CN117763926B - 一种数字孪生信息驱动的高可信结构变形监测方法 - Google Patents

Abstract

一种数字孪生信息驱动的高可信结构变形监测方法，属于工程结构变形监测领域，步骤如下：建立结构的有限元模型进行采样，获得全场应变和变形样本数据，增加样本数据的多样性；以张量或矩阵形式存储应变和变形场样本数据；基于神经网络训练应变场到变形场样本数据的映射关系；实时获取应变传感器数据，并建立应变场的数字孪生模型；将数字孪生模型预测的全场应变数据信息作为神经网络的输入，预测的全场变形数据作为输出，通过预测结果实现全场变形监测。本发明无需进行位移计布置、变形监测可信度高，可解决传统变形测量方法易受结构振动影响，难以针对工程结构进行随动测量以及传统变形监测方法可信度低、稳定性差等难题。

Description

一种数字孪生信息驱动的高可信结构变形监测方法

技术领域

本发明属于工程结构变形监测领域，涉及一种数字孪生信息驱动的高可信结构变形监测方法。

背景技术

目前，对工程结构进行实时高可信度结构变形监测，对保障结构安全和功能实现具有重大意义。针对在轨卫星而言，高可信度结构变形监测能够确保卫星的安全运行和实现对地目标的高可信度稳定监测。由于在轨卫星运行环境复杂且承载功能装备数量较多，因此难以利用大量传感器实现对在轨卫星整体结构的变形监测。同时传统直接测量方法，比如摄影测量法，需安装高清相机，易受结构振动影响产生模糊；传统的激光测量法也难以针对结构三维复杂曲面进行随动测量。随着应变传感器的轻型化、小型化、智能一体化发展趋势，应变数据的测量日益便捷。因此通过传感器实测应变数据实现对结构变形的间接测量是一种有效的解决途径。

现有的基于传感器间接测量的变形监测技术包括模态叠加法(Modal parameterestimation of a simulated non-linear structure，Foss, 1999)、逆有限元法(Beamshape Sensing Using Inverse Finite Element Method: Theory and ExperimentalValidation, Gherlone, 2011)、KO理论及曲率变形监测法(Application of FiniteElastic Theory to the Deformation of Rubbery Materials, Blatz, 1962)等，其中模态叠加法受模型误差和模态截断误差的影响较大，逆有限元法难以构造复杂结构单元形函数，KO理论和曲率重构法对复杂结构的变形监测可信度低和稳定性差。由于现阶段，基于应变对结构变形进行监测的技术普遍存在着可信度低和稳定性较差的缺陷，因此需要实现一种更为简单有效、便于实施、并且满足可信度和稳定性需求的变形监测方法。此外，应变传感器数据只有离散的测点，仿真数据难以反应结构变形真实状态，因此利用应变场预测变形场仍存在困难。

而数字孪生技术作为连接物理世界和数字世界的纽带，通过建立物理系统的数字模型、实时监测系统状态并驱动模型动态更新，可实现系统行为更准确的描述和预测。为全场高可信度应变获取及利用全场高可信度应变预测全场变形、实现高可信度结构变形监测提供了有效途径。

发明内容

本发明主要解决传统变形监测方法计算可信度低和稳定性差的问题，提出一种数字孪生信息驱动的高可信结构变形监测方法。

本发明采用的技术方案为：

一种数字孪生信息驱动的高可信结构变形监测方法，所述的高可信结构变形监测方法，首先，利用有限元分析获得具有多样性的应变场和变形场样本数据。其次，通过神经网络训练结构应变场到变形场的映射关系。再次，利用应变传感器实测应变数据和仿真分析结果构建数字孪生模型获得高可信孪生应变场。最后，将孪生应变场带入神经网络训练得到的应变场到变形场映射关系，实现结构变形场的高可信度预测。包括以下步骤：

第一步，根据结构真实状况建立有限元模型，进行仿真分析并采样，获得具有多样性的全场应变和变形样本数据。具体的：

步骤1.1，首先，基于结构真实受载荷状况确定应变传感器布置方案，布置方案包含传感器数目、种类、布置的位置和方向。

步骤1.2，其次，构建结构的有限元模型并进行网格划分，获得有限元网格节点数目为M。其中，有限元模型的材料属性、边界条件根据结构真实情况设置。并根据1.1）中应变传感器布置方案，建立局部坐标系。

