多保真度残差神经网络在评估混凝土长期变形过程中的应用
《Journal of Building Engineering》:Multi-fidelity Residual Neural Networks for Evaluating Concrete Long-term Deformation Process
【字体:
大
中
小
】
时间:2026年05月05日
来源:Journal of Building Engineering 7.4
编辑推荐:
张哲|张斌|傅国志|苗建雄|耿国庆
新加坡国立大学土木与环境工程系,117576,新加坡
**摘要**
评估混凝土结构的长期性能对于确保其耐久性、安全性和经济高效维护至关重要。蠕变、收缩和环境退化等因素会影响结构完整性,因此预测使用寿命和优化设计策略十分重要。由于大
张哲|张斌|傅国志|苗建雄|耿国庆
新加坡国立大学土木与环境工程系,117576,新加坡
**摘要**
评估混凝土结构的长期性能对于确保其耐久性、安全性和经济高效维护至关重要。蠕变、收缩和环境退化等因素会影响结构完整性,因此预测使用寿命和优化设计策略十分重要。由于大型结构中的监测点有限、模拟中缺乏实际条件约束以及实际环境和载荷条件的复杂性,以往的研究难以完全解决这一问题。本研究提出了一种多保真度残差神经网络(MRNN)建模策略。该模型首先使用低保真度数据进行训练,以捕捉主要的物理规律;随后使用更为稀疏的高保真度数据进行进一步训练,以校准和完善模型。所开发的基于数据的模型被应用于预测平面应变问题中随时间变化的位移和应力,从而模拟混凝土的长期变形。低保真度数据可以捕捉总体趋势,而高保真度数据有助于提高结果的准确性。所有结果表明,所提出的MRNN模型能够准确捕捉时间依赖性响应。仅使用10%的高保真度数据即可实现高达90%的改进效果。该模型还通过三维实验和模拟得到了验证。通过整合更全面的监测数据和先进的建模技术,我们的工作有望用于复杂条件和长跨度下混凝土结构的健康评估。
**引言**
混凝土退化现象(包括蠕变、收缩、膨胀和开裂)对大型基础设施的安全评估至关重要[1]。特别是时间依赖性变形(如蠕变和膨胀)可能导致应力重新分布,进而引发严重的结构问题(如过度变形),这通常需要维修或改造,从而增加意外损坏的风险。从材料层面来看,理解应力传递机制对于材料改良和性能评估至关重要[2][3][4][5][6][7][8][9][10]。在结构尺度上,由于环境影响和载荷条件的复杂性,长期原位变形监测面临重大挑战。尽管材料层面的研究提供了关于强度特性的宝贵见解,但这些仅代表了影响长期结构行为的因素的一个方面。潜在的物理机制仍存在争议,现有的预测模型通常是在简化的理想化条件下开发的。这种宏观性的公式化方法难以完全捕捉现实世界结构系统中的复杂性。
大规模基础设施[11][12][13]对环境、水力和地质力学影响非常敏感——包括空气和水温的波动、水位变化、孔隙压力的变化以及周围岩石的可变形性。这些因素引入了显著的不确定性,使得可靠的长期变形预测变得具有挑战性。结构健康监测(SHM)系统[14][15][16][17][18][19][20]已被开发出来以更好地理解和评估这些复杂相互作用,但其实际应用仍然困难。现场仪器往往在恶劣条件下部署,湿度、温度波动和有限的接入性等因素可能影响传感器性能和数据质量[21]。此外,位移传感器通常只在离散位置提供点测量数据,限制了进行准确和全面损伤评估所需的空间分辨率[22]。
为了提高预测准确性,研究人员研究了替代的监测和非破坏性检测方法[23]。例如,一些研究通过用原位温度测量数据替换简化的季节性函数,改进了大拱坝的热效应建模[24]。整合多源SHM数据(如应变、温度和动态响应)可以提供对长期结构行为的更全面理解。然而,弥合材料层面洞察与结构层面预测之间的差距仍是一个重大挑战,特别是在现实世界环境中存在空间和时间复杂性的情况下。核心难点在于三个方面:管理来自多个来源的数据、实现实时监测和模型更新,以及处理稀疏测量点的限制。
数字孪生是一种利用专家知识和从现有系统收集的现实世界数据开发的先进模拟模型,能够在多个空间和时间尺度上实现更准确的模拟[25][26]。它结合了多源传感数据融合和封装[27]、数据通信和分发,以及传感器协同测量和布局优化等技术。这些能力使数字孪生非常适合解决上述挑战。在数字孪生框架内的数据融合是一种强大的方法,可整合多源信息以支持基础设施全生命周期评估中的决策制定。
