《Mechanical Systems and Signal Processing》:Hierarchical Bayesian model updating using Dirichlet process mixtures for structural damage localization
编辑推荐:
贝叶斯模型更新(Bayesian Model Updating, BMU)为有限元(Finite Element, FE)模型的校准提供了严格的概率框架,通过量化不确定性以增强工程结构的损伤评估、响应预测与性能评价。层次贝叶斯模型更新(Hierarchical
贝叶斯模型更新(Bayesian Model Updating, BMU)为有限元(Finite Element, FE)模型的校准提供了严格的概率框架,通过量化不确定性以增强工程结构的损伤评估、响应预测与性能评价。层次贝叶斯模型更新(Hierarchical Bayesian Model Updating, HBMU)的最新进展使其能够在欠定/病态条件以及由于环境和运营条件导致的结构参数固有变异性下进行鲁棒的参数估计。然而,现有HBMU方法大多忽视了结构参数中的多模态特性,而这种多模态性通常在结构服役期间经历多种损伤状态时出现。本研究提出了一种采用狄利克雷过程(Dirichlet Process, DP)混合先验的层次贝叶斯模型更新框架(DP-HBMU)。狄利克雷过程混合模型是一种非参数贝叶斯模型,无需预先指定聚类数目即可实现聚类,从而将损伤状态分类融入有限元模型更新中。研究人员构建了DP-HBMU框架,并设计了一种Metropolis-within-Gibbs采样器,通过嵌入Metropolis更新来处理因有限元模拟器导致的难以解析的条件分布,从而从后验分布中抽取样本DP-HBMU在损伤定位中的适用性通过数值算例和实验验证进行了论证。研究考虑了具有梁端断裂的抗弯框架结构,并将该方法应用于涵盖多种损伤状态的数据集,包括完好状态、中等损伤状态和严重损伤状态。DP-HBMU推断出的聚类与预设或观测到的损伤状态高度吻合。刚度参数的后验分布与真实值(数值算例中)或观测到的断裂情况(实验验证中)一致,且相对于非层次基线方法,不确定性显著降低。这些结果证明了所提方法在损伤定位中的有效性。
## 研究背景与问题提出
有限元分析在工程结构的损伤评估、响应预测与性能评价中具有关键作用。然而,有限元模型通常与实际结构观测行为存在差异,这种差异源于建模误差、测量噪声、施工或制造公差、材料属性固有变异性、环境或运营条件变化以及结构劣化或损伤等多种因素。贝叶斯模型更新通过校准结构参数(如刚度、边界条件、质量)使模拟响应与实测数据更为吻合,同时量化参数与预测中的不确定性,从而解决上述差异。贝叶斯模型更新通常表述为:设Θ为参数集(包括结构参数和统计参数),X={x?,…,x
N}为观测数据集,根据贝叶斯定理,后验分布为p(Θ|X)∝p(X|Θ)p(Θ),其中p(X|Θ)为似然函数,p(Θ)为反映系统先验知识的先验分布。由于归一化常数通常难以解析求解,后验分布需采用变分推断或马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)及序贯蒙特卡洛(Sequential Monte Carlo, SMC)等采样方法进行近似。
近年来,层次贝叶斯模型更新受到日益广泛的关注。在典型设定中,先验进一步表征为Θ~p(Θ|Φ),其中超参数Φ~p(Φ)。层次贝叶斯模型更新的一个重要应用是稀疏贝叶斯学习(Sparse Bayesian Learning, SBL),用于处理数据稀缺和测量噪声下的欠定和病态问题。Huang与Beck通过引入自动相关性先验使刚度折减参数稀疏化,从而增强噪声不完全模态数据下的损伤评估。此外,层次贝叶斯模型更新还与多任务学习相结合,通过在不同测量任务或子结构间共享稀疏性约束或层次先验,以更好地利用有限数据。另一研究方向关注环境或实验条件导致的结构参数固有变异性,通过为每个观测关联独立的结构参数并放置共享先验来实现。
然而,现有层次贝叶斯模型更新研究很少考虑结构参数中包含多种模态的数据集。这一局限性在结构健康监测(Structural Health Monitoring, SHM)应用中尤为重要,因为实际结构在服役期间可能经历从完好状态到中等或严重损伤状态等多种损伤状态。处理这种多模态性需要比单模态高斯分布更灵活的先验,这催生了一种能够在参数空间中分离损伤状态同时量化并降低各状态内不确定性的层次贝叶斯方法。本研究提出采用狄利克雷过程混合模型(Dirichlet Process Mixture Model, DPMM)作为结构参数先验的层次贝叶斯模型更新框架。狄利克雷过程混合模型是一种非参数贝叶斯聚类模型,聚类数目无需预先固定而是从观测数据中推断得出。该框架将损伤状态分类融入有限元模型更新,实现聚类分配与模型参数的联合推断,使相关不确定性能够连贯传播。参数空间中的聚类允许同一损伤状态内多个观测之间的知识迁移,从而降低后验不确定性。本研究构建了基于狄利克雷过程混合模型的层次贝叶斯模型更新框架(DP-HBMU),设计了高效的Gibbs采样算法,并通过数值和实验算例检验其在结构损伤定位中的适用性,特别关注基于内力结果的模型更新。