步骤1.3，通过仿真分析方法获得有限元模型的应变和变形。其中，仿真分析方法包括静力分析、模态分析、热力耦合分析（为本领域已知内容）。通过设置不同的仿真分析方法及载荷施加方式，获得N组有限元分析结果作为样本。对每一组有限元分析得到的样本，提取有限元网格模型全部节点的应变和变形作为结构应变场数据和变形场数据，最终获得应变场样本数据和变形场样本数据/>。对每一组样本数据，其中/>、、/>、/>均为大小为/>的列向量，/>、/>、/>分别对应应变传感器测量的应变方向，/>对应需要监测的变形方向。

第二步，存储应变场样本数据和变形场样本数据，存储数据的方式包括张量形式或矩阵形式。此处以张量存储进行说明，具体的：

步骤2.1，提取第一步建立的有限元网格模型节点位置坐标，并依次对三个方向的坐标的数值按由大到小的顺序进行排序，分别获得长度分别为m、n、l的向量X、Y、Z。

步骤2.2，对应每一组应变场和变形场样本数据，建立四个大小为m*n*l的张量、/>、/>、/>，分别存储应变三个方向应变场/>及变形场/>。对于每一个张量中的元素有关系式：

其中，X_i、Y_j、Z_k分别为向量X、Y、Z中的第i、j、k个元素，i、j、k分别为小于m、n、l的正整数，构成张量中元素的坐标。/>为模型网格节点坐标/>构成的集合，为张量中的第i、j、k个元素值，/>为坐标/>位置处的应变值或变形值。

第三步，基于神经网络训练应变场到变形场的映射关系。采用数据驱动方法，利用应变场样本张量和变形场样本张量/>，训练结构应变场到变形场的映射关系。其中，应变场张量/>包含三个方向的应变场/>。在训练映射关系时，所使用的神经网络包括卷积神经网络、自编码器神经网络、对抗生成神经网络等，具体的：

步骤3.1，将第二步获得的样本数据划分为训练集和验证集，划分方法包括留出法、交叉验证法和自举法。其中训练集用于映射关系的训练、验证集用于神经网络训练效果的评估。

步骤3.2，利用训练集构建神经网络，训练应变场到变形场的映射关系，训练过程中，将应变场样本张量/>作为神经网络的输入，变形场样本张量/>作为神经网络的训练目标。

所述的神经网络的构建包含激活函数、损失函数和优化器的设置。其中激活函数包括Sigmoid函数、ReLU函数，损失函数包括相对均方根误差（R_RMSE）、均方误差（MSE）、均方根误差（RMSE），优化器包括自适应矩估计（Adam）、随机梯度下降（SGD）算法。

步骤3.3，利用验证集对训练效果进行评估，并根据评估结果调整神经网络的超参数包括学习率、隐层数目等，以获得效果最好的训练结果，最终获得应变场到变形场的最优映射关系。其中神经网络超参数的调整方法包括人工经验、随机、贝叶斯超参数优化，训练效果的评估方法包括但不限于决定系数（R²）和相对均方根误差（R_RMSE），其具体公式如下：

其中，为验证集的数据量，/>表示神经网络训练的目标值，/>表示神经网络的预测值，/>表示神经网络训练的目标值的平均值。R²越接近于1表示变形训练效果越好，R_RMSE越接近于0表示训练效果越好。

第四步，实时获取结构处于实际加载环境中，预先布置的应变传感器采集的应变数据，构建数字孪生模型，获得结构的高可信孪生应变场。具体的：

步骤4.1，依据结构工作环境中所受载荷状况，进行试验加载，并实时获取应变传感器数据。

步骤4.2，根据结构实际所受加载状况，设置仿真分析方法和载荷，其余条件的设置与第一步保持一致，得到与结构在真实工作环境中所受载荷一致的仿真分析结果。提取有限元网格模型全部节点的应变作为应变场，并利用第二步提取的有限元网格模型节点位置坐标/>，训练有限元网格模型节点位置坐标/>到应变场的映射关系/>，其中映射关系的训练包括径向基函数代理模型、高斯过程回归、深度神经网络。

