[论文解读] Discovering time-varying aeroelastic models of a long-span suspension bridge from field measurements by sparse identification of nonlinear dynamical systems

Shanwu Li, Eurika Kaiser+4 more|arXiv (Cornell University)|Sep 15, 2018

Fluid Dynamics and Vibration Analysis参考文献 54被引用 5

一句话总结

本文提出一种数据驱动方法，利用非线性动力学的稀疏识别（SINDy）技术，从稀疏、噪声较大的现场传感器测量数据中，发现大跨度斜拉桥气动弹性行为的时变、简约动力学模型。通过识别涡激振动（VIV）事件期间演变的非线性相互作用，该方法揭示了此前未知的时变桥梁-风相互作用模型，优于传统的理论与计算方法，实现了对复杂气动弹性动力学的实时监测与预测建模。

ABSTRACT

We develop data-driven dynamical models of the nonlinear aeroelastic effects on a long-span suspension bridge from sparse, noisy sensor measurements which monitor the bridge. Using the {\em sparse identification of nonlinear dynamics} (SINDy) algorithm, we are able to identify parsimonious, time-varying dynamical systems that capture vortex-induced vibration (VIV) events in the bridge. Thus we are able to posit new, data-driven models highlighting the aeroelastic interaction of the bridge structure with VIV events. The bridge dynamics are shown to have distinct, time-dependent modes of behavior, thus requiring parametric models to account for the diversity of dynamics. Our method generates hitherto unknown bridge-wind interaction models that go beyond current theoretical and computational descriptions. Our proposed method for real-time monitoring and model discovery allow us to move our model predictions beyond lab theory to practical engineering design, which has the potential to assess bad engineering configurations that are susceptible to deleterious bridge-wind interactions. With the rise of real-time sensor networks on major bridges, our model discovery methods can enhance an engineers ability to assess the nonlinear aeroelastic interactions of the bridge with its wind environment.

研究动机与目标

• 利用真实世界传感器数据开发大跨度悬索桥的数据驱动动力学模型，超越理论与计算模型。
• 解决传统弱非线性理论无法充分表征的桥梁中时变、非线性气动弹性相互作用的挑战。
• 利用稀疏、噪声较大的现场测量数据，实现实时模型发现与预测，用于桥梁安全与性能评估。
• 通过稀疏系统识别，识别出涡激振动（VIV）事件中桥梁的简约、可解释模型。
• 通过数据驱动洞察，检测易受有害风-桥梁相互作用影响的不利结构配置，以改进工程设计。

提出的方法

• 本研究将稀疏识别非线性动力学（SINDy）算法应用于在桥梁跨中1/4、1/2和3/4位置的传感器网络采集的时间序列数据。
• SINDy通过从大量候选函数库中仅选择最相关的项，识别出稀疏的非线性动力系统，从而确保模型的简约性。
• 通过局部窗口化技术估计所识别动力系统中的时变参数，以捕捉VIV事件期间动态演变的特性。
• 该方法使用测量的初始状态和风速历史作为输入，求解所得常微分方程（ODE）以实现模型验证与预测。
• 通过比较模拟轨迹与实际传感器数据来评估模型质量，采用时间平均参数在不同动力学状态下进行预测。
• 该方法基于模型选择理论，确保所发现控制方程的鲁棒性与可解释性。

实验结果

研究问题

• RQ1 稀疏识别非线性动力学（SINDy）能否有效从稀疏、噪声较大的现场测量数据中发现时变、简约的桥梁气动弹性行为模型？
• RQ2 所识别的动力系统在多大程度上能够捕捉大跨度桥梁在涡激振动（VIV）事件期间演变的非线性流-固相互作用？
• RQ3 SINDy模型中时间平均或瞬时参数估计在多大程度上能提升VIV事件的预测精度？
• RQ4 所发现的数据驱动模型与传统理论和计算模型相比，在表征真实桥梁-风相互作用方面表现如何？
• RQ5 所提出的方法能否实现实时监测与检测易受有害气动弹性效应影响的不利工程构型？

主要发现

• 基于SINDy的方法成功识别出能够准确捕捉桥梁在VIV事件期间非线性气动弹性动力学的时变、简约动力系统。
• 所识别的模型揭示了桥梁中存在明显且随时间变化的行为模式，表明必须采用参数化模型而非静态表示。
• 利用时变参数${\bf{\Xi}}(t)$及测量的初始状态和风速历史进行的仿真，能够以高保真度重现完整的VIV事件，如相空间图与时间历程所示。
• 使用随时间增加的持续时间（600–650 s、600–750 s、600–900 s）的时间平均参数进行预测，相比使用瞬时参数，表现出更高的稳定性和准确性。
• 该方法生成了迄今未知的桥梁-风相互作用模型，其超越了当前理论与计算描述，为复杂流-固相互作用提供了新见解。
• 该方法实现了实时模型发现与预测，显著增强了工程师对现实世界桥梁结构中非线性气动弹性现象的风险评估与缓解能力。