CN113378939B - 基于物理驱动神经网络的结构数字孪生建模与参数识别法 - Google Patents

基于物理驱动神经网络的结构数字孪生建模与参数识别法 Download PDF

Info

Publication number
CN113378939B
CN113378939B CN202110658035.4A CN202110658035A CN113378939B CN 113378939 B CN113378939 B CN 113378939B CN 202110658035 A CN202110658035 A CN 202110658035A CN 113378939 B CN113378939 B CN 113378939B
Authority
CN
China
Prior art keywords
neural network
digital twin
physical
parameter
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110658035.4A
Other languages
English (en)
Other versions
CN113378939A (zh
Inventor
方圣恩
郭新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110658035.4A priority Critical patent/CN113378939B/zh
Publication of CN113378939A publication Critical patent/CN113378939A/zh
Application granted granted Critical
Publication of CN113378939B publication Critical patent/CN113378939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于物理驱动神经网络的结构数字孪生建模与参数识别法。选择待识别参数及其响应，并根据实际情况初步拟定待识别参数的取值区间；基于均匀实验设计在区间内选出参数样本点并结合有限元计算生成训练样本集；选择与训练样本相对应的物理约束方程并编码到神经网络的损失函数表达式中，训练神经网络至精度合格并将其作为数字孪生模型放入数字孪生模型与数据库；对结构参数进行识别并对初拟的参数区间进行更新，形成新的数字孪生模型；将所有生成的数字孪生模型及识别的参数都放入数字孪生模型与数据库，管养人员根据结构历史及当前信息做出相关加固或养护措施。本发明可更好地监测结构服役时健康状况，帮助管养人员做出科学决策。