步骤4.3，确定应变传感器位置在有限元网格模型节点位置坐标中的坐标/>，读取实时获取的应变传感器测量的应变数据/>。将/>和带入构建的有限元网格模型节点位置坐标到应变的映射关系/>，并对映射关系/>进行修调，构建得到数字孪生模型/>。其中对映射关系/>进行修调并构建数字孪生模型的方法包括加法标度函数、协同克里金、迁移学习等。该数字孪生模型的输入为模型节点坐标/>、输出为孪生应变场/>，同样以张量形式存储孪生应变场/>，最终获得结构的高可信孪生应变场张量/>。

第五步，结合数字孪生模型输出的孪生应变场和神经网络训练得到的应变场到变形场映射关系，获得结构变形场的预测结果。具体的：

将第四步获得的孪生应变场张量作为第三步神经网络训练得到的映射关系/>的输入，得到变形场预测结果/>，实现结构变形场监测。

第六步，为验证变形场预测可信度，在试验中选取变形测点确定其坐标并布设位移计，位移计布设方向为需要监测的变形方向，与第一步中提取的应变场方向保持一致。将位移计测量的变形值与第四步输出的变形场中对应坐标/>的变形预测值进行对比，对变形预测可信度进行评估。可信度评估方法包括但不限于决定系数（R2）和相对均方根误差（RRMSE）。

本发明的有益效果为：

（1）本发明针对传统变形反演方法变形监测可信度低、稳定性差的问题，利用仿真分析获得具有多样性的应变场和变形场样本，基于神经网络训练得到应变场到变形场的映射关系。并基于真实加载状态下应变传感器采集的应变和仿真分析结果，构建结构的数字孪生模型并获得高可信孪生应变场。将孪生应变场输入应变场到变形场的映射关系，从而获得高可信的预测变形场。

（2）本发明对结构变形预测可信度高，适用于难以使用位移计等传统变形监测手段进行变形监测的场景。

（3）本发明的创新点为：1）通过张量或矩阵等形式存储节点应变和变形数据能够较好的保留其空间位置信息，便于神经网络模型的训练；2）基于数据驱动思想，利用样本数据并通过神经网络训练获得了结构应变场到变形场映射关系，解决了复杂结构难以解析推导其几何方程的难题；3）通过数字孪生构建了结构的高可信孪生应变场，能够实现结构应变场的实时高可信度输出，并为结构变形场预测提供更精确的应变场信息输入。

附图说明

图1为一种数字孪生信息驱动的高可信结构变形监测方法的实现流程图。

图2为内压舱体的有限元模型示意图；图2（a）为模型整体示意图；图2（b）为模型的正视图；图2（c）为模型的俯视图。

图3为神经网络构建的结构应变场到变形场映射关系示意图。

图4为内压舱体真实变形场和通过不同方法预测的变形场示意图；图4（a）为真实变形场示意图，图4（b）为模态叠加法预测的变形场示意图，图4（c）为逆有限元法预测的变形场示意图，图4（d）为本方法预测的变形场示意图。

图5为本方法与模态叠加法和逆有限元法对变形预测的可信度对比图。

具体实施方式

为使本发明解决的方法问题、采用的方法方案和达到的方法效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1为本发明实施例提供的一种数字孪生信息驱动的高可信结构变形监测方法的实现流程图。如图1所示，本发明实施例提供的一种数字孪生信息驱动的高可信结构变形监测方法，具体包括以下步骤：

第一步，建立结构的有限元模型，进行有限元分析并采样，获得具有多样性的全场应变和变形样本数据。具体的：

步骤1.1，根据结构的真实受载状况制定应变传感器布置方案，在结构外表面布置应变传感器，应变传感器数目为50个，类型为三向应变花，其中应变花内敏感栅夹角为，确定每个应变传感器的方向并记录其位置。

