Towards efficient structural inverse analysis based on AI-driven differentiable optimization method

doi:10.1016/j.ymssp.2025.112618

2025-05-01

PRE

DOI：10.1016/j.ymssp.2025.112618

原文链接

原文求助

摘要

En 中文

材料疲劳和环境因素引起的结构劣化，对工程结构的安全性和性能构成显著风险。逆向分析在从观测到的结构响应中识别内部状态参数方面发挥着关键作用，能够实现有效的维护和性能评估。然而，主流有限元模型修正（FEMU）方法在应用于大规模或复杂系统时，由于计算成本高和时间需求大而面临严峻挑战。为克服这些局限性，本文提出了一种基于人工智能的可微分优化框架用于结构逆向分析。该框架整合了基于深度学习的代理模型以替代有限元方法计算，显著提高了计算效率，并采用基于梯度的优化来最小化资源需求。与依赖确定性端到端映射的传统人工智能方法不同，所提出的框架将正向计算与逆向分析解耦，能够估计状态参数的概率分布并容纳多个潜在解。在受损钢筋混凝土（RC）框架-剪力墙结构上的验证证明了该框架的有效性。损伤参数估计在单次迭代中达到83.0%的准确率，通过迭代更新提升至88.2%，且空间分布与真实值高度吻合。该框架将全链时间缩短至FEMU方法的十分之一，部署后在数秒内完成逆向分析。其在选择状态参数和结构响应方面的灵活性确保了在不同结构系统和监测策略中的适应性。这些特性扩展了该框架在实时或近实时结构健康监测和预测性维护中的应用，为现代工程挑战提供了一种实用、高效且可扩展的解决方案。

Keyword:

Inverse analysis

Differentiable optimization

AI-based surrogate model

Damage identification

Structural health monitoring