此外,机器学习(ML)的最新进展使得能够模拟传统基于物理方法无法处理的复杂现实世界问题[28][29][30][31],为模拟多相系统提供了可行的替代方案。然而,用于训练纯数据驱动模型的数据集往往难以捕捉到潜在物理关系的全部复杂性。即使有大量数据集可用,无约束的数据驱动模型通常表现为黑箱,可解释性和泛化能力有限。此外,训练神经网络模型通常需要大量高质量数据,这在许多工程应用中难以获得。在这种情况下,使用基于物理模型的模拟生成的合成数据来补充有限的实验数据可能是有益的。近年来,将物理信息神经网络(PINN)应用于土木工程问题的兴趣日益增长。这些研究涵盖了从结构层面行为[32][33][34][35][36][37][38]到材料层面属性[39][40][41]的广泛应用范围。PINN的本质在于物理原理。因此,准确表达潜在的物理原理至关重要。对于性质稳定的相对均匀材料(如钢材和聚合物),物理原理通常可以用明确的控制方程来描述。然而,对于如混凝土这样具有复杂异质组成和微观结构的材料,更适合通过基于模拟的方法来表达物理原理。
在本研究中,采用了一种多保真度残差神经网络(MRNN)方法,该方法通过首先在低保真度数据上训练模型来增强有限高保真度数据集的实用性[44]。这种策略降低了对低保真度数据的准确性和可靠性的要求,使其能够以更低成本生成。相比之下,来自高分辨率模拟或物理实验的高保真度数据则成本较高。
当前的多保真度建模应用主要分为两类。第一类侧重于在新状态变量(如微观结构或时间)下预测系统的未知响应[45]。在这种情况下,对已知状态变量的系统响应被视为低保真度数据,而涉及新变量或较少探索的变量的响应则需要昂贵的实验或模拟,从而形成高保真度数据。第二类旨在提高实际应用中模型预测的准确性。例如,先前的研究分别使用解析解和数值模拟作为低保真度和高保真度数据[46],或将低分辨率(如粗网格)和高分辨率(如细网格)数值模拟作为低保真度和高保真度数据的来源[46]。这种方法最近在机械和土木工程中的损伤诊断中得到发展。例如,S. Miele等人[47]使用该方法定位混凝土结构中的隐藏裂缝;Zhang等人[48]实现了考虑内部侵蚀的颗粒土壤和基础的流体力学建模;Wang等人[49]开发了一种多保真度数据驱动的本构模型框架来解决岩土工程问题。
本研究提出了一个新颖的多保真度残差神经网络(MRNN)框架,旨在减少对高保真度数据和复杂神经网络架构的依赖。所提出的模型探讨了如何整合高保真度数据来改进长期混凝土变形的预测,同时主要利用更易获取的低保真度数据集。首先使用基于蠕变计算的二维平面应变案例研究来验证所提出的方法,然后进行三维混凝土膨胀预测案例研究,将有限元(FEM)模拟与平行实验研究相结合。该框架作为材料尺度模拟和构件级别性能评估之间的桥梁,促进了基于模拟的预测与高保真度实验观测的集成。其多功能性使其适用于多尺度下的结构健康评估,为研究多尺度系统中的材料-结构相互作用提供了强大的数据驱动解决方案。
**方法论**
图6展示了本工作的整体流程。在第1步和第2步中,使用ABAQUS进行二维模拟以生成低保真度和高保真度数据[2]。基于残差神经网络构建多保真度残差神经网络,并使用该网络对多保真度数据集进行训练。在第3步中,将此方法应用于实际案例时,使用ABAQUS进行三维模拟以生成低保真度数据,并通过平行实验生成高保真度数据。
**仿真结果**
本节展示了用于MRNN训练的数据集的ABAQUS仿真结果。图S.2显示了在100天和1000天载荷条件下的两个方向的应力分布。初始缺陷使得x轴和y轴方向的应力分布更加均匀。由于载荷恒定且材料仍处于弹性阶段,加载时间对应力幅值的影响很小。图S.3显示了100天和...
**讨论与结论**
结构耐久性评估的关键挑战在于原位实验数据与数值模型之间的耦合分析,以及材料属性与结构特性之间的整合。由于裂纹形成、碱-硅反应、冻融循环和氯离子引起的腐蚀等因素,结构会随时间产生缺陷。这些缺陷与混凝土本身的蠕变和收缩行为相互作用,导致复杂的长期变形。
**作者贡献声明**
张哲:撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。
张斌:撰写——审稿与编辑、方法论、数据管理。
傅国志:撰写——审稿与编辑、软件、方法论、数据管理。
苗建雄:撰写——审稿与编辑、方法论、数据管理。
耿国庆:撰写——审稿与编辑、验证、监督、资源管理、项目协调、资金争取。
**关于生成式AI和AI辅助技术在写作过程中的使用声明**
在准备本工作期间,作者使用了ChatGPT来润色语言。使用该工具后,作者根据需要对内容进行了审查和编辑,并对出版物的内容負全责。
**利益冲突声明**
作者声明没有已知的竞争财务利益或个人关系可能影响本文的报告内容。
**致谢**
作者感谢新加坡国家研究基金会(NRF)、PUB(新加坡国家水务局)和新加坡国立大学对在海岸防护和洪水管理研究计划(CFRP)下进行的本工作的支持。本文提出的结论仅代表作者个人的观点,不一定反映任何支持实体的意见。本研究是与国防科学技术局(DSTA)合作完成的。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号