步骤1.2，建立内压舱体的有限元模型，如图2（a）、（b）、（c）所示。模型通过壳体建立，其中模型尺寸a1=1900 mm，为模型的整体高度；a2=100 mm、a3=700 mm、a4=450 mm，分别为模型上下柱壳段的高度、模型中段圆柱壳的高度、模型斜锥壳部分的高度；a5=2000 mm，为模型的整体直径长度；a6=500 mm、a7=350 mm，分别为模型斜锥壳和底部平面宽度。设置模型的材料为高温钛合金，弹性模量E=114 GPa，泊松比v=0.31。通过四边形壳体单元对有限元模型进行划分，共计165325个网格节点。设定边界条件为底端固支，即固定所有方向的自由度。根据1.1）传感器布置方向，建立局部柱坐标系，坐标系原点选择在模型的几何中心，柱坐标系轴向为模型的竖直方向、径向为圆柱壳平面内沿半径方向、周向为与径向垂直的方向。

步骤1.3，采用模态分析方法进行仿真分析，并设置频率分析步计算内压舱体模型前20阶模态，得到每一阶模态对应的模型应变和变形结果。提取每一阶模态对应的沿局部坐标系轴向和周向的应变和/>、轴向与周向平面内的切应变/>以及模型整体变形/>。其中，对每一阶模态下的应变/>和变形/>，均为165325*1的列向量。最终获得应变场样本数据/>和变形场样本数据/>。

第二步，采用张量形式存储第一步获得的应变及变形样本数据，具体的：

步骤2.1，从局部坐标系提取模型网格节点位置坐标构建集合/>，并依次对径向坐标x、周向坐标y、轴向坐标z进行由大到小排序，最终得到大小分别为60、60、57的向量X、Y、Z。

步骤2.2，穷举三个向量中元素的组合，依据判别关系式，即判断每一个组合构成的坐标是否属于集合，如果是则将应变场/>和变形场/>在该坐标位置对应的应变和变形分别存储到四个张量对应的元素中，如果不是则存储0元素，最终获得20组每组4个分别存储应变场/>和变形场/>的60*60*57的张量。

第三步，基于第二步获得的20组应变场和变形场张量数据样本建立卷积神经网络训练应变场到变形场的映射关系。如图3所示，在构建神经网络进行映射关系的训练时，对于每一组样本，将应变场张量同时作为输入、变形场张量/>作为训练目标。具体的：

步骤3.1，将每组数据样本按8：2的方式随机划分为训练集和验证集，其中训练集用于映射关系的训练、验证集用于神经网络训练效果的评估。

步骤3.2，通过训练集构建卷积神经网络训练映射关系，卷积神经网络的激活函数选择ReLU函数,优化器选择Adam优化器，并定义损失函数为多输出回归的RMSE，获得初步的训练结果。

步骤3.3，通过验证集和决定系数（R2）对训练的效果进行评估，并依据评估结果采用贝叶斯优化方法对卷积神经网络的学习率和隐层数目等超参数进行优化，最终获得结构三个方向应变场到变形场的最优映射关系。

第四步，基于结构实际所受载荷状况进行试验加载和仿真分析的设置，具体的：

步骤4.1，根据结构在实际工作环境所受载荷状况进行内压静力试验加载设置，并实时获得每一个应变传感器数据。

步骤4.2，修改第一步有限元分析过程，对模型施加0.12 MPa的内压载荷，其余条件与第一步保持一致，设置分析步为静力分析步计算内压舱体模型静力作用下的应变和变形。提取有限元网格模型全部节点的应变作为结构应变场，并利用第二步提取的有限元网格模型节点位置坐标/>，利用径向基函数代理模型构建有限元网格模型节点位置坐标/>到应变场/>的映射关系/>。

步骤4.3，根据应变传感器位置确定其在有限元网格模型节点位置坐标中的坐标/>，并实时读取应变传感器测量的应变数据/>。将/>和结合带入的映射关系/>，利用迁移学习方法构建数字孪生模型获得孪生应变场并进行张量形式存储，得到高可信的孪生应变场张量/>。

第五步，将第四步获得的孪生应变场张量输入到第三步通过卷积神经网络训练完成的应变场到变形场的映射关系/>，得到高可信的结构变形场预测结果，并与真实变形场和使用传统模态叠加法、传统逆有限元法得到的结构变形场预测结果的对比如图4所示，其中，颜色的深度表示变形值的大小，颜色越深表示变形越小，颜色越浅表示变形越大，变形值的单位为毫米。从图4中可以看出，本方法对结构变形的预测结果与真实结果最为接近，变形预测精度显著高于传统模态叠加法和传统逆有限元法。

