MN-PINN:一种基于物理知识的神经网络,用于车辆-桥梁系统的动态仿真

《Advances in Engineering Software》:MN-PINN: Physics-informed neural network for dynamic simulation of vehicle-bridge systems

【字体: 大 中 小 】 时间:2026年05月05日 来源:Advances in Engineering Software 5.7

编辑推荐:

  李慧|唐欢|杨佩琳东南大学土木工程学院,中国江苏南京211189摘要车桥耦合动力分析常用于桥梁结构的动态优化、监测和状况评估等。本文利用模态叠加法(MSM)和Newmark-β方法(在结构动力分析中广泛应用),提出了一种新型的物理信息神经网络(PINN),用于车桥相互作用(VBI

  
李慧|唐欢|杨佩琳
东南大学土木工程学院,中国江苏南京211189

摘要

车桥耦合动力分析常用于桥梁结构的动态优化、监测和状况评估等。本文利用模态叠加法(MSM)和Newmark-β方法(在结构动力分析中广泛应用),提出了一种新型的物理信息神经网络(PINN),用于车桥相互作用(VBI)系统的动态模拟,称为MN-PINN。VBI系统的运动方程被公式化为广义坐标形式,并转换为与Newmark隐式积分方案兼容的形式。重新制定的动态平衡方程被嵌入到神经网络的损失函数中,从而克服了直接整合大规模复杂结构系统动力方程的挑战。为了训练MN-PINN,各种损失项的权重根据最大似然估计原则自动确定。采用了简化的2D VBI系统和包含整车的3D系统来验证所提出的MN-PINN。本文展示了MN-PINN与纯数据驱动模型在模拟精度上的差异。此外,还研究了车桥系统参数和时间步长对MN-PINN精度的影响。所提出的MN-PINN为VBI系统的动态模拟提供了一个通用且鲁棒的框架,对于分析大规模复杂结构系统具有显著潜力。

