基于有限元—运营模态分析—机器学习框架的海上导管架支撑结构损伤诊断

《Scientific Reports》：On the use of machine learning in damage identification of offshore jacket wind turbine: a virtual case study

　　

摘要

本研究提出了一种基于高保真仿真的有限元—运营模态分析—机器学习（FE–OMA–ML）框架，用于导管架式海上风力发电支撑结构的损伤诊断。利用增强频域分解法（EFDD）处理有限元模拟的加速度响应，以识别模态频率和阻尼比，并将其作为机器学习的输入特征。构建了涵盖13种结构状态和多种传感器配置的渐进式刚度退化数据集，以表征服役期间逐渐恶化的特性。所提出的方法从精确构件级分类、二元损伤检测、层级定位、集成投票排名、响应噪声鲁棒性以及传感器布局优化等方面进行了评估。通过有限元与EFDD之间关于固有频率和振型的一致性检验，进一步考察了所提取模态特征的可靠性。结果表明，该工作流在不同的退化程度、传感器布局和噪声响应条件下，均能保留有用的层级诊断信息和排名诊断信息。然而，随着数据复杂度和测量噪声的增加，精确构件定位变得更加敏感。分析结果还支持识别出能够保持有效诊断性能的高效传感器配置。因此，所提出的框架为评估基于模态特征的海上导管架支撑结构损伤诊断提供了一种结构化的数值策略。