[论文解读] Physics-guided Convolutional Neural Network (PhyCNN) for Data-driven Seismic Response Modeling

Ruiyang Zhang, Yang Liu+1 more|arXiv (Cornell University)|Sep 17, 2019

Structural Health Monitoring Techniques参考文献 54被引用 18

一句话总结

本文提出PhyCNN，一种物理引导的卷积神经网络，通过在深度学习框架中引入物理定律（如结构动力学）来利用有限数据预测建筑的地震响应。通过将物理约束整合到损失函数中，并使用无监督K均值聚类优化数据划分，PhyCNN在地震响应预测和易损性分析中实现了高精度与强鲁棒性，即使在训练数据稀疏的情况下也优于非物理引导的模型。

ABSTRACT

Seismic events, among many other natural hazards, reduce due functionality and exacerbate vulnerability of in-service buildings. Accurate modeling and prediction of building's response subjected to earthquakes makes possible to evaluate building performance. To this end, we leverage the recent advances in deep learning and develop a physics-guided convolutional neural network (PhyCNN) framework for data-driven seismic response modeling and serviceability assessment of buildings. The proposed PhyCNN approach is capable of accurately predicting building's seismic response in a data-driven fashion without the need of a physics-based analytical/numerical model. The basic concept is to train a deep PhyCNN model based on available seismic input-output datasets (e.g., from simulation or sensing) and physics constraints. The trained PhyCNN can then used as a surrogate model for structural seismic response prediction. Available physics (e.g., the law of dynamics) can provide constraints to the network outputs, alleviate overfitting issues, reduce the need of big training datasets, and thus improve the robustness of the trained model for more reliable prediction. The trained surrogate model is then utilized for fragility analysis given certain limit state criteria (e.g., the serviceability state). In addition, an unsupervised learning algorithm based on K-means clustering is also proposed to partition the limited number of datasets to training, validation and prediction categories, so as to maximize the use of limited datasets. The performance of the proposed approach is demonstrated through three case studies including both numerical and experimental examples. Convincing results illustrate that the proposed PhyCNN paradigm outperforms conventional pure data-based neural networks.

研究动机与目标

• 解决在传感或仿真数据有限条件下，对土木结构进行精确地震响应预测的挑战。
• 克服传统物理模型的局限性，这些模型计算成本高且对参数不确定性敏感。
• 开发一种集成物理定律的数据驱动代理模型，以提升泛化能力并减少过拟合，而无需依赖大规模数据集。
• 利用训练好的模型实现可靠的服务性评估用易损性曲线生成。
• 通过数值和实验验证，展示该方法的可扩展性与鲁棒性。

提出的方法

• 使用来自仿真或现场测量的有限地震输入-输出数据集训练深度卷积神经网络（PhyCNN）。
• 通过基于图的张量微分器，将物理约束（特别是运动方程，即牛顿第二定律）纳入网络输出以进行正则化。
• 构建物理信息损失函数，对偏离物理定律的偏差施加惩罚，从而提升模型泛化能力并减少过拟合。
• 应用无监督K均值聚类将有限数据集划分为训练集、验证集和预测集，以最大化数据利用率。
• 使用训练好的PhyCNN模型，通过100条地面运动记录进行增量动力分析（IDA），以推导用于服务性评估的易损性曲线。
• 基于层间位移角的累积分布函数（CDF），计算易损性函数，服务性极限状态的阈值为0.5%的位移角。

实验结果

研究问题

• RQ1 物理引导的深度学习模型能否在训练数据有限的情况下准确预测结构地震响应？
• RQ2 集成物理约束（如动力学方程）在多大程度上提升了数据驱动地震响应模型的鲁棒性与泛化能力？
• RQ3 对有限数据集进行无监督聚类在多大程度上提升了模型性能与数据效率？
• RQ4 训练好的PhyCNN模型能否在未来的地震事件中生成可靠的服务性评估用易损性曲线？
• RQ5 在预测精度与数据效率方面，PhyCNN相较于非物理引导的神经网络在性能上表现如何？

主要发现

• PhyCNN仅使用有限的仿真或传感数据，即可实现对地震响应的高精度预测，展现出强大的泛化能力。
• 物理约束的集成显著减少了过拟合，提升了模型鲁棒性，尤其在训练数据稀缺时表现更优。
• 无监督K均值聚类策略能有效划分有限数据集，提升训练效率与预测性能。
• 对于位于圣伯纳丁诺的6层酒店建筑，预测的超过服务性极限状态的概率在0.1g PGA时为47%，在0.2g PGA时为78%，在0.3g PGA时为90%。
• 由PhyCNN预测结果导出的易损性曲线与工程标准一致，可支持维护与修复规划的实际决策。
• PhyCNN在预测精度与数据效率方面均优于非物理引导的神经网络，证实了物理信息学习在结构动力学中的价值。