引言

车辆荷载是桥梁结构最常见的激励之一。随着车速和轴重的不断增加,车辆与桥梁之间的动态相互作用变得越来越重要[[1], [2], [3]]。VBI系统的动态分析在动态优化[4,5]、监测[6,7]、状况评估[8]、维护[9]以及桥梁结构的车辆运行稳定性和安全性评估[10]中发挥着越来越重要的作用。VBI系统的复杂耦合动力学带来了巨大的计算挑战。尽管传统数值方法被广泛使用,但由于需要小的时间步长、子系统之间的迭代计算以及处理大型和时变系数矩阵,这些方法效率较低,这限制了它们在需要高效率的应用场景中的实用性,例如动态可靠性分析和实时性能预测。
深度神经网络已成为众多科学和工程领域的强大工具[[11,12]]。作为通用的函数逼近器,它们在模拟动态结构系统的响应方面显示出巨大潜力,这些响应可以被视为回归任务[[13], [14], [15], [16], [17], [18], [19]]。利用深度神经网络学习系统输入和输出数据(例如轨道不平顺和位移或加速度)之间的映射,训练有素的神经网络可以比数值方法更快地预测VBI系统的动态响应[20]。具体来说,前馈神经网络、长短期记忆(LSTM)网络、卷积神经网络及其变体或组合已被证明可以有效模拟VBI系统中车辆和/或桥梁的动态响应[[21], [22], [23], [24], [25], [26], [27], [28], [29]]。然而,数据驱动的深度学习模型需要足够数量的数据样本来捕捉VBI系统激励和响应的复杂潜在特征,而使用上述数值模拟产生这些样本的成本较高。此外,如果没有嵌入结构动力学的原理,数据驱动模型从物理角度可能较难解释。
近年来,通过加入物理定律增强的深度神经网络被引入到数据稀缺的情况下,以开发出鲁棒的解决方案。Raissi等人(2019年)首次提出了用于解决量子力学和流体力学等科学问题的PINNs[30]。他们在神经网络的损失函数中加入了基于描述相关物理定律的偏微分方程构建的损失项。因此,所提出的神经网络能够遵循编码的物理定律和约束,并在数据集有限的情况下仍具有良好的适应性。此后,学术界见证了PINNs应用的迅速增加,证明了它们在多个学科中的多功能性[[31], [32], [33]]。
由于结构动力学的数学基础在于微分方程[34],PINNs也可以用于解决结构动力学问题。单自由度(DOF)振荡器和一维均匀梁的运动方程的解析表达式分别以常微分方程(ODE)和偏微分方程的形式存在,这些是结构动力分析中常用的简化模型。在这些情况下,为了求解微分方程并输出动态响应,通过将空间和时间坐标或激励(例如谐波荷载、地面运动或风荷载)作为网络输入来构建PINNs[[35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46]]。在处理多DOF系统(如一系列质量块)时,用于构建物理信息损失的控制方程变为矩阵形式的ODE。可以利用每个组件的已知机械属性来组装系数矩阵。然后采用数值积分方法求解ODE并生成用于训练PINNs的数据,这些PINNs通常以激励信号作为输入[[35],[42], [43], [44],[47], [48], [49], [50]]。然而,对于复杂动态系统(例如桥梁结构),可能存在大量的DOF,其解析控制方程可能无法获得。这些结构系统通常用有限元离散化,随后通过数值积分方法进行动态分析,这意味着即使推导它们的参数化矩阵形式ODE也并非易事。在这种情况下,通过物理损失项将结构动力学编码到神经网络中仍然是一个重大挑战。此外,上述研究主要集中在单个结构系统在动态荷载下的情况。基于PINN的车桥耦合动力系统建模方法很少被探索。
本文提出了利用MSM和Newmark-β方法进行VBI系统动态模拟的MN-PINN,该模型具有以下关键特点:首先,MSM被整合到MN-PINN中,克服了大规模复杂结构系统动力方程中系数矩阵推导的困难。一旦从模态分析中获得模态参数,就可以将广义坐标中的动力方程嵌入到损失函数中,大大降低了神经网络的输出维度和训练负担。此外,MN-PINN能够生成全场动态响应。其次,通过Newmark-β方法及其两种积分公式重新制定的动力方程编码了物理定律,有助于构建有效的残差损失,并避免了初始矩阵形式ODE中固有的数值不平衡问题。第三,引入了基于最大似然估计的自适应权重机制来训练具有上述物理损失的MN-PINN,提高了神经网络的鲁棒性和泛化能力。最后,通过序列到序列预测,所提出的MN-PINN比数值积分算法更快地提供了一整套VBI系统的动态响应,并且不需要在车辆和桥梁子系统之间进行迭代模拟。
本文的其余部分组织如下:第2节首先详细介绍了车桥耦合动力学与深度神经网络的融合,并阐述了MN-PINN的构建和训练过程。随后,第3节展示了2D和3D VBI系统的数值分析结果,并验证了所提出的MN-PINN的有效性和计算精度。第4节通过检查其对车桥系统参数和时间步长大小的敏感性,展示了MN-PINN的鲁棒性和泛化能力。最后,第5节总结了本文的主要发现。

节摘

系统运动方程

本节介绍了VBI系统的耦合动力学模型,包括车辆模型、桥梁模型和车桥交互模型。

数值验证和结果

通过2D和3D数值示例验证了所提出的MN-PINN,其中数据样本来源于现实世界VBI系统的参数。该耦合系统由高速列车和32米简支混凝土箱梁桥组成,这是一种在中国高速铁路网络中常见的桥梁类型。车辆和桥梁的参数可以在相关文献中找到[20, [59]。数值分析采用了0.03的桥梁阻尼比和0.005秒的时间步长

讨论

本节通过将MN-PINN应用于具有不同参数的多种3D VBI系统,并将其性能与传统数值方法进行比较,进一步研究了所提出MN-PINN的鲁棒性。

结论

本文提出了利用MSM和Newmark-β方法进行VBI系统动态模拟的MN-PINN,这些方法在结构动力分析中被广泛使用。采用广义运动方程来构建ODE损失。基于Newmark隐式积分方案进一步重新制定了广义坐标中的动态平衡方程,并将其编码到网络的损失函数中,从而避免了由于固有数值不平衡引起的数值问题

CRediT作者贡献声明

李慧:写作——审阅与编辑、撰写初稿、验证、软件、方法学、调查、形式分析、概念化。唐欢:写作——审阅与编辑、撰写初稿、验证、软件、调查、形式分析。杨佩琳:写作——审阅与编辑、软件。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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