.png){kind=icon}
返回
Joint load-parameter-response identification using a physics-encoded neural network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2025.112597.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
输入参数输出的联合识别对于评估土木基础设施的安全状况至关重要。现有的基于物理的方法需要加载位置以及过程噪声和观测噪声的协方差是已知的。相比之下，纯数据驱动方法在泛化能力和可解释性方面存在局限。为解决这些问题，提出了一种物理-数据驱动方法用于联合荷载-参数-响应识别。该方法包含一个数据驱动模块和两个基于物理的模块。前者是一个用于荷载识别的卷积残差自编码器（RAE）。在物理模块中，采用有限元方法进行模型更新，并将Newmark-beta算法嵌入以求解结构动力学。它们被编码到深度学习架构中，以实现正向响应计算和反向系统识别。随后，将预测响应与测量响应之间的差异表述为损失函数，通过最小化该函数来训练RAE，并同时识别结构参数。在此过程中，结构属性和荷载时程仅通过输出数据以新颖的自监督方式学习。该方法最终应用于一个数值双跨梁和一个实验室测试的悬臂梁。结果表明，所提出的方法能够准确识别结构荷载、参数、损伤和响应。讨论了观测噪声、传感器布置和荷载条件对识别结果的影响。
Keyword:
Physics-informed deep learning
Finite element model updating
Load identification
Response reconstruction
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
.png){kind=icon}
Dynamic response reconstruction for structural health monitoring using densely connected convolutional networks基于密集连接卷积网络的结构健康监测动态响应重构
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Hierarchical Bayesian model updating of a long-span arch bridge considering temperature and traffic loads考虑温度和交通荷载的大跨度拱桥分层贝叶斯模型修正
PREAI
分享收藏Hybrid monitoring methodology: A model-data integrated digital twin framework for structural health monitoring and full-field virtual sensing混合监测方法: 用于结构健康监测和全场虚拟传感的模型-数据集成数字孪生框架
PREAI
分享收藏
查看更多内容