[论文解读] A Self-Sensing Digital Twin of a Railway Bridge using the Statistical Finite Element Method.

Eky Febrianto, Liam Butler+2 more|arXiv (Cornell University)|Mar 25, 2021

Structural Health Monitoring Techniques被引用 7

一句话总结

本文提出了一种基于统计有限元法（statFEM）的自感知数字孪生模型，用于铁路桥梁结构。该模型将108个光纤光栅（FBG）传感器的应变数据与基于物理的有限元模型相结合，通过量化传感器读数、荷载和模型误差中的不确定性，准确预测了未监测位置的应变分布，实现了可靠的结构健康监测，并优化了传感器布设方案。

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.

研究动机与目标

• 开发一种真实铁路桥梁的数字孪生模型，将传感器数据与基于物理的建模相结合，以提升结构评估能力。
• 通过严谨的统计框架，解决传感器测量、施加荷载及有限元模型误差中的不确定性问题。
• 利用物理信息模型，准确预测无传感器位置的结构响应。
• 通过支持在未观测荷载场景下的可靠“假设分析”（what-if analyses），实现长期结构健康监测。
• 通过识别最具信息量的关键结构位置，优化传感器布设方案。

提出的方法

• 采用统计有限元法（statFEM）将108个FBG传感器测得的应变数据与桥梁的有限元模型相结合。
• 利用贝叶斯框架显式建模传感器读数、外部荷载及模型误设的不确定性。
• 该方法计算真实系统响应的后验分布，同时考虑测量噪声与模型误差。
• 数字孪生模型在列车通过期间预测了主I型梁上的应变分布，即使在无传感器的位置也能实现预测。
• 通过实际桥梁的应变数据对有限元模型进行校准，确保物理一致性与预测准确性。
• 该方法实现了对整个结构中应变响应的空间插值，包括未安装传感器的构件。

实验结果

研究问题

• RQ1 如何一致地结合传感器数据与基于物理的建模，以提高土木基础设施结构响应预测的准确性？
• RQ2 在仅依赖实测数据与有限元模型的前提下，数字孪生模型在无传感器位置预测应变分布的精度能达到何种程度？
• RQ3 在传感器读数与模型误差中引入不确定性量化，如何提升数字孪生预测的可靠性？
• RQ4 数字孪生是否能够支持对现有传感器未覆盖的荷载工况与结构位置的可靠‘假设分析’？
• RQ5 statFEM在结构健康监测中传感器网络设计优化方面具有何种潜力？

主要发现

• 基于statFEM的数字孪生模型在列车通过期间，成功预测了主I型梁上的纵向应变分布，与实测数据高度吻合。
• 数字孪生模型在无传感器位置（包括未安装FBG传感器的结构构件）也提供了可靠的应变预测。
• 传感器读数、荷载与模型误差中的不确定性被有效捕捉，显著增强了预测的鲁棒性。
• 数字孪生模型能够准确模拟数据采集期间未观测到的荷载场景下的应变响应，支持可靠的‘假设分析’。
• 该方法展示了通过识别对模型精度提升最显著的关键结构位置，优化传感器布设的潜力。
• 将物理建模与传感器数据相结合，降低了对密集传感器网络的依赖，同时在全结构范围内保持了可靠的预测置信度。