[論文レビュー] Physics-guided Convolutional Neural Network (PhyCNN) for Data-driven Seismic Response Modeling

Ruiyang Zhang, Yang Liu+1 more|arXiv (Cornell University)|Sep 17, 2019

Structural Health Monitoring Techniques参考文献 54被引用数 18

ひとこと要約

本稿では、構造動力学などの物理法則を深層学習フレームワーク内に組み込むことで、限られたデータを用いて建物の地震応答を予測する物理的制約付き畳み込みニューラルネットワーク（PhyCNN）を提案する。物理的制約を損失関数に統合し、無教師学習のK-meansクラスタリングを用いてデータ分割を最適化することで、PhyCNNは限られた学習データでも高い精度と頑健性を達成し、物理的制約なしのモデルを上回る性能を発揮する。

ABSTRACT

Seismic events, among many other natural hazards, reduce due functionality and exacerbate vulnerability of in-service buildings. Accurate modeling and prediction of building's response subjected to earthquakes makes possible to evaluate building performance. To this end, we leverage the recent advances in deep learning and develop a physics-guided convolutional neural network (PhyCNN) framework for data-driven seismic response modeling and serviceability assessment of buildings. The proposed PhyCNN approach is capable of accurately predicting building's seismic response in a data-driven fashion without the need of a physics-based analytical/numerical model. The basic concept is to train a deep PhyCNN model based on available seismic input-output datasets (e.g., from simulation or sensing) and physics constraints. The trained PhyCNN can then used as a surrogate model for structural seismic response prediction. Available physics (e.g., the law of dynamics) can provide constraints to the network outputs, alleviate overfitting issues, reduce the need of big training datasets, and thus improve the robustness of the trained model for more reliable prediction. The trained surrogate model is then utilized for fragility analysis given certain limit state criteria (e.g., the serviceability state). In addition, an unsupervised learning algorithm based on K-means clustering is also proposed to partition the limited number of datasets to training, validation and prediction categories, so as to maximize the use of limited datasets. The performance of the proposed approach is demonstrated through three case studies including both numerical and experimental examples. Convincing results illustrate that the proposed PhyCNN paradigm outperforms conventional pure data-based neural networks.

研究の動機と目的

• 限られたセンシングまたはシミュレーションデータ下での土木構造物の正確な地震応答予測の課題に対処すること。
• 計算コストが高く、パrameterの不確実性に敏感な従来の物理ベースのモデルの限界を克服すること。
• 物理法則を統合することで一般化性能を向上させ、大規模データセットを必要としないデータ駆動型代理モデルを開発すること。
• 訓練済みモデルを用いて運用性評価のための信頼性の高い劣化曲線を生成すること。
• 数値的および実験的検証を通じて、本手法のスケーラビリティと頑健性を実証すること。

提案手法

• シミュレーションまたは現地測定から得られる限られた地震入出力データセットを用いて、深層畳み込みニューラルネットワーク（PhyCNN）を学習する。
• グラフベースのテンソル微分器を介して、運動方程式（ニュートンの第二法則）という物理的制約をネットワーク出力に正則化する。
• 物理法則からの逸脱をペナルティ化する物理情報型損失関数を定式化し、モデルの一般化性能を向上させ、過学習を低減する。
• 限られたデータセットを訓練・検証・予測用に分割するために、無教師学習のK-meansクラスタリングを適用し、データ利用効率を最大化する。
• 訓練済みのPhyCNNモデルを用いて、100件の地震動を用いた段階的動的解析（IDA）を実施し、運用性評価のための劣化曲線を導出する。
• 累積分布関数（CDF）を用いて劣化関数を計算し、運用性限界状態の閾値として0.5%の階間変位角を設定する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約付きの深層学習モデルは、限られた学習データでも構造物の地震応答を正確に予測できるか？
• RQ2 物理的制約（例：運動方程式）の統合が、データ駆動型地震応答モデルの頑健性と一般化性能をどのように向上させるか？
• RQ3 限られたデータセットの無教師クラスタリングが、モデル性能とデータ効率をどの程度向上させるか？
• RQ4 訓練済みのPhyCNNモデルは、将来の地震イベントにおける運用性評価のための信頼性の高い劣化曲線を生成できるか？
• RQ5 予測精度とデータ効率の観点から、物理的制約なしのニューラルネットワークと比較してPhyCNNはどの程度優れているか？

主な発見

• PhyCNNは、限られたシミュレーションまたは測定データのみを用いても、地震応答予測において高い精度を達成し、強力な一般化能力を示した。
• 物理的制約の統合により、過学習が顕著に低減され、特に学習データが少ない状況でもモデルの頑健性が向上した。
• 無教師学習のK-meansクラスタリング戦略は、限られたデータセットの効果的分割に成功し、学習効率と予測性能を向上させた。
• サン・バーナディーノに位置する6階建てホテル建築物において、ピーク地表面加速度（PGA）が0.1gのとき、運用性限界状態を超える確率は47%、0.2gでは78%、0.3gでは90%であった。
• PhyCNNの予測から導かれた劣化曲線は、工学的基準と整合しており、保守・改修計画の意思決定支援に有効であることが示された。
• 予測精度とデータ効率の両面で、PhyCNNは物理的制約なしのニューラルネットワークを上回り、構造動力学における物理情報型学習の価値を裏付けた。