[논문 리뷰] Nonlinear Reduced Order Modelling of Soil Structure Interaction Effects via LSTM and Autoencoder Neural Networks

Thomas J. Simpson, Nikolaos Dervilis외 3명|arXiv (Cornell University)|2022. 01. 01.

Structural Health Monitoring Techniques인용 수 1

한 줄 요약

이 논문은 자동에코더와 LSTM 신경망을 사용하여 풍력 터빈 모노파일의 지반-구조물 상호작용(SlI)에 대한 데이터 기반 비선형 축소 차원 모델(Rom)을 제안한다. 이 방법은 유한요소 해석(Abaqus)에서 유도된 비선형 동역학을 학습하여 계산 비용을 300배 이상 절감하면서도, 여러 깊이에서의 정 steady-state 응답 예측 정확도를 98.13% 유지한다.

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.

연구 동기 및 목표

• 풍력 터빈 시스템의 구조적 건강 모니터링(SHM)에서 반복적인 비선형 유한요소 해석의 높은 계산 비용을 해결하기 위해.
• 시스템 물리 법칙에 대한 명시적 지식이 필요 없이 비선형 지반-구조물 상호작용(SI) 거동을 정확하게 포괄하는 데이터 기반 축소 차원 모델(Rom)을 개발하기 위해.
• 딥 러닝—특히 자동에코더와 LSTMs—을 활용하여 복잡한 SSI 시스템에 대한 효율적이고 고정밀도의 ROM을 구축하는 것이 가능함을 보여주기 위해.
• 비선형 지반 스프링을 사용하는 현실적인 모노파일 모델에서, 전체 차원 Abaqus 해석과 비교하여 ROM의 정확도와 계산 효율성을 평가하기 위해.

제안 방법

• 전체 차원 시뮬레이션에서 유도된 변위 시간 시리즈에 대한 비선형 차원 축소를 수행하기 위해 자동에코더 신경망을 학습시켰다.
• 자동에코더의 브로드캐스트 레이어(4개의 잠재 변수)를 사용하여 축소된 상태 공간을 표현하였다.
• 입력 하중과 잠재 상태 시퀀스에서 유도된 시간적 동역학을 레이어의 잠재 공간에서 학습하기 위해 LSTM 네트워크를 훈련시켰다.
• LSTM 예측 후 자동에코더의 디코더 구성 요소를 사용하여 물리 공간 응답을 재구성하였다.
• 전체 프레임워크는 입력 하중과 출력 응답 데이터만을 기반으로 하는 순수한 데이터 기반 접근 방식이었다.
• 검증은 훈련 중에 볼 수 없었던 하중 입력에 대해 수행되었으며, 시간 도메인과 주파수 도메인 양쪽에서 Abaqus 해석과 비교되었다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 ROM이 현실적인 하중 조건 하에서 풍력 터빈 모노파일의 비선형 동적 응답을 정확하게 예측할 수 있는가?
• RQ2 정확도와 계산 속도 측면에서 자동에코더-LSTM ROM은 전체 차원 Abaqus 해석과 비교해 어떻게 성능을 내는가?
• RQ3 4차원 잠재 공간은 비선형 지반 거동을 포함한 복잡한 SSI 시스템의 핵심 동역학을 어느 정도 잘 포괄할 수 있는가?
• RQ4 제한된 훈련 데이터로 비선형 동역학을 갖는 일시적 응답 영역에서 모델의 정밀도가 유지되는가?
• RQ5 이 방법은 시스템 물리 법칙에 대한 최소한의 사전 지식으로도 다른 비선형 구조 시스템에 일반화 가능한가?

주요 결과

• 모든 자유도에서 정 steady-state 응답 예측의 정규화 평균 제곱 오차(NMSE)가 1.87%로 나타나 높은 정밀도를 보였다.
• 500초 시뮬레이션의 계산 시간은 Abaqus의 2272초에서 ROM의 6.99초로 감소하여 325배의 속도 향상을 달성하였다.
• 시간 도메인과 주파수 도메인 양쪽에서의 스펙트럼 비교를 통해 ROM은 정 steady-state 응답의 주파수 성분을 정확히 포착하였다.
• 갑작스러운 하중이 가해지는 초기 일시적 단계에서는 정확도가 낮아졌지만, 이러한 하중의 시작 조건이 비현실적이라는 점을 고려하면 이는 수용 가능했다.
• 자동에코더는 시스템 응답을 핵심 동역학 특성을 유지하면서도 4차원의 잠재 공간으로 압축하는 데 성공했다.
• 훈련 중에 볼 수 없었던 새로운 하중 입력에 대해서도 프레임워크가 강력한 일반화 성능을 보였으며, 이는 역 SHM 응용 분야에서의 견고성을 확인시켰다.