[논문 리뷰] A digital twin framework for civil engineering structures

Matteo Torzoni, Marco Tezzele외 3명|arXiv (Cornell University)|2023. 08. 02.

Integrated Circuits and Semiconductor Failure Analysis참고 문헌 55인용 수 8

한 줄 요약

이 논문은 실시간 건강 평가 및 유지보수 계획을 위한 예측 디지털 트윈 프레임워크를 제시하며, 확률적 그래프 모델과 딥 러닝을 융합하여 civil structures의 상태를 평가합니다. 시연은 cantilever beam과 railway bridge에서 수행됩니다.

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.

연구 동기 및 목표

• Civil structures의.lifecycle 비용을 줄이고 안전성 및 가용성을 향상시키기 위해 조건 기반 및 예측 유지보수를 동기화한다.
• 확률적 그래프 모델과 물리 자산을 연결하는 digital twin(DT) 프레임워크를 도입하여 불확실성을 처리한다.
• 감지된 건강 상태에 의존하는 유지보수 정책을 학습하는 offline 학습 단계를 개발한다.
• 두 개의 합성 사례 연구(cantilever beam 및 railway bridge)를 통해 건강 인식 DT를 위한 동적 의사결정 프레임워크를 시연한다.

제안 방법

• 자산-트윈 다이나믹스를 dynamic decision network로 부호화한다(결정 노드 포함).
• 진동 데이터를 합성하고 디지털 상태를 추정하기 위해 딥 러닝 모델을 사용하여 손상 탐지 및 정량화를 수행한다.
• 손상 식별을 위한 학습 데이터를 생성하기 위해 POD-Galerkin의 축소 차원 모델을 사용한다.
• 물리 기반 모델에서 생성된 시뮬레이션 데이터를 사용하여 손상 탐지(분류) 및 손상 정량화(회귀)를 위해 offline에서 DL 모델을 학습한다.
• 순차적 Bayesian 프레임워크를 사용하여 디지털 및 계획 행동을 추론하고 건강 의존 제어 정책을 동적 프로그래밍으로 활용한다.
• 데이터를 수집하고 상태를 업데이트하며 진화를 예측하고 행동을 선택하는 온라인Phase 알고리즘을 제공한다.

실험 결과

연구 질문

• RQ1 확률적 그래프 모델을 사용하여 civil structures의 물리 자산 다이나믹스와 디지털 트윈 상태를 어떻게 연결할 수 있는가?
• RQ2 딥 러닝 기반 데이터 융합이 디지털 트윈 프레임워크 내에서 손상을 신뢰성 있게 식별하고 안정성을 정량화할 수 있는가?
• RQ3 오프라인에서 학습된 건강 의존 정책이 동적 의사결정 프로세스에서 유지보수 계획에 얼마나 효과적인가?
• RQ4 실시간으로 디지털 트윈을 업데이트하고 유지보수 행동을 선택하기 위한 온라인 단계의 워크플로우는 무엇인가?
• RQ5 제안된 방법들이 테스트된 사례 연구를 넘어 다양한 civil structures에 일반화될 수 있는가?

주요 결과

• 확률적 그래프 모델은 end-to-end 데이터 융합, 상태 추정, 예측, 계획, 학습을 디지털 트윈 내에서 가능하게 한다.
• 딥 러닝 모델은 진동 데이터로부터 손상을 탐지하고 그 심각도를 정량화하며, 디지털 상태에 대한 CPT-기반 Bayesian 업데이트를 통해 이를 통합한다.
• 축소 차원 모델(POD-Galerkin)은 DL 모델 학습을 위한 데이터셋 생성을 가속화하여 오프라인 학습을 효율적으로 가능하게 된다.
• 프레임워크는 online 업데이트와 건강 인식 의사결정을 dynamic decision network와 학습된 건강 의존 정책을 통해 지원한다.
• 두 개의 합성 사례 연구(cantilever beam 및 railway bridge)는 건강 인식 유지보수 계획의 동적 수행 능력을 입증한다.