Description

基于物理驱动神经网络的结构数字孪生建模与参数识别法
技术领域
本发明涉及一种基于物理驱动神经网络的结构数字孪生建模与参数识别法。
背景技术
参数识别作为结构健康监测、损伤诊断等问题的前提和基础，一直是土木工程领域的热点问题。当前大多数方法都是基于特定试验或者短期现场监测来进行，并假设试验环境与结构实际运营环境相似。而实际工程结构所处的环境无时无刻不在发生变化，这种时效性使得采用传统方法进行的参数识别在通用性和可靠性上存在一定局限。数字孪生可以实现物理空间和虚拟空间的信息交互，能够在虚拟空间提前预演和实时模拟物理实体的各种行为表现。理想情况下，数字孪生可以实时地校准虚拟系统并对未来的状况进行仿真模拟，给土木工程结构的实时参数识别及更新提供了新途径。
结构参数识别问题较早的应用领域是动力学有限元模型修正，它是以结构试验为基础，通过比较结构实测响应与有限元模型的计算响应，利用优化算法不断调整有限元模型参数，使得计算响应与实测响应尽可能接近。传统基于灵敏度的方法通常需要建立参数的灵敏度矩阵，导致迭代优化过程计算量大，且容易出现病态矩阵。针对这一系列问题，有学者提出了采用代理模型的方法，常用的代理模型有响应面法、Kriging模型、神经网络等，其中将神经网络用于复杂反问题的求解策略通常被证明是更有效的，且神经网络模型具有强大的参数—响应间非线性映射能力。近年来随着机器学习、深度学习等概念的陆续提出，围绕神经网络的优化算法也在不断更新升级，较好地解决了诸如梯度消失、梯度爆炸及过拟合等问题。但是经典的神经网络算法通常以纯数据驱动为主，网络训练结果的好坏与数据息息相关，这对于物理信息丰富的工程领域来说，造成一定程度的资源浪费。更为关键的是，神经网络的黑盒运行机制难以表述成能理解的参数—响应关系。
数字孪生的概念自提出以来就得到学术界的广泛关注，并逐渐从复杂的航空领域向一般的工业领域拓展应用。模型是数字孪生的重要组成部分，是实现数字孪生功能的重要前提。当前不同研究领域提出了众多数字孪生模型，但仍没有一个通用构建准则和理论体系。土木结构通常具有几何尺寸大、物理信息丰富、海量数据但贫信息等特点，因此直接照搬其他领域的理论模型和构建方法显然是不合理的。
采用神经网络模型对结构参数进行识别时，通常是以纯数据驱动的方式对神经网络进行训练。考虑到土木工程领域经过多年发展积累了众多物理模型，如静力学方程、动力学方程等，本发明采用“物理驱动神经网络”以充分利用工程先验知识。由于加入了物理约束作为惩罚项，可以引导模型找到真实解，更易于处理海量监测数据，挖掘其中蕴含的结构信息。此外，为了实现对服役结构的实时参数识别，推进土木结构全寿命周期的智能化管养发展，本发明进一步结合数字孪生技术与物理驱动神经网络，提出了一种针对土木工程结构参数识别的数字孪生建模方法。
发明内容
本发明的目的在于提供一种基于物理驱动神经网络的结构数字孪生建模与参数识别法，可以更好地监测结构服役时的健康状况，帮助管理养护人员做出科学决策。
为实现上述目的，本发明的技术方案是：一种基于物理驱动神经网络的结构数字孪生建模与参数识别法，方法流程包括：
S1、训练样本点的确定；
S2、物理驱动神经网络的设计；
S3、物理驱动神经网络的训练；
S4、数字孪生库更新及结构参数识别。
在本发明一实施例中，步骤S1的具体实现方式为：首先选择待识别的结构参数及其响应，根据结构的实际情况初拟参数的取值范围；而后基于均匀实验设计在区间内选出参数样本点并结合有限元计算生成训练样本集。
在本发明一实施例中，步骤S2的具体实现方式如下：
假设x表示系统的待识别参数，亦作为神经网络的输入，y表示与待识别参数相关的响应，亦作为神经网络的输出；若x和y之间存在着先验物理定律，则二者间的物理关系可表示为：
f(x,y)＝0
为将这种物理关系体现在神经网络的训练过程中，采用基于物理驱动的神经网络，其损失函数不仅包含数据驱动项，还加入了考虑物理约束的物理驱动项，表达式定义如下：
Figure BDA0003112262010000021
式中y*为输出样本的真实值，Nu为训练样本点的个数，Nf代表训练配点的个数，下标i为训练样本集中的第i组向量，
Figure BDA0003112262010000022
代表数据驱动项，而
Figure BDA0003112262010000023
则代表物理驱动项，即最小化损失函数的过程意味着训练样本不仅要接近其真实值，还要尽可能满足物理方程的约束条件。
在本发明一实施例中，步骤S3的具体实现方式为：在步骤S2确定物理驱动神经网络的损失函数表达形式后，采用基于反向传播的优化算法最小化损失函数以获得物理驱动神经网络的内部参数，即权重和偏置；将步骤S1中的训练样本以预定比例划分训练集与测试集，当损失函数在测试集上的误差达到预设阈值或训练次数达到预先规定值时，终止训练并保存当前神经网络模型。
在本发明一实施例中，步骤S4的具体实现方式为：将步骤S3训练好的物理驱动神经网络作为数字孪生模型放置于数字孪生模型与数据库中等待被重用；结构上布设的传感器系统将采集到的信息输入数字孪生模型以完成对结构参数的识别，而新的参数可重新指导步骤S1中参数范围的选定，从而基于步骤S2-S3再生成新的数字孪生模型；所有生成的孪生模型及识别获得的结构参数都会放入到数字孪生模型与数据库中，作为后续养护或加固措施的实施依据。
在本发明一实施例中，整个数字孪生模型与数据库的更新过程是一个动态循环的过程，数字孪生模型与数据库会根据监测数据实时更新。
相较于现有技术，本发明具有以下有益效果：本发明方法(1)通过引入物理驱动规则，可以充分利用工程结构中的物理定律，能在少量数据下训练出满足物理约束条件的神经网络模型；(2)物理约束的加入使神经网络具备更好的鲁棒性，更容易辨识出监测数据中的异常数据。(3)引入数字孪生技术对工程结构进行实时监测与参数识别，可以更好地监测结构服役时的健康状况，帮助管理养护人员做出科学决策。
附图说明
图1为本发明基于物理驱动神经网络的结构数字孪生建模及参数识别流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提出了一种基于物理驱动神经网络的结构数字孪生建模与参数识别法，包括：
S1、训练样本点的确定；
S2、物理驱动神经网络的设计；
S3、物理驱动神经网络的训练；
S4、数字孪生库更新及结构参数识别。
以下为本发明的具体实现过程。
本发明采用的技术方案主要包括训练样本点的确定、物理驱动神经网络的设计、神经网络的训练以及数字孪生库更新及结构参数识别。技术流程见图1，具体步骤阐述如下：
步骤1、确定训练样本点
