[论文解读] Nonlinear Reduced Order Modelling of Soil Structure Interaction Effects via LSTM and Autoencoder Neural Networks

Thomas J. Simpson, Nikolaos Dervilis+3 more|arXiv (Cornell University)|Jan 1, 2022

Structural Health Monitoring Techniques被引用 1

一句话总结

该论文提出了一种基于数据驱动的非线性降阶模型（ROM），用于风力涡轮机单桩结构的岩土相互作用（SSI），采用自编码器与长短期记忆（LSTM）神经网络。该方法从全阶有限元模拟（Abaqus）中学习非线性动力学，计算成本降低超过300倍，同时在多个深度下对稳态响应预测的准确率达到98.13%。

ABSTRACT

In the field of structural health monitoring (SHM), inverse problems which require repeated analyses are common. With the increase in the use of nonlinear models, the development of nonlinear reduced order modelling techniques is of paramount interest. Of considerable research interest, is the use of flexible and scalable machine learning methods which can learn to approximate the behaviour of nonlinear dynamic systems using input and output data. One such nonlinear system of interest, in the context of wind turbine structures, is the soil structure interaction (SSI) problem. Soil demonstrates strongly nonlinear behaviour with regards to its restoring force and has been shown to considerably influence the dynamic response of wind turbine structures. In this work, we demonstrate the application of a recently developed nonlinear reduced order modelling method, which leverages Autoencoder and LSTM neural networks, to a nonlinear soil structure interaction problem of a wind turbine monopile subject to realistic loading at the seabed level. The accuracy and efficiency of the methodology is compared to full order simulations carried out using Abaqus. The ROM was shown to have good fidelity and a considerable reduction in computational time for the system considered.

研究动机与目标

• 为解决在风力涡轮机系统结构健康监测（SHM）中重复进行非线性有限元分析带来的高计算成本问题。
• 开发一种数据驱动的降阶模型（ROM），在无需系统物理机理显式知识的情况下，准确捕捉非线性岩土相互作用（SSI）行为。
• 证明利用深度学习——特别是自编码器与LSTM——构建复杂SSI系统高效且高保真的降阶模型的可行性。
• 在基于py-曲线的非线性土弹簧的现实单桩模型上，评估ROM相对于全阶Abaqus模拟的准确性与计算效率。

提出的方法

• 训练自编码器神经网络，对全阶模拟中的位移时序数据执行非线性降维。
• 使用自编码器的瓶颈层（4个潜在变量）表示降阶状态空间。
• 训练LSTM网络，学习在输入激励和潜在状态序列下，系统在降阶潜在空间中的时间动力学。
• 在LSTM预测后，利用自编码器的解码器组件重建物理空间响应。
• 整个框架完全基于数据，仅依赖于全阶模型模拟的输入激励与输出响应数据。
• 在未见过的激励输入上对ROM进行验证，并在时域与频域中与Abaqus模拟结果进行比较。

实验结果

研究问题

• RQ1 基于深度学习的ROM能否在真实载荷下准确预测具有SSI的风力涡轮机单桩的非线性动态响应？
• RQ2 与全阶Abaqus模拟相比，自编码器-LSTM ROM在准确性与计算速度方面的表现如何？
• RQ3 4维潜在空间在多大程度上能够捕捉具有非线性土体行为的复杂SSI系统的关键动力学？
• RQ4 尽管训练数据中对这类动力学的瞬态响应覆盖有限，ROM在瞬态响应阶段是否仍能保持保真度？
• RQ5 该方法能否推广至其他非线性结构系统，且仅需极少的系统物理机理先验知识？

主要发现

• ROM在所有自由度上的稳态响应预测中实现了1.87%的归一化均方误差（NMSE），表明保真度极高。
• 500秒模拟的计算时间从Abaqus的2272秒减少至ROM的6.99秒，实现了325倍加速。
• 通过时域与频域的谱比较，ROM准确捕捉了响应的频率成分。
• 由于载荷突变导致初始瞬态阶段精度下降，但考虑到载荷起始的不现实性，该现象可被接受。
• 自编码器成功将系统响应压缩至4维潜在空间，同时保留了关键动态特征。
• 该框架对训练期间未见的新型激励输入表现出强泛化能力，证实其在反向SHM应用中的鲁棒性。