[论文解读] High dimensional inference for the structural health monitoring of lock gates

Matthew Parno, Devin O’Connor+1 more|arXiv (Cornell University)|Dec 13, 2018

Water Systems and Optimization被引用 5

一句话总结

本文提出了一种可扩展的贝叶斯推断框架，结合有限元模型与高维高斯过程先验，利用噪声应变数据实现实时锁闸结构健康监测。通过利用Karhunen-Loève分解、高斯过程的状态空间表示以及卡尔曼平滑，该方法在标准台式机上不到一小时内高效推断出近140万个参数的空间分布边界条件和热效应，展示了其在关键基础设施监测中接近实时应用的潜力。

ABSTRACT

Locks and dams are critical pieces of inland waterways. However, many components of existing locks have been in operation past their designed lifetime. To ensure safe and cost effective operations, it is therefore important to monitor the structural health of locks. To support lock gate monitoring, this work considers a high dimensional Bayesian inference problem that combines noisy real time strain observations with a detailed finite element model. To solve this problem, we develop a new technique that combines Karhunen-Lo\\`eve decompositions, stochastic differential equation representations of Gaussian processes, and Kalman smoothing that scales linearly with the number of observations and could be used for near real-time monitoring. We use quasi-periodic Gaussian processes to model thermal influences on the strain and infer spatially distributed boundary conditions in the model, which are also characterized with Gaussian process prior distributions. The power of this approach is demonstrated on a small synthetic example and then with real observations of Mississippi River Lock 27, which is located near St. Louis, MO USA. The results show that our approach is able to probabilistically characterize the posterior distribution over nearly 1.4 million parameters in under an hour on a standard desktop computer.

研究动机与目标

• 解决美国内陆水道中老化锁闸的监测挑战，这些锁闸已超过设计寿命，一旦失效将带来高昂的经济风险。
• 克服在存在噪声、时间相关联的应变观测和复杂有限元模型下，结构健康监测中高维贝叶斯推断的计算不可行性。
• 支持疲劳寿命预测和维护规划，实现对边界条件、热效应和传感器偏差的概率表征。
• 开发一种可扩展的、接近实时的推断流水线，适用于在标准计算硬件上进行实际部署。

提出的方法

• 应用Karhunen-Loève分解降低空间分布边界条件和热应变场的维度。
• 以状态空间形式的时间相关随机微分方程表示边界载荷、热应变和传感器偏差的高斯过程先验。
• 使用卡尔曼平滑在高维参数空间上实现高效、线性可扩展的推断，计算成本与观测数量呈线性关系。
• 引入拟周期高斯过程以建模真实应变计数据中观测到的昼夜热应变效应。
• 将Lock 27的高保真有限元模型与美国陆军工程兵团SMART Gate数据库中的实时应变观测数据集成。
• 应用静态降阶技术减小有限元模型规模，在不损失精度的前提下提升计算效率。

实验结果

研究问题

• RQ1 贝叶斯推断框架能否高效处理具有超过一百万个参数的高维结构健康监测问题，且使用真实世界应变数据？
• RQ2 如何有效建模并分离时间相关性及环境效应（如昼夜热膨胀）与应变计数据中的弹性应变？
• RQ3 高斯过程的状态空间表示在复杂结构模型中，面对噪声观测时，能在多大程度上实现可扩展的线性时间推断？
• RQ4 该方法能否仅利用应变计数据和详细有限元模型，无需直接测量，准确推断未知边界条件和传感器偏差？
• RQ5 该方法是否适用于接近实时监测，使操作人员能够及时检测结构异常并响应潜在故障？

主要发现

• 该方法在标准台式计算机上不到一小时内成功完成了对近140万个参数的贝叶斯推断，展示了极高的计算效率。
• 拟周期高斯过程有效捕捉了应变计数据中的昼夜热应变周期，实现了热应变与弹性应变分量的精确分离。
• 结合状态空间高斯过程先验的卡尔曼平滑实现了与观测数量的线性缩放，克服了标准高斯过程推断的立方级计算成本。
• 后验分布揭示了与门体几何形状和应变计位置一致的物理上合理的边界载荷模式，无应变计区域的不确定性更高。
• 在未密封合页工况下，先验与后验载荷之间识别出显著差异，凸显了模型对物理状态的敏感性以及数据驱动校正的重要性。
• 开发了一个基于Bokeh的交互式网络界面，用于探索完整的联合后验分布，支持更深入的不确定性量化和模型参数可视化。