数字孪生技术实现了物理资产与其虚拟对应物之间的持续数据交换，虚拟对应物会动态更新以反映资产的状态变化[1]。这一概念在许多行业中引起了广泛关注[[2],[3],[4],[5],[6],[7],[8]]。数据驱动建模和优化的进步进一步加速了数字孪生的应用，海上领域也将从这些发展中受益匪浅[9]。最近的综述研究表明，现代结构健康监测（SHM）和数字孪生工作流程越来越多地利用数据驱动学习来进行模型更新、决策支持以及在现实世界感测约束下的稳健运行[[10],[11],[12],[13]]。因此，基于数字孪生的框架（见图1）已被提出用于近乎实时地监测船舶和海上结构[[14],[15],[16],[17],[18],[19]]。
在这个更广泛的背景下，SHM作为海洋工程中数字孪生最关键且最直接可应用的技术之一而脱颖而出[[21],[22],[23],[24],[25]]。在随机和复杂的波浪载荷下，保持浮动海上资产的结构完整性对于安全和经济可行性至关重要[26]。虽然传统设计方法依赖长期统计数据来估计载荷[[27],[28],[29],[30]]，但实际在役测量数据往往与这些假设存在显著偏差。因此，已经提出了一些基于数字孪生的框架来促进船舶和海上结构的实时完整性评估[31]，包括数字医疗工程（DHE）系统[[32],[33],[34],[35],[36]]。然而，这些框架的实际部署取决于能否从有限且可能存在噪声的测量数据中实时估计载荷和应力[[37,38]]。尽管在所有关键位置部署密集的传感器是一个直接的解决方案，但由于成本、可访问性和维护要求，对于大规模结构来说这很快变得不切实际[39]。为了解决这些限制，数据同化方法将来自有限数量传感器的测量数据与数值模型融合，从而实现了减少传感器数量的实时SHM[40]。图2总结了基于数据同化的实时SHM的整个过程。
现有的海上结构数据同化方法大致可以分为三类[41]。首先，波谱方法通过最小化测量响应谱和计算响应谱之间的差异来估计方向波谱[[42],[43],[44],[45],[46]]。虽然这些方法对于重建未测量的响应非常有效，但当推理主要依赖于响应谱时，它们不太适合实时应力估计。其次，逆有限元方法（I-FEM）[47]从有限的传感器数据重建全场位移[48]，并已应用于船舶和海上风力涡轮机结构[[49],[50],[51],[52],[53]]；然而，对于大规模海上设施，这通常需要相对较多的传感器。第三，基于模态叠加的方法将结构响应表示为畸变基模（DBMs）的线性组合，这对于传感器效率高的实时估计非常有利[[54],[55],[56]]。在这一类别中，转换模型通过从选定的模态和测量数据中识别的转换矩阵来估计任意位置的响应[[57],[58],[59]]。值得注意的是，一旦转换矩阵离线确定，转换模型特别适合实时部署，因为在线推理简化为轻量级的线性映射[[60,61]]。
最近的研究进一步报告了在转换模型中采用波浪载荷情况（WLCs）作为模态时的良好精度[62],[63],[64]。WLCs作为基模特别有效，因为它们直接捕捉了波浪引起的局部压力效应，确保重建的应力场与潜在的载荷物理特性保持一致。关于带有WLCs的转换模型的研究主要集中在两个主题上：（i）模态选择和（ii）测量（传感器）位置选择。对于模态选择，Bigot等人[65]提出了一种基于自相关的方法，使用响应的内积。相比之下，Lee等人[66]采用网格搜索来最小化RMSE，这可能会产生较大的计算成本。对于测量位置选择，Sireta和Storhaug[67]使用应力响应的内积选择了不相关的应变计。后续研究强调了将传感器放置在经历相似局部效应的构件上的重要性[[68,69]]。从更广泛的SHM角度来看，已经广泛研究了在实际约束下（例如，有限的传感器数量和可访问性）最大化信息量的最佳传感器布置，但将通用标准转化为针对基于WLC的转换的确定性预设计规则仍然具有挑战性[[70],[71],[72]]。
尽管取得了这些进展，但在实际环境中仍然缺乏一种统一且计算效率高的策略来确定性优化模态选择和测量位置，特别是在传感器布局通常在最终模态集确定之前就已固定的情况下。表1总结了代表性的WLC/DBM基础转换研究及其关键特征。比较表明，第一模态的选择往往是基于经验的，当通过枚举或网格搜索进行候选探索时，模态选择可能会变得计算负担沉重，而传感器布置通常在模态集确定后才确定。这些观察结果促使我们开发了一种工作流程，该流程（i）以确定性的、数据驱动的方式固定第一模态，（ii）高效地探索剩余的模态选择变量而无需穷举搜索，（iii）能够在早期确定传感器布置——同时满足仪器布置要求——同时仍然针对工程感兴趣的应力响应。
虽然主成分分析（PCA）和贝叶斯优化（BO）是SHM中成熟的工具，但它们提高基于物理的转换模型效率和鲁棒性的潜力尚未得到充分利用。在SHM中，PCA通常用于特征压缩、新奇性/损伤检测或过滤环境/操作变异性，而不是用于选择用于转换类型虚拟感测的物理驱动响应基或载荷情况[[73],[74],[75]]。海上研究还报告称，模态扩展结合PCA提取的主导成分可以提高全场应力估计的鲁棒性[76]。贝叶斯优化（BO）已成为昂贵的黑盒优化的标准工具。它广泛用于机器学习超参数调整和基于仿真的工程设计[77]，SHM研究进一步探索了贝叶斯决策和传感器网络设计的公式化（包括BO驱动的布置）[[78,79]]。
然而，据我们所知，之前的PCA/BO辅助SHM研究尚未同时解决紧凑的WLC/DBM选择和基于频率域转换模型的目标导向传感器预设计问题，同时明确评估了在传递函数/RAO不匹配情况下的鲁棒性[80]。在这项工作中，PCA确定性地固定了种子WLC模态，而BO高效地优化了剩余的选择变量。此外，应力-RAO相似性标准使得早期、目标导向的传感器预设计成为可能，从而将ML辅助的SHM概念与基于物理的转换工作流程联系起来[81]。
在这项研究中，我们开发了一个面向数字孪生的转换框架，该框架结合了机器学习技术来解决模态选择和传感器布置问题。本研究的主要贡献如下：
•提出了一种使用PCA确定第一模态并使用BO优化剩余选择变量的策略，减少了主观调整并避免了穷举枚举/网格搜索。
•引入了一种基于应力-RAO相似性的传感器布置规则，该规则根据候选测量位置和目标细节来提前确定传感器布局，同时保持与目标应力家族的一致性。
•在多个海况下对FPSO案例验证了集成工作流程的有效性，并评估了与基线选择策略相比的计算成本和鲁棒性。
本文的其余部分组织如下。第2节描述了数值框架和转换模型的构建，包括测量和目标结构响应的定义。第3节介绍了所提出的工作流程，其中使用PCA固定第一个WLC模态，通过贝叶斯优化优化剩余的模态选择参数，并使用基于应力-RAO相似性的策略确定传感器位置。第4节报告了在多个海况和航向下的验证结果，包括与基线选择方法的计算成本比较以及在名义和RAO不匹配条件下的鲁棒性测试。第5节讨论了实际应用、局限性以及提高操作鲁棒性的潜在途径，第6节总结了本文。
