面向MDOF系统随机频率响应的极点–留数多项式混沌神经网络（PR-PCNN）

《Computational Mechanics》：A pole-residue polynomial-chaos neural network for stochastic frequency response of MDOF systems

　　

不确定结构频率响应的统计量在轻阻尼共振附近最难计算。随着参数变化，共振频率发生迁移，因此在固定频率处响应强烈依赖参数，多项式代理模型在该处收敛缓慢。研究人员提出在其以极点和留数表征的部分分式表示上开展工作。该代理模型是一个具有物理瓶颈的编码器–解码器：编码器将随机参数映射为谱数据，固定的解析极点–留数层将这些谱数据解码为响应。研究人员引入两类谱数据编码器：直接多项式混沌映射PR-PCE，以及以混沌基作为特征映射的神经网络编码器PR-PCNN。研究人员针对按频率索引的随机向量建立了构造方法。一条互补路径仅从采样响应中学习相同的谱编码，而不依赖系统矩阵。该框架在两个系统上进行了验证：一个三自由度结构和一个弯曲刚度随机场作用的悬臂–自由梁。在两个系统上，线性PR-PCE映射最准确，神经编码器次之，而逐频率混沌展开落后于它们。该表示还与随机频率变换和逐实现向量拟合进行了基准比较。对于这些光滑谱数据，线性映射仍然更准确；神经编码器的价值在于其灵活性，因为它还可以端到端地学习编码，并且仅从采样响应中学习编码。

论文主体解读如下。研究背景方面，计算力学中频率响应函数（FRF，frequency response function）等指标参数化随机场在参数不确定下需要高效不确定性量化。经典多项式混沌展开（PCE，polynomial chaos expansion）在固定频率上逐指标拟合响应时，遇到轻阻尼共振会失效：参数变化使共振峰迁移，固定频率处响应随参数变化尖锐，固定阶全局多项式收敛缓慢。原文进一步指出，在极点一般迁移条件下，逐指标混沌的解析半径受阻尼控制，阻尼越小，共振附近固定阶精度越差。因此研究人员改变学习对象，从学习振荡响应场转为学习参数相关预解式（resolvent）的极点与留数等光滑谱数据，再用固定解析层重构响应，使共振结构由构造精确保持，仅对光滑函数进行近似。其意义在于把阻尼敏感问题转化为阻尼不敏感问题，并可由谱数据的混沌系数传播响应矩，成本不随频率网格分辨率而增长。

研究人员开展了如下研究：建立指标参数化随机向量场的谱表示与正则性分析；提出具有物理瓶颈的极点–留数编码器–解码器，其中固定解析极点–留数层解码响应；给出两类谱数据编码器，即线性PR-PCE与神经网络PR-PCNN，并发展参数读取编码器的监督路线和仅响应端到端路线，以及从采样响应独立恢复谱码的响应读取编码器；建立谱矩闭式、响应矩传播和复杂度分析；最后用三自由度结构与随机弯曲刚度有限元梁验证。结论是线性PR-PCE对光滑谱数据最准确且最经济，神经编码器提供端到端和仅数据学习的灵活性；在轻阻尼下相较逐频率混沌具有明显优势。关键技术方法概括（不超过250字）：以固定混沌基作特征映射，采用极点–留数部分分式表示；编码器分别用PR-PCE线性最小二乘和PR-PCNN前馈网络学习自然频率ω_r、阻尼比ζ_r与留数R_r；固定解析层重构响应；路线A由广义特征问题生成谱目标并监督回归，路线B通过解析层反传从响应端到端训练；响应读取编码器用峰值初值、变量投影和最小二乘从响应提取谱码；矩由张量Gauss积分传播。数值样本来源为三自由度质量–弹簧系统和悬臂–自由Euler–Bernoulli梁，梁的弯曲刚度采用截断Karhunen–Loève（KL）随机场；未涉及实验队列、试剂或质粒构建。

