Physics-Informed Spatio-Temporal Deep Learning Framework for Bridge Wind Field Estimation

doi:10.1016/j.dibe.2026.101040

Physics-Informed Spatio-Temporal Deep Learning Framework for Bridge Wind Field Estimation

2026-09-07

0

OA

AI

DOI：10.1016/j.dibe.2026.101040

原文链接

原文求助

摘要

En 中文

大跨度桥梁的服务环境具有固有复杂性，局部风场表现出显著的时空变异性以及强烈的流固耦合作用。在实际桥梁健康监测中，风传感器的稀疏部署需要从有限观测中估计空间分布的风场。因此，本文提出了一种基于物理信息的深度学习框架，用于在密集虚拟点上估计风序列。通过建立一个名为“基于注意力的时空估计与精化”（Spatio-Temporal estimation with Attention-based Refinement）的融合模型，该框架将卷积编解码网络作为骨干模块，几何增强注意力网络作为精化模块。数值模拟和真实监测数据的验证表明，该框架能够实现准确的风场估计和缺失数据插补。与消融框架相比，基于注意力的精化模块和基于物理信息的约束分别使估计误差降低了68.0%和16.6%。这些结果证明了在传感器稀疏条件下，密集虚拟传感对于桥梁风场估计的有效性。

Keyword:

Wind field estimation

Spatio-temporal deep learning

Physics-informed constraint

Convolutional encoder-decoder networks

Geometry-enriched attention networks

Physics-Informed Spatio-Temporal Deep Learning Framework for Bridge Wind Field Estimation

摘要

期刊

机构

引用论文