡応答領域においてROMは忠実性を維持できるか？
• RQ5 この手法は、システム物理法則の事前知識が最小限の他の非線形構造システムへも一般化可能か？

主な発見

• ROMは、全自由度において定常応答予測で1.87%の正規化平均二乗誤差（NMSE）を達成し、高い忠実性を示した。
• 500秒のシミュレーションにおける計算時間は、Abaqusの2272秒からROMの6.99秒にまで短縮され、325倍の高速化が達成された。
• 時間領域および周波数領域におけるスペクトル比較により、ROMは定常状態における応答の周波数成分を正確に捉えた。
• 急激な荷重の開始に起因する初期過渡期では精度が低下したが、これは荷重開始が現実的でないため、妥当な範囲とされた。
• 自己符号化器は、システム応答を4次元の潜在空間に圧縮し、本質的な動的特性を保持した。
• 訓練時に見られなかった新たな外力入力に対しても、ROMは優れた一般化性能を示し、逆SHM応用における強靭性を確認した。