研究结果按原文小标题概括如下。3.1 极点、留数与部分分式表示：通过定义和定理1，证明预解式场可由极点与留数的部分分式精确表示，共振迁移由极点承载。3.2 参数正则性与逐指标展开失效：通过解析性引理和定理2，证明谱数据对参数解析且其PCE几何收敛，而固定指标场在共振附近的解析半径受阻尼控制并随阻尼减小而缩小。4.1 编码器–解码器表述与解析解码器：定义PR-PCNN假设类，解析极点–留数层无训练参数，定理3表明若谱数据被精确重构，则响应及其矩精确，谱数据扰动对响应误差有一阶界。4.2 参数读取编码器：4.2.1 架构与表达能力给出网络结构及命题1的密度和阻尼一致表达能力；4.2.2 训练路线给出监督谱数据路线A和仅响应端到端路线B，并给出解析层梯度引理与算法。5.1 变量投影辨识：引理3表明固定极点时留数可由线性最小二乘闭式消去。5.2 恢复、稳定性与摊销：定理4表明无噪响应可唯一确定谱码，噪声下具有稳定性界。5.3 两类方法比较：命题2说明有算子时路线A最准确且省样本，仅有响应时响应读取编码器具有恢复保证而路线B非凸且无同类保证。6.1 从混沌谱图传播矩：引理4给出谱数据矩闭式，定理5用Gauss积分由重构场求指标混沌系数和矩，定理6给出小离散二阶闭式，推论1给出共振方差增长标度。6.2 计算复杂度：定理7表明训练数据、存储和矩计算的主要成本不依赖频率网格，推论2表明轻阻尼下逐指标与谱表示所需混沌维数比趋于无穷。7.1 三自由度系统的谱表示与重构：由精确谱数据重构响应与直接求逆的相对误差为4×10^?13%，验证解析层精确，极点随参数平滑迁移。7.2 方法比较与阻尼作用：PR-PCE误差0.01%，路线A为1.93±0.22%，原始参数网络0.62±0.10%，响应读取编码器2.40±0.26%，路线B为15.59±3.07%，逐频率PCE为29.62%；逐频率PCE随阻尼从ζ=8%约2%恶化至ζ=1%约55%，路线A保持低误差，响应读取编码器在ζ=5%附近最好并在极端阻尼受辨识限制，样本预算增加时编码器持续改善而经典方法受表示限制。8.1 系统描述与随机场不确定性：建立悬臂–自由梁模型，弯曲刚度用截断KL随机场，有限元40自由度、保留4阶模态，比例为阻尼。8.2 方法比较：PR-PCE为0.00%，路线A为4.55±2.38%，响应读取编码器8.53±2.40%，路线B为18.60±2.80%，逐频率PCE为34.02%，原始参数网络为21.59±27.51%；路线A与响应读取编码器恢复四阶频率对角关系，路线B对第四阶产生偏差。8.3 有限元网格缩放：网格由10增至40单元、20至80自由度时，逐频率PCE约34%不变，PR-PCE保持0.00%，路线A约5%且训练时间3.1至3.7 s，验证成本由保留模态数决定。8.4 范围与局限：讨论简单极点、比例阻尼实留数、非比例阻尼需回退复极点形式、近重复与veering需模态保证准则关联、随机变量数依赖混沌基、方法面向线性系统，以及数据路由稳健性受谱间隙与条件数控制。

讨论部分总结：8.4说明方法适用于具有简单极点与线性预解结构的系统；非比例阻尼可改用复极点与复留数，近重复模态可用分组留数，veering可用模态保证准则替代频率排序；随机维数成本与混沌基本身相同，方法避免的是把该成本与固定频率评价共振的人为非光滑性相乘。研究结论部分译为：属性不确定结构频率响应在轻阻尼共振附近最难模拟，因为共振峰随参数迁移，固定频率响应失去光滑性，固定阶多项式代理难以跟随。本文改变学习对象：响应是参数相关预解式作用于载荷的结果，不再学习其沿频率轴的值，而用该预解式的极点和留数表示；这些谱数据在随机参数中保持光滑甚至解析，即使响应本身失去光滑性。固定解析层由这些谱数据经部分分式重构响应，使共振迁移由光滑极点承载，共振结构由构造精确保持，仅近似光滑量。研究人员引入两类谱数据编码器，据研究人员所知均为新方法：其一是极点与留数的直接多项式混沌映射，其二是以混沌基为特征映射的神经网络。对本文所研究问题的光滑谱数据，线性映射更准确且成本远低，网络次之。网络增加的是灵活性：它可通过解析解码器从采样响应端到端学习同一谱码，并在仅数据形式下独立于系统矩阵从响应恢复谱码。因此增益来自表示本身，无论选择何种编码器；响应均值与变异性可由谱数据的混沌系数得到，而无需进一步高保真求解。该方法的特点包括：以参数相关预解式的谱数据表示指标参数化随机场；建立正则性二分，说明该表示为何成功且收敛率由算子决定、与阻尼无关；采用具有物理可解释瓶颈和固定解析解码器的编码器–解码器，使共振结构精确重构而非学习；谱数据矩在混沌系数中闭式，复响应的Hermitian协方差与伪协方差由同一混沌表示积分得到；谱码可由PR-PCE或PR-PCNN学习，线性映射对光滑数据更准确且更便宜，响应读取变体可仅由采样响应恢复同一谱码并具恢复与稳定性保证。在三自由度质量–弹簧基准和随机弯曲刚度有限元梁上，谱代理在整个频带重构响应及其变异性，并在阻尼降低时保持精度，而逐频率混沌展开由几个百分点退化至数十个百分点；由于学习对象是少量模态映射而非每条频率线的系数向量，代理尺寸与成本在频率网格和有限元网格细化时保持固定，模型物理维数仅通过参考求解进入。基于同一有理结构的两种代理支持该结果：随机频率变换可减轻逐频率展开缺陷但残余随阻尼下降而增长；逐实现向量拟合因恢复相同部分分式数据而重现直接映射，说明增益属于表示。更广泛的信息是：当关注量是参数相关线性算子的预解式沿标量指标的取值时，光滑谱数据是比振荡场更自然的学习对象；该构造可推广至保持有理预解结构的其他指标，如Laplace参数或波数，非比例阻尼可由复极点与留数纳入，近间距与veering模态需以模态保证准则关联替代频率排序，物理空间降阶基及与有理/模态混沌、向量拟合和降阶基代理的基准比较可把方法推向大型工业模型。