[發明專利]基于物理驅動神經網絡的結構數字孿生建模與參數識別法

有效

• 申請號: 202110658035.4
• 申請日: 2021-06-11
• 公開（公告）號: CN113378939B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 方圣恩;郭新宇
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于物理驅動神經網絡的結構數字孿生建模與參數識別法。選擇待識別參數及其響應，并根據實際情況初步擬定待識別參數的取值區間；基于均勻實驗設計在區間內選出參數樣本點并結合有限元計算生成訓練樣本集；選擇與訓練樣本相對應的物理約束方程并編碼到神經網絡的損失函數表達式中，訓練神經網絡至精度合格并將其作為數字孿生模型放入數字孿生模型與數據庫；對結構參數進行識別并對初擬的參數區間進行更新，形成新的數字孿生模型；將所有生成的數字孿生模型及識別的參數都放入數字孿生模型與數據庫，管養人員根據結構歷史及當前信息做出相關加固或養護措施。本發明可更好地監測結構服役時健康狀況，幫助管養人員做出科學決策。

技術領域

本發明涉及一種基于物理驅動神經網絡的結構數字孿生建模與參數識別法。

背景技術

參數識別作為結構健康監測、損傷診斷等問題的前提和基礎，一直是土木工程領域的熱點問題。當前大多數方法都是基于特定試驗或者短期現場監測來進行，并假設試驗環境與結構實際運營環境相似。而實際工程結構所處的環境無時無刻不在發生變化，這種時效性使得采用傳統方法進行的參數識別在通用性和可靠性上存在一定局限。數字孿生可以實現物理空間和虛擬空間的信息交互，能夠在虛擬空間提前預演和實時模擬物理實體的各種行為表現。理想情況下，數字孿生可以實時地校準虛擬系統并對未來的狀況進行仿真模擬，給土木工程結構的實時參數識別及更新提供了新途徑。

結構參數識別問題較早的應用領域是動力學有限元模型修正，它是以結構試驗為基礎，通過比較結構實測響應與有限元模型的計算響應，利用優化算法不斷調整有限元模型參數，使得計算響應與實測響應盡可能接近。傳統基于靈敏度的方法通常需要建立參數的靈敏度矩陣，導致迭代優化過程計算量大，且容易出現病態矩陣。針對這一系列問題，有學者提出了采用代理模型的方法，常用的代理模型有響應面法、Kriging模型、神經網絡等，其中將神經網絡用于復雜反問題的求解策略通常被證明是更有效的，且神經網絡模型具有強大的參數—響應間非線性映射能力。近年來隨著機器學習、深度學習等概念的陸續提出，圍繞神經網絡的優化算法也在不斷更新升級，較好地解決了諸如梯度消失、梯度爆炸及過擬合等問題。但是經典的神經網絡算法通常以純數據驅動為主，網絡訓練結果的好壞與數據息息相關，這對于物理信息豐富的工程領域來說，造成一定程度的資源浪費。更為關鍵的是，神經網絡的黑盒運行機制難以表述成能理解的參數—響應關系。

數字孿生的概念自提出以來就得到學術界的廣泛關注，并逐漸從復雜的航空領域向一般的工業領域拓展應用。模型是數字孿生的重要組成部分，是實現數字孿生功能的重要前提。當前不同研究領域提出了眾多數字孿生模型，但仍沒有一個通用構建準則和理論體系。土木結構通常具有幾何尺寸大、物理信息豐富、海量數據但貧信息等特點，因此直接照搬其他領域的理論模型和構建方法顯然是不合理的。

采用神經網絡模型對結構參數進行識別時，通常是以純數據驅動的方式對神經網絡進行訓練。考慮到土木工程領域經過多年發展積累了眾多物理模型，如靜力學方程、動力學方程等，本發明采用“物理驅動神經網絡”以充分利用工程先驗知識。由于加入了物理約束作為懲罰項，可以引導模型找到真實解，更易于處理海量監測數據，挖掘其中蘊含的結構信息。此外，為了實現對服役結構的實時參數識別，推進土木結構全壽命周期的智能化管養發展，本發明進一步結合數字孿生技術與物理驅動神經網絡，提出了一種針對土木工程結構參數識別的數字孿生建模方法。

發明內容

本發明的目的在于提供一種基于物理驅動神經網絡的結構數字孿生建模與參數識別法，可以更好地監測結構服役時的健康狀況，幫助管理養護人員做出科學決策。

為實現上述目的，本發明的技術方案是：一種基于物理驅動神經網絡的結構數字孿生建模與參數識別法，方法流程包括：

S1、訓練樣本點的確定；

S2、物理驅動神經網絡的設計；

S3、物理驅動神經網絡的訓練；

S4、數字孿生庫更新及結構參數識別。