[논문 리뷰] A Self-Sensing Digital Twin of a Railway Bridge using the Statistical Finite Element Method.

Eky Febrianto, Liam Butler외 2명|arXiv (Cornell University)|2021. 03. 25.

Structural Health Monitoring Techniques인용 수 7

한 줄 요약

이 논문은 통계적 유한요소법(statFEM)을 사용하여 철도교의 자기감지 디지털 트윈을 제안한다. 108개의 섬유 브라그 격자(FBG) 센서로부터의 변형률 데이터를 물리기반 유한요소 모델과 통합함으로써, 센서 읽기, 하중, 모델 오차의 불확실성을 정량화함으로써, 측정되지 않은 위치의 변형률 분포까지 정확하게 예측할 수 있다. 이는 신뢰할 수 있는 구조물 건강 모니터링과 최적의 센서 배치를 가능하게 한다.

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.

연구 동기 및 목표

• 실제 철도교의 디지털 트윈을 개발하여 센서 데이터와 물리기반 모델링을 통합함으로써 구조물 평가를 향상시키는 것.
• 센서 측정값, 적용된 하중, 유한요소 모델의 부정확성에 대한 불확실성을 체계적인 통계 프레임워크를 통해 다루는 것.
• 물리기반 모델을 활용하여 센서가 없는 위치의 구조물 반응을 정확하게 예측하는 것.
• 미래의 관측되지 않은 하중 조건에서의 신뢰할 수 있는 '가상의 시나리오 분석'을 가능하게 하여 장기적인 구조물 건강 모니터링을 지원하는 것.
• 측정값이 가장 유용한 핵심 구조적 위치를 식별함으로써 센서 네트워크 설계를 최적화하는 것.

제안 방법

• 통계적 유한요소법(statFEM)을 사용하여 108개의 FBG 센서로부터 측정된 변형률 데이터를 교량의 유한요소 모델과 통합한다.
• 베이지안 프레임워크를 사용하여 센서 읽기, 외부 하중, 모델 부정확성의 불확실성을 명시적으로 모델링한다.
• 측정 노이즈와 모델 오차를 고려하여 진짜 시스템 반응에 대한 사후 분포를 계산한다.
• 디지털 트윈은 기차 통과 중 주요 I-beam의 변형률 분포를 예측하며, 센서가 없는 위치에서도 이를 수행한다.
• 실제 교량의 변형률 데이터를 사용하여 유한요소 모델을 校정함으로써 물리적 일관성과 예측 정확도를 확보한다.
• 이 방법은 센서가 부착되지 않은 요소를 포함하여 구조물 전반에 걸쳐 변형률 반응의 공간 내삽을 가능하게 한다.

실험 결과

연구 질문

• RQ1 민감한 구조물의 반응 예측 정확도를 향상시키기 위해 센서 데이터와 물리기반 모델링을 어떻게 일관되게 통합할 수 있는가?
• RQ2 측정된 데이터와 유한요소 모델만으로도 측정되지 않은 위치의 변형률 분포를 디지털 트윈이 얼마나 정확하게 예측할 수 있는가?
• RQ3 센서 읽기와 모델 오차의 불확실성 정량화가 디지털 트윈 예측의 신뢰성에 어떻게 기여하는가?
• RQ4 기존 센서가 커버하지 못하는 하중 조건과 구조적 위치에 대해서도 디지털 트윈이 안정적인 '가상의 시나리오 분석'을 지원할 수 있는가?
• RQ5 statFEM는 구조물 건강 모니터링에서 센서 네트워크 설계를 최적화하는 데 어떤 잠재력을 지니는가?

주요 결과

• statFEM 기반 디지털 트윈은 기차 통과 중 주요 I-beam의 종방향 변형률 분포를 측정된 데이터와 높은 정밀도로 예측하였다.
• 디지털 트윈은 FBG 센서가 부착되지 않은 구조적 요소를 포함하여 센서가 없는 위치에서도 신뢰할 수 있는 변형률 예측을 제공하였다.
• 센서 읽기, 하중, 모델 오차의 불확실성 정량화가 효과적으로 구현되어 예측의 강건성이 향상되었다.
• 데이터 수집 기간 동안 관측되지 않은 하중 조건 하에서의 변형률 반응 시뮬레이션을 정확하게 수행하여 안정적인 '가상의 시나리오 분석'을 지원하였다.
• 측정값이 모델 정확도를 가장 크게 향상시킬 수 있는 핵심 구조적 위치를 식별함으로써 센서 배치 최적화 잠재력이 입증되었다.
• 물리기반 모델링과 센서 데이터의 통합은 밀도 높은 인스트루멘테이션에 대한 의존도를 감소시키면서도 전체 구조물에 걸쳐 예측 신뢰도를 유지하는 데 기여하였다.