将贝叶斯推断集成到结构参数估计中：一种基于Python使用OpenSeesPy和PyMC的方法

《Infrastructures》：Integrating Bayesian Inference into Structural Parameter Estimation: A Python-Based Approach Using OpenSeesPy and PyMC

　　

在结构工程中，准确预测结构行为对于确保安全性和可靠性至关重要。传统的参数估计方法通常依赖于确定性方法，这可能会忽略真实结构中固有的不确定性。本文提供了一份关于利用贝叶斯（Bayesian）框架更新结构模型参数的综合指南，为量化不确定性和提高预测精度提供了一种稳健的策略。该方法论采用Python，利用Open-SeesPy进行有限元建模（FEM），并利用PyMC进行概率推断。研究提供了五个不同的算例来说明工作流程，从结构框架中的基础参数估计到用于本构材料标定的高级层次随机模型（HSMs）。这项工作为寻求采用新颖概率技术的结构工程师提供了实用指南。通过集成贝叶斯推断，工程师可以有效地考虑测量噪声和内在的物理变异性，从而提高预测模型的保真度。开源工具的使用简化了实施过程，使这些先进的方法能够被工程实践中的更多受众使用。

在结构工程领域，准确预测结构行为对于确保安全性和可靠性至关重要。传统结构模型的构建主要依赖确定性方法，此类方法无法充分考虑真实世界中固有的不确定性，如材料属性变异性、测量误差及环境条件变化。这在安全攸关的应用中限制了结构预测的可靠性。尽管人工神经网络（ANNs）等数据驱动方法展现出强大的预测能力，但在有限元建模背景下，其参数缺乏直接物理可解释性，且黑盒替代模型易引入认知性插值误差。贝叶斯推断旨在弥合概率理论与结构工程应用之间的鸿沟，允许研究人员在存在测量噪声和固有变异性的情况下估计不确定度，更新模型参数。研究人员提出了一种将贝叶斯推断集成到结构参数估计中的基于Python的框架，通过将OpenSeesPy与PyMC联合使用，提供了一种实用的参数更新途径，该成果发表在《Infrastructures》上。

为开展此项研究，研究人员主要采用了以下关键技术方法：基于贝叶斯定理构建概率推断框架，利用马尔可夫链蒙特卡洛（MCMC）算法进行后验分布采样；在PyMC环境中，对于可导参数使用无掉头采样器（NUTS），对于与OpenSeesPy相关联的不可导黑盒参数采用Metropolis-Hastings算法的复合步长策略；通过实现自定义的PyTensor Op接口，将外部有限元求解器计算的非负对数似然值作为势函数引入随机计算图。本研究中的合成观测数据来源于数值模拟生成并注入概率噪声的标量值，而工程案例二的实验数据则取自6根Grade 60钢筋的单调拉伸试验样本队列。

Benchmark 1: Quadratic Regresion
该基准测试旨在通过一个二阶多项式函数验证贝叶斯模型的基础估计能力。研究人员生成了2000个均匀分布并附加随机噪声的数据点，分别使用线性模型和与真实结构一致的二次模型进行参数更新。研究发现，采用贝叶斯推断能够准确恢复二次模型的参数设定并匹配初始注入的噪声水平（≈20），而在模型不匹配的线性估计中表现出更高不确定度。这表明模型设定缺陷会明显反映在参数的后验分布中。

Benchmark 2: Sinusoidal Model
此部分探讨了一个基于正弦函数的非线性算例，旨在测试模型近似度对不确定性的影响。研究人员分别采用三次和五次麦克劳林级数以及真实正弦模型进行贝叶斯拟合。计算结果表明，五次麦克劳林级数的不确定度显著低于三次阶数，且与正弦模型高度一致。这证实了采用更高精度的数学近似能够有效降低由于模型形式认知不足引入的不确定性偏差。

Benchmark 3: Beam Deflection Mode
该案例通过简支梁的挠度与转角参数将理论解与数值模拟进行了对比，验证了贝叶斯框架与外部有限元软件直接耦合的有效性。研究人员分别采用欧拉-伯努利梁理论与OpenSeesPy构建求解器，对弹性模量E和集中力P进行更新。在后验分布中，两种方法的更新结果高度吻合，证明了定义黑盒非负对数似然函数且不调用梯度方法进行贝叶斯更新的可靠性。

Case Study 1: Modal Analysis
此研究利用一个三层平面框架结构，基于模态频率对结构弹性模量进行更新。研究人员使用OpenSeesPy进行特征值分析提取前五阶频率，并将其作为观测数据引入框架识别结构参数。结果显示，更新后的参数后验分布较好捕捉了真实物理属性的不确定性，证实了所提概率有限元框架在模态识别和动力学参数更新方面的高效性。

Case Study 2: Hierarchical Steel4 Calibration
该部分介绍了一个用于非线性Steel4材料标定的高级层次随机模型（HSMs）。所用数据集包含六根钢筋的单调拉伸应力-应变曲线。为估计屈服强度（f_y）和初始弹性模量（E₀）等六个参数，研究人员将试件级参数视为源自群体级超均值的正态分布。借助复合采样策略和向量化计算，成功分离了单个试件层面的物理变异性与群体层面的认知不确定性，有效实现了对结构材料全局变异性的概率量化。

本研究讨论了将贝叶斯推断应用于结构建模的优势与现存挑战。研究结论表明，贝叶斯推断为结构模型参数更新提供了强大的框架，能够有效处理材料属性与结构响应的不确定性。利用OpenSeesPy和PyMC结合，实现了先验知识与观测数据的无缝集成。从简单的数值算例到高级层次随机模型，该方法均表现出广泛的适用性。特别是层次框架能够同时表征个体试件行为与群体变异性。然而，在处理黑盒组件时，计算过程的不透明性使得获取梯度信息复杂化，导致高级采样技术的应用受限；且当似然函数以势函数形式定义时，后验预测检验需要额外的计算步骤。未来研究应致力于开发更高效的高保真替代模型，以降低计算成本并推动概率方法在大型结构系统中的普及。