[论文解读] A digital twin framework for civil engineering structures

Matteo Torzoni, Marco Tezzele+3 more|arXiv (Cornell University)|Aug 2, 2023

Integrated Circuits and Semiconductor Failure Analysis参考文献 55被引用 8

一句话总结

本论文提出一个面向民用结构的预测性数字孪生框架，将概率图模型与深度学习相结合，用于实时健康评估和维护规划，在悬臂梁和铁路桥上进行了演示。

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.

研究动机与目标

• 促使民用结构的状态基和预测性维护，以降低生命周期成本并提高安全性与可用性。
• 引入一个数字孪生（DT）框架，将物理资产与概率图模型耦合，以处理不确定性。
• 开发使用降阶模型（POD-Galerkin）进行的离线训练阶段，并学习一个健康相关的维护策略。
• 通过两个合成案例（悬臂梁和铁路桥）展示框架，以说明健康感知DT的动态决策能力。

提出的方法

• 将资产-孪生动力学编码为动态决策网络，即带有决策节点的动态贝叶斯网络。
• 使用深度学习模型同化振动数据并估计数字状态以实现损伤检测与量化。
• 使用降阶模型（POD-Galerkin）生成用于损伤识别的训练数据。
• 离线训练 DL 模型以进行损伤检测（分类）和损伤量化（回归），数据来自基于物理模型的仿真。
• 利用序贯贝叶斯框架推断数字与规划行动，并通过动态规划学习健康相关的控制策略。
• 提供一个在线阶段算法，集合数据、更新状态、预测演化并选择行动。

实验结果

研究问题

• RQ1 如何使用概率图模型将物理资产动态与数字孪生状态耦合，以应用于民用结构？
• RQ2 基于深度学习的数据同化是否能够在数字孪生框架中可靠地识别损伤并量化稳定性？
• RQ3 离线训练的健康相关策略在动态决策过程中的维护规划效果如何？
• RQ4 在线阶段在实时更新数字孪生和选择维护行动的工作流程是怎样的？
• RQ5 所提出的方法是否能够推广到测试案例之外的不同民用结构？

主要发现

• 一个概率图模型使端到端的数据同化、状态估计、预测、规划和学习在民用结构的数字孪生中得以实现。
• 利用深度学习模型从振动数据中检测损伤并量化严重程度，并通过基于 CPT 的贝叶斯更新将结果融入数字状态。
• 降阶模型（POD-Galerkin）加速了训练数据集的生成，从而高效地进行离线学习。
• 该框架通过动态决策网络和学习得到的健康相关策略，支持在线更新与健康感知的决策。
• 两个合成案例（悬臂梁和铁路桥）证明了框架在动态、健康感知维护规划方面的能力。