## 主要技术方法
研究人员为开展此项研究,采用了以下主要关键技术方法:以狄利克雷过程混合模型作为结构参数的先验分布,利用中国餐馆过程(Chinese Restaurant Process, CRP)实现无需预设聚类数目的聚类;设计Metropolis-within-Gibbs采样算法进行后验推断,其中对于因有限元模拟器(如特征值分析)而缺乏闭式解的条件分布,嵌入预条件Crank-Nicolson(preconditioned Crank-Nicolson, pCN)提议分布的Metropolis-Hastings更新;采用自适应步长调整策略使接受率达到目标值;针对混合模型推断中的标签切换问题,应用Stephens提出的重标签算法;在基于内力结果的模型更新框架下,利用模态位移(Modal Displacement, MD)和模态弯矩(Modal Bending Moment, MBM)计算归一化模态弯矩(normalized Modal Bending Moment, nMBM)作为损伤敏感指标,进而更新梁端转动刚度参数。
## 研究结果
**DP-HBMU框架构建**:研究人员构建了DP-HBMU的概率生成模型。观测响应x
n服从以有限元模拟器输出h(θ
n)为均值、精度为β的高斯分布,结构参数θ
n服从以聚类均值μ
cn为均值、精度为τ的高斯分布,聚类标签通过中国餐馆过程生成,聚类均值和精度分别服从正态分布和伽马先验。该模型以图形模型表示。为实现后验推断,研究人员设计了Metropolis-within-Gibbs采样器,依次对聚类标签c
n、集中度参数α、聚类均值μ
k、精度参数τ、结构参数θ
n和观测精度β进行采样。其中,c
n的更新采用受限分裂-合并Metropolis-Hastings方案;α的采样遵循Escobar与West的方法;μ
k、τ和β因共轭先验可直接采样;θ
n则嵌入pCN提议的Metropolis步骤更新。
**数值算例**:应用DP-HBMU对一个两层两跨平面钢框架进行损伤定位。该框架梁端设置半刚性转动弹簧,共九个刚度参数(以固定系数γ
i∈[0,1]表示)。研究人员合成包含三种损伤状态(完好、中等损伤、严重损伤)共15个观测的数据集,考虑三种噪声水平(σ∈{0.05, 0.10, 0.20} kN·m/mm)。通过与非层次贝叶斯模型更新对比,以真实参数处的对数后验概率之和(SLMP)为评价指标。结果显示,DP-HBMU在所有噪声水平下均优于非层次方法。当σ=0.1时,MCMC迭代中聚类数目K收敛至预期的3;条件于K=3的聚类均值后验中位数与真实值高度吻合,不确定性区间较窄;各观测的参数后验同样与真实值一致,且能捕捉聚类内的细微变异。
**实验验证**:将DP-HBMU应用于一榀两层单跨钢框架的动力试验数据。该试验采用交替施加地震波和宽带随机噪声的方式,研究人员关注7次随机波试验(R3-R9),每次60秒记录分为两个30秒段,共14个数据集。通过多输入多输出系统识别(采用MOESP方法)提取模态参数,计算第一阶nMBM用于模型更新。更新参数为四个梁端(N1BE、N1BW、N2BE、N2BW)的固定系数。MCMC迭代中聚类数目K收敛至3,聚类分配逐渐收敛为三个损伤状态:无显著损伤(R3a-R6b)、单一梁端断裂(R7a, R7b)、两梁端断裂(R8a-R9b)。聚类均值后验显示,第一类各梁端中位数在0.7-0.9之间;第二类N1BE中位数降至初始值约60%,反映该处断裂;第三类N1BW中位数下降超过80%,对应此处断裂。与非层次方法相比,DP-HBMU的后验中位数变化更为平滑,不确定性范围显著收窄,尤其在N2BE和N2BW处更为明显。
## 讨论与结论
本研究提出的DP-HBMU框架将概率有限元模型更新与损伤分类相结合,无需预先知道数据集中包含的损伤状态数量。数值和实验算例验证了该方法在结构损伤定位中的有效性。数值算例中,DP-HBMU成功恢复了三类损伤状态,刚度参数后验与真实值吻合且不确定性低于非层次基线。实验验证中,方法将14个数据集正确分类为三个对应于观测梁端断裂的损伤状态,后验显示出更稳定的群内变异和显著降低的不确定性。未来工作将放松共享协方差假设,采用分量特定的协方差结构(如τ
k-1I或完整协方差矩阵Σ
k);评估异质聚类协方差和非平衡聚类大小等更现实场景下的框架性能;引入模拟器或似然函数代理模型以扩展至更大数据集(如N>50);并检验框架对高维参数θ的适用性,关注后验复杂度和多模态性对采样器效率的影响。