第六步，在试验中选取变形测点确定其坐标并布设位移计，位移计数量为20个。位移计布设方向为需要监测的变形方向，并与第一步提取的变形方向保持一致。通过变形测点实测变形值和第四步输出的变形场中对应坐标/>的变形预测值进行对比，通过决定系数（R2）和相对均方根误差（RRMSE）对结构变形场预测可信度进行评估，R2越接近于1表示变形预测结果可信度越高，RRMSE越接近于0表示变形预测结果可信度越高。

利用位移计测量20个测点的变形数据，通过R2和RRMSE对变形场预测的可信度进行评估，计算得到R2为0.9658，RRMSE为0.1865。如图5所示，将本方法得到的全场变形预测结果的可信度，与基于传统模态叠加法和传统逆有限元法得到的变形预测结果的可信度进行对比，本方法的预测可信度分别提高18.1%和10.4%。

表1变形预测可信度对比

最后应说明的是：以上各实施例仅用以说明本发明的方法方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通方法人员应当理解：其对前述各实施例所记载的方法方案进行修改，或者对其中部分或者全部方法特征进行等同替换，并不使相应方法方案的本质脱离本发明各实施例方法方案的范围。

Claims (7)

1.一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的高可信结构变形监测方法，首先，利用有限元分析获得具有多样性的应变场和变形场样本数据；其次，通过神经网络训练结构应变场到变形场的映射关系；再次，利用应变传感器实测应变数据和仿真分析结果构建数字孪生模型获得高可信孪生应变场；最后，将孪生应变场带入神经网络训练得到的应变场到变形场映射关系，实现结构变形场的高可信度预测；具体包括以下步骤：

第一步，根据结构真实状况建立有限元模型，进行仿真分析并采样，获得具有多样性的全场应变和变形样本数据；具体的：

步骤1.1，基于结构真实受载荷状况确定应变传感器布置方案，布置方案包含传感器数目、种类、布置的位置和方向；

步骤1.2，构建结构的有限元模型并进行网格划分，获得有限元网格节点数目为M；其中，有限元模型的材料属性、边界条件根据结构真实情况设置；并根据1.1)中应变传感器布置方案，建立局部坐标系；

步骤1.3，通过仿真分析方法获得有限元模型的应变和变形，通过设置不同的仿真分析方法及载荷施加方式，获得N组有限元分析结果作为样本；对每一组有限元分析得到的样本，提取有限元网格模型全部节点的应变和变形作为结构应变场数据和变形场数据，最终获得应变场样本数据{ε_x，ε_y，ε_xy}_N和变形场样本数据{w}_N；对每一组样本数据，其中ε_x、ε_y、ε_xy、w均为大小为M*1的列向量，ε_x，ε_y，ε_xy分别对应应变传感器测量的应变方向，w对应需要监测的变形方向；

第二步，存储应变场样本数据和变形场样本数据，存储数据的方式包括张量形式或矩阵形式；此处以张量存储进行说明，具体的：

步骤2.1，提取第一步建立的有限元网格模型节点位置坐标{x，y，z}，并依次对三个方向的坐标的数值按由大到小的顺序进行排序，分别获得长度分别为m、n、l的向量X、Y、Z；

步骤2.2，对应每一组应变场和变形场样本数据，建立四个大小为m*n*l的张量Φ_x、Φ_y、Φ_xy、ψ，分别存储应变三个方向应变场ε_x、ε_y、ε_xy及变形场w；对于每一个张量中的元素有关系式：

if(X_i，Y_j，Z_k)∈Ω

e_i，j，k＝E(X_i，Y_j，Z_k)

else

e_i，j，k＝0

其中，X_i、Y_j、Z_k分别为向量X、Y、Z中的第i、j、k个元素，i、j、k分别为小于m、n、l的正整数，(X_i，Y_j，Z_k)构成张量中元素的坐标；Ω为模型网格节点坐标{x，y，z}构成的集合，e_i，j，k为张量中的第i、j、k个元素值，E(X_i，Y_j，Z_k)为坐标(X_i，Y_j，Z_k)位置处的应变值或变形值；