首先选择待识别的结构参数及响应，根据结构的实际情况初拟参数的取值范围。由于工程中待识别的参数通常不止一个，所以确定神经网络训练样本集的过程可以看作是一个多因素、多水平的实验设计过程。采用均匀实验设计挑选样本点，在保证实验点具备多样性的同时大幅减少了试验次数，可以较好地避免神经网络陷入局部寻优等问题。
步骤2、物理驱动神经网络设计
图1中真实系统是由结构实体及传感设备构成，与结构实体相关的设计规范、标准图集及物理定律等知识均存放于规则模型中，而传感设备用于收集和传输信号。假设x表示系统的待识别参数，亦作为神经网络的输入，y表示与待识别参数相关的响应，亦作为神经网络的输出。若x和y之间存在着某种先验物理定律，则二者间的物理关系可表示为：
f(x,y)＝0
为将这种物理关系体现在神经网络的训练过程中，本发明采用基于物理驱动的神经网络，其损失函数不仅包含了数据驱动项，还加入了考虑物理约束的物理驱动项，表达式定义如下：
Figure BDA0003112262010000041
式中y*为输出样本的真实值，Nu为训练样本点的个数，Nf为训练配点的个数，下标i为训练样本集中的第i组向量，
Figure BDA0003112262010000042
代表数据驱动项，而
Figure BDA0003112262010000043
则代表物理驱动项，即最小化损失函数的过程意味着训练样本不仅要接近其真实值，还要尽可能满足物理方程的约束条件。
步骤3、物理驱动神经网络训练
确定损失函数的表达形式后，采用基于反向传播的优化算法最小化损失函数以获得神经网络的内部参数，即权重和偏置。将步骤1中的样本以一定比例划分训练集与测试集，当损失函数在测试集上的误差达到预设阈值或训练次数达到预先规定值时，终止训练并保存当前神经网络模型。
步骤4、数字孪生库更新及结构参数识别
训练好的物理驱动神经网络可作为数字孪生模型放置于数字孪生模型与数据库中等待被重用。结构上布设的传感器系统将采集到的信息输入数字孪生模型以完成对结构参数的识别，而新的参数可以重新指导步骤1中参数范围的选定，从而后续再生成新的数字孪生模型。所有生成的孪生模型及识别获得的结构参数都会放入到数字孪生模型与数据库中，作为后续养护或加固措施的实施依据。整个更新过程是一个动态循环的过程，数字孪生模型与数据库也会根据监测数据实时更新。
本发明的使用过程如下：首先，选择待识别参数及其响应，并根据实际情况初步拟定待识别参数的取值区间；其次，基于均匀实验设计在区间内选出参数样本点并结合有限元计算生成训练样本集；再次，选择与训练样本相对应的物理约束方程并编码到神经网络的损失函数表达式中，训练神经网络至精度合格并将其作为数字孪生模型放入数字孪生模型与数据库；然后，基于数字孪生模型和监测数据对结构参数进行识别并对初拟的参数区间进行更新，形成新的数字孪生模型；最后，将所有生成的数字孪生模型及识别的参数都放入数字孪生模型与数据库，管养人员根据结构历史及当前信息做出相关加固或养护措施。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于物理驱动神经网络的结构数字孪生建模与参数识别法，其特征在于，包括：
S1、训练样本点的确定；
S2、物理驱动神经网络的设计；
S3、物理驱动神经网络的训练；
S4、数字孪生库更新及结构参数识别；
步骤S2的具体实现方式如下：
假设x表示系统的待识别参数，亦作为神经网络的输入，y表示与待识别参数相关的响应，亦作为神经网络的输出；若x和y之间存在着先验物理定律，则二者间的物理关系可表示为：
f(x,y)＝0
为将这种物理关系体现在神经网络的训练过程中，采用基于物理驱动的神经网络，其损失函数不仅包含数据驱动项，还加入了考虑物理约束的物理驱动项，表达式定义如下：
Figure FDA0003665633680000011
式中y*为输出样本的真实值，Nu为训练样本点的个数，Nf为训练配点的个数，下标i为训练样本集中的第i组向量，
Figure FDA0003665633680000012
代表数据驱动项，而
Figure FDA0003665633680000013
则代表物理驱动项，即最小化损失函数的过程意味着训练样本不仅要接近其真实值，还要尽可能满足物理方程的约束条件。
2.根据权利要求1所述的基于物理驱动神经网络的结构数字孪生建模与参数识别法，其特征在于，步骤S1的具体实现方式为：首先选择待识别的结构参数及其响应，根据结构的实际情况初拟参数的取值范围；而后基于均匀实验设计在区间内选出参数样本点并结合有限元计算生成训练样本集。
3.根据权利要求1所述的基于物理驱动神经网络的结构数字孪生建模与参数识别法，其特征在于，步骤S3的具体实现方式为：在步骤S2确定物理驱动神经网络的损失函数表达形式后，采用基于反向传播的优化算法最小化损失函数以获得物理驱动神经网络的内部参数，即权重和偏置；将步骤S1中的训练样本以预定比例划分训练集与测试集，当损失函数在测试集上的损失达到预设阈值或训练次数达到预先规定值时，终止训练并保存当前神经网络模型。
4.根据权利要求3所述的基于物理驱动神经网络的结构数字孪生建模与参数识别法，其特征在于，步骤S4的具体实现方式为：将步骤S3训练好的物理驱动神经网络作为数字孪生模型放置于数字孪生模型与数据库中等待被重用；结构上布设的传感器系统将采集到的信息输入数字孪生模型以完成对结构参数的识别，而新的参数可重新指导步骤S1中参数范围的选定，从而基于步骤S2-S3再生成新的数字孪生模型；所有生成的孪生模型及识别获得的结构参数都会放入到数字孪生模型与数据库中，作为后续养护或加固措施的实施依据。
5.根据权利要求4所述的基于物理驱动神经网络的结构数字孪生建模与参数识别法，其特征在于，整个数字孪生模型与数据库的更新过程是一个动态循环的过程，数字孪生模型与数据库会根据监测数据实时更新。
CN202110658035.4A 2021-06-11 2021-06-11 基于物理驱动神经网络的结构数字孪生建模与参数识别法 Active CN113378939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110658035.4A CN113378939B (zh) 2021-06-11 2021-06-11 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110658035.4A CN113378939B (zh) 2021-06-11 2021-06-11 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Publications (2)

