[论文解读] Neural operator for structural simulation and bridge health monitoring

Chawit Kaewnuratchadasorn, Jiaji Wang+1 more|arXiv (Cornell University)|May 13, 2023

Infrastructure Maintenance and Monitoring被引用 5

一句话总结

本文提出VINO（车辆-桥梁相互作用神经算子），一种基于傅里叶神经算子的物理信息深度学习模型，用于实现桥梁结构的快速、精确且端到端的仿真与健康监测。在有限元（VBI-FE）和实验（VBI-EXP）数据集上进行训练后，VINO的推理速度比FEM快超过19倍，并能准确预测真实场景下的结构响应以及损伤定位与量化。

ABSTRACT

Infusing deep learning with structural engineering has received widespread attention for both forward problems (structural simulation) and inverse problems (structural health monitoring). Based on Fourier Neural Operator, this study proposes VINO (Vehicle-bridge Interaction Neural Operator) to serve as the digital twin of bridge structures. VINO learns mappings between structural response fields and damage fields. In this study, VBI-FE dataset was established by running parametric finite element (FE) simulations considering a random distribution of structural initial damage field. Subsequently, VBI-EXP dataset was produced by conducting an experimental study under four damage scenarios. After VINO was pre-trained by VBI-FE and fine-tuned by VBI-EXP from the bridge at the healthy state, the model achieved the following two improvements. First, forward VINO can predict structural responses from damage field inputs more accurately than the FE model. Second, inverse VINO can determine, localize, and quantify damages in all scenarios, suggesting the practicality of data-driven approaches.

研究动机与目标

• 开发一种用于桥梁结构的数据驱动数字孪生框架，实现实时仿真与健康监测。
• 解决传统有限元建模与基于模型的结构健康监测（SHM）的局限性，后者计算成本高且需要迭代更新。
• 实现从损伤场到结构响应场的端到端预测（正问题），以及从传感器数据反演损伤场的逆问题（逆问题）。
• 通过迁移学习将实验数据与基于物理的仿真相结合，提升结构健康监测的精度与速度。
• 建立一种可扩展、可泛化的深度学习模型，用于在不同损伤情景下评估结构性能。

提出的方法

• 提出VINO，一种基于傅里叶神经算子（FNO）的神经算子，用于学习输入损伤场与输出结构响应场之间的映射关系。
• 在通过参数化有限元仿真生成的合成VBI-FE数据集上训练VINO，其中初始损伤分布为随机分布。
• 利用真实桥梁在四种损伤情景（DMG1–DMG3）和健康状态（INT）下的实验数据，对预训练的VINO模型进行微调。
• 将传感器获取的位移与加速度信号作为输入，用于逆向VINO模型，以推断损伤场，实现损伤的定位与量化。
• 通过迁移学习策略，以VBI-FE数据初始化模型，并通过微调将其适配至真实实验条件。
• 采用混合训练策略：先在高保真数值仿真上进行预训练，再在真实实验数据上进行微调，以提升模型的泛化能力与精度。

实验结果

研究问题

• RQ1 基于傅里叶神经算子的深度学习模型能否准确预测桥梁结构中损伤场对应的结构响应？
• RQ2 同一模型能否实现从实测动态响应（位移/加速度）到损伤定位与量化的逆向映射？
• RQ3 在真实实验数据上进行微调，能否提升仅基于数值仿真训练的数据驱动模型的性能？
• RQ4 VINO模型在推理速度与精度方面相较于传统有限元建模（FEM）的优越程度如何？
• RQ5 该模型能否在不同损伤情景下实现泛化，包括损伤程度与位置的变化？

主要发现

• 对于同一座桥梁原型，VINO的推理速度比传统有限元方法（FEM）快超过19倍。
• 在实验数据上微调后，VINO预测的结构响应精度高于FEM仿真结果。
• 逆向VINO模型在所有四个实验情景（INT、DMG1、DMG2、DMG3）中均成功实现了损伤的定位与量化，表现出良好的鲁棒性。
• DMG1与DMG2的损伤预测精度高于DMG3，后者误差较大，可能由于信号噪声增加所致。
• 该模型实现了无需迭代模型更新的端到端损伤检测，与传统基于FEM的方法相比，显著降低了计算时间。
• 通过微调整合实验数据，显著提升了模型在真实监测场景中的实用性与泛化能力。