第三步，基于神经网络训练应变场到变形场的映射关系；采用数据驱动方法，利用应变场样本张量{Φ}_N和变形场样本张量{ψ}_N，训练结构应变场到变形场的映射关系其中，应变场张量Φ包含三个方向的应变场{Φ_x，Φ_v，Φ_xy}；具体的：

步骤3.1，将第二步获得的样本数据划分为训练集和验证集，其中训练集用于映射关系的训练、验证集用于神经网络训练效果的评估；

步骤3.2，利用训练集构建神经网络，训练应变场到变形场的映射关系f，训练过程中，将应变场样本张量{Φ}_N作为神经网络的输入，变形场样本张量{ψ}_N作为神经网络的训练目标；

步骤3.3，利用验证集对训练效果进行评估，并根据评估结果调整神经网络的超参数，获得训练结果，最终获得应变场到变形场的最优映射关系f；

第四步，实时获取结构处于实际加载环境中，预先布置的应变传感器采集的应变数据，构建数字孪生模型，获得结构的高可信孪生应变场；具体的：

步骤4.1，依据结构工作环境中所受载荷状况，进行试验加载，并实时获取应变传感器数据；

步骤4.2，根据结构实际所受加载状况，设置仿真分析方法和载荷，其余条件的设置与第一步保持一致，得到与结构在真实工作环境中所受载荷一致的仿真分析结果；提取有限元网格模型全部节点的应变作为应变场{ε′_x，ε′_y，ε′_xy}，并利用第二步提取的有限元网格模型节点位置坐标{x，y，z}，训练有限元网格模型节点位置坐标{x，y，z}到应变场{ε′_x，ε′_y，ε′_xy}的映射关系其中映射关系的训练包括径向基函数代理模型、高斯过程回归、深度神经网络；

步骤4.3，确定应变传感器位置在有限元网格模型节点位置坐标{x，y，z}中的坐标读取实时获取的应变传感器测量的应变数据/>将/>和带入构建的有限元网格模型节点位置坐标到应变的映射关系ξ，并对映射关系ξ进行修调，构建得到数字孪生模型/>该数字孪生模型的输入为模型节点坐标{x，y，z}、输出为孪生应变场/>同样以张量形式存储孪生应变场最终获得结构的高可信孪生应变场张量Φ′＝{Φ′_x，Φ′_y，Φ′_xy}；

第五步，结合数字孪生模型输出的孪生应变场和神经网络训练得到的应变场到变形场映射关系f，获得结构变形场的预测结果；具体的：

将第四步获得的孪生应变场张量Φ′作为第三步神经网络训练得到的映射关系f的输入，得到变形场预测结果ψ′，实现结构变形场监测；

第六步，为验证变形场预测可信度，在试验中选取变形测点确定其坐标并布设位移计，位移计布设方向为需要监测的变形方向，与第一步中提取的应变场方向保持一致；将位移计测量的变形值与第四步输出的变形场中对应坐标/>的变形预测值进行对比，对变形预测可信度进行评估。

2.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的步骤1.3中，仿真分析方法包括静力分析、模态分析、热力耦合分析。

3.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的步骤3.1中，划分样本数据的方法包括留出法、交叉验证法和自举法。

4.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的步骤3.2中，神经网络的构建包含激活函数、损失函数和优化器的设置；其中激活函数包括Sigmoid函数、ReLU函数，损失函数包括相对均方根误差R_RMSE、均方误差MSE、均方根误差RMSE，优化器包括自适应矩估计算法Adam、随机梯度下降算法SGD。

5.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的步骤3.3中，神经网络超参数的调整方法包括人工经验、随机、贝叶斯超参数优化，训练效果的评估方法包括决定系数R²和相对均方根误差R_RMSE，其具体公式如下：

其中，K为验证集的数据量，m_i表示神经网络训练的目标值，表示神经网络的预测值，表示神经网络训练的目标值的平均值R²越接近于1表示变形训练效果越好，R_RMSE越接近于0表示训练效果越好。

6.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的步骤4.3中，对映射关系ξ进行修调并构建数字孪生模型的方法包括加法标度函数、协同克里金、迁移学习。

7.根据权利要求1所述的一种数字孪生信息驱动的高可信结构变形监测方法，其特征在于，所述的第六步中，可信度评估方法包括决定系数R²和相对均方根误差R_RMSE。