基于光谱分析和物理原理的神经网络(SaPINNs)用于动态系统中输入-状态-参数的估计,这些系统会受到自然灾害引起的激励作用
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Spectrum- and Physics-Informed Neural Networks (SaPINNs) for input–state–parameter estimation in dynamic systems subjected to natural hazards-induced excitation
【字体:
大
中
小
】
时间:2026年05月14日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9
编辑推荐:
```安东尼娜·科西科娃(Antonina Kosikova)|阿波斯托洛斯·普萨罗斯(Apostolos Psaros)|安德鲁·史密斯(Andrew Smyth)摘要在未知外部激励条件下进行系统识别本质上是一个病态的反问题,通常需要额外的信息或简化的假设才能可靠地估计系统状态
```
安东尼娜·科西科娃(Antonina Kosikova)|阿波斯托洛斯·普萨罗斯(Apostolos Psaros)|安德鲁·史密斯(Andrew Smyth)
摘要
在未知外部激励条件下进行系统识别本质上是一个病态的反问题,通常需要额外的信息或简化的假设才能可靠地估计系统状态和结构参数。问题的难点在于系统动态与输入力之间的内在耦合关系,因此在没有直接激励测量的情况下,它们各自的贡献难以区分。对于遭受自然灾害(如地震或风暴)的结构系统来说,这一问题尤为具有挑战性,因为这些灾害会引起宽频、非平稳且高度瞬变的响应。在这项工作中,我们提出了基于光谱和物理信息的神经网络(SaPINNs),用于在遭受自然灾害特征性复杂激励的系统中进行输入-状态-参数估计。该框架将控制物理方程纳入学习过程,并将未知激励限制为由经验模型得出的与灾害特征一致的光谱表示形式。通过对受多种激励情景影响的线性和非线性系统进行比较研究(包括故意设定错误激励光谱的埃尔森特罗地震案例),验证了SaPINNs的性能。为了量化预测不确定性,该框架被集成到了深度集成架构(Deep Ensemble architecture)中。研究结果表明,SaPINNs相较于传统的PINNs能够提供更准确且符合物理规律的激励、潜在状态和系统参数重建结果,并能在随机和非平稳载荷条件下给出现实的不确定性界限。
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