Publication Number Publication Date
CN113378939A CN113378939A (zh) 2021-09-10
CN113378939B true CN113378939B (zh) 2022-08-09

Family

ID=77574285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110658035.4A Active CN113378939B (zh) 2021-06-11 2021-06-11 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Country Status (1)

Country Link
CN (1) CN113378939B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743595B (zh) * 2021-10-09 2023-08-15 福州大学 基于物理驱动自编码器神经网络的结构参数识别方法
CN113886992B (zh) * 2021-10-21 2024-05-07 大连理工大学 一种基于多保真度数据的数字孪生建模方法
CN114386598B (zh) * 2022-01-04 2024-04-02 合肥工业大学 一种复合绝缘子实时状态检测方法
CN115201615B (zh) * 2022-09-15 2022-12-20 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法
CN111368920A (zh) * 2020-03-05 2020-07-03 中南大学 基于量子孪生神经网络的二分类方法及其人脸识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201709672D0 (en) * 2017-06-16 2017-08-02 Ucl Business Plc A system and computer-implemented method for segmenting an image
US11580317B2 (en) * 2019-03-16 2023-02-14 Nec Corporation Tracking RFID groups with spatio-temporal proximity
CN112684379A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器故障诊断系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法
CN111368920A (zh) * 2020-03-05 2020-07-03 中南大学 基于量子孪生神经网络的二分类方法及其人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"数字孪生五维模型及十大领域应用";陶飞 等;《计算机集成制造系统》;20190131;正文第2章、图1 *

Also Published As

Publication number Publication date
CN113378939A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113378939B (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN109407654B (zh) 一种基于稀疏深度神经网络的工业数据非线性因果分析方法
CN110442666B (zh) 一种基于神经网络模型的矿产资源预测方法及系统
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN101799888B (zh) 基于仿生智能蚁群算法的工业软测量方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN109472088A (zh) 一种页岩气调产井生产压力动态预测方法
Faramarzi et al. EPR-based material modelling of soils considering volume changes
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN105335619A (zh) 适用于高计算代价数值计算模型参数反分析的协同优化法
CN112381320A (zh) 一种社区人员流量预测方法、系统、存储介质及设备
CN112307536B (zh) 一种大坝渗流参数反演方法
CN112734002A (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN108615360B (zh) 基于神经网络的交通需求逐日演变预测方法
CN115588161A (zh) 一种基于数字孪生技术的数字化系统及其构建方法
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN114329805A (zh) 基于自适应代理模型的连接件多学科协同设计优化方法
CN114692507A (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN113988311A (zh) 质量变量的预测方法、装置、终端及存储介质
CN113095466A (zh) 基于元学习模型的可满足性模理论求解器的算法
CN116911216B (zh) 一种储层油井产能因素评估与预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant