综述:结构动力学中的贝叶斯学习:综合综述与新兴趋势
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Bayesian learning in structural dynamics: a comprehensive review and emerging trends
【字体:
大
中
小
】
时间:2026年08月29日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2
编辑推荐:
摘要
贝叶斯学习已成为结构动力学领域中一种极具吸引力和至关重要的研究方向,它为理解和优化复杂动态系统的分析提供了一种概率视角。本文系统地回顾了贝叶斯学习在结构动力学中三十余年的演进历程,阐明了其核心原理、开创性方法以及多元化的应用,这些应用对该领域产生了深远影响。本文首先深
摘要
贝叶斯学习已成为结构动力学领域中一种极具吸引力和至关重要的研究方向,它为理解和优化复杂动态系统的分析提供了一种概率视角。本文系统地回顾了贝叶斯学习在结构动力学中三十余年的演进历程,阐明了其核心原理、开创性方法以及多元化的应用,这些应用对该领域产生了深远影响。本文首先深入介绍了贝叶斯理论的基础知识,澄清了基本概念,并引入了推导后验分布的主要方法,重点探讨了三种类型:拉普拉斯近似、随机采样和变分推断。随后,本文探讨了结构动力学中两种贝叶斯学习的策略与实现方式:物理模型学习和数据驱动型统计模型学习。物理模型学习强调在通用贝叶斯框架下直接推断物理模型参数,用于系统辨识和预测,其扩展形式包括对稀疏、分层和近似贝叶斯学习的深入探索。另一方面,统计模型学习将贝叶斯学习方法整合到概率机器学习领域中的数据驱动型统计建模中,涵盖四大类别:贝叶斯非参数聚类、高斯过程、贝叶斯动态线性模型和贝叶斯神经网络。物理模型和数据驱动型统计模型的推断结果在多种应用中都有体现,包括模态分析、模型更新、损伤检测、可靠性更新、响应预测和模型选择,凸显了它们在增强对动态系统理解和决策过程方面的关键作用。本文通过提出代理模型和平行计算等技术手段来应对挑战,以提高贝叶斯推断效率。此外,还探讨了估计后验分布的高级方法,处理非高斯和非平稳建模误差,并在机器学习趋势不断演变的大背景下,展望了在线贝叶斯学习的前沿方向。与以往研究不同,本文对传统和前沿贝叶斯方法均进行了全面审视,不仅突出了贝叶斯方法的变革性影响,还作为指引,为研究人员探索新的发展和机遇提供方向,同时帮助在各种结构动力学挑战中审慎选择和优化合适的方法。
引言
工程结构作为社会的基石,承担着为子孙后代服务的重任。然而,恶劣的环境条件、严苛的载荷以及维护不当会严重削弱其耐久性。因此,结构动力学已成为保障这些关键结构安全性和可靠性的重要学科。这不仅包括通过动态响应测量来锁定结构系统中的关键参数并监测其运行状态[1]、[2],还包括评估土木工程、机械工程和航空航天工程领域的整体动态行为。多年来,众多研究人员致力于展示正向和逆向结构动力学分析在实际问题中的适用性,取得了显著进展,这些成果已在大量先前研究中得到全面回顾[3]、[4]、[5]、[6]、[7]、[8]、[9]。尽管取得了这些进展,结构动力学分析的发展尚未完备。大多数传统方法通常聚焦于确定性最优值,而忽视了结构参数的不确定性,难以评估推断解的鲁棒性和可靠性。因此,在系统框架内仍存在对稳健算法的迫切需求,以捕获和量化结构动力学中的不确定性,这一问题在近几十年引起了越来越多的关注[2]、[10]、[11]、[12]。
通常,结构动力学分析中涉及多种不确定性,如源自信息不完整的不确定性、因物理现象建模不完善而产生的误差,以及测量噪声等[13]。无论不确定性来源如何多样,结构动力学中的不确定性大致可分为两类:偶然不确定性(Aleatoric uncertainty)和认知不确定性(Epistemic uncertainty)(图1)[14],以下将详细介绍这两类不确定性。为进一步澄清二者区别,表1比较了它们的关键特征,并在结构动力学背景下总结了其典型来源。
• 偶然不确定性:这种不确定性源于数据的固有随机性或噪声[15],即使收集更多数据来优化模型也无法消除,包括同方差异部分和异方差异部分[15]。前者对不同输入保持不变,而后者依赖于输入,因为某些输入的噪声可能比其他输入更大。偶然不确定性体现了输入、输出及其依赖关系的固有随机特性,在结构动力学背景下,其来源包括材料属性和外荷载的变异性、激励和动态响应的测量噪声、环境和操作变异性(EOVs)、制造变异性、不适当的数据预处理方法等。此外,偶然不确定性还可以从多个来源累积并传播到模型中。
• 认知不确定性:这种不确定性源于对所给数据最好用哪种模型来描述的知识缺乏[15],理论上在构建模型的数据充分时可以消除。在工程问题中,认知不确定性的来源相似,可分为模型参数不确定性和模型结构不确定性(模型形式不确定性)[14]。例如,采用线性假设来模拟非线性结构系统的动态响应,本质上就会引入认知不确定性,这源于对系统行为的不完整认知。
更广泛地说,这种不确定性分类定义在"模型宇宙"之内,后者指的是作为现实数学理想化的物理和概率模型(或子模型)的集合[14]。必须认识到,任何关于不确定性本质和特征的讨论都必须在该模型宇宙的具体边界内进行[14]。在这一框架下,偶然不确定性和认知不确定性的分类并非绝对的,而是建模者做出的一种务实选择。这两种类型之间的界限是主观的,取决于将模型复杂度限制在工程重要性水平的实际需要。
为应对结构动力学中普遍存在的不确定性,一种直观且常用的方法是将统计推断应用于考虑未知变量的概率分布。统计推断主要有两大方法:"频率学派"方法和贝叶斯方法[17]。"频率学派"统计中对概率的定义是长期极限相对频率[18],而在贝叶斯统计中,概率被视为在信息不完全条件下对一个命题可能性的度量,该命题的真假状态未知[19]。从贝叶斯视角来看,事件的概率可以基于观测证据进行更新。具体来说,贝叶斯理论解释了在观察到另一事件时某一事件的概率,与"频率学派"统计不同,这使得在给定观测的情况下逆向估计概率成为可能。此外,在贝叶斯视角中,数据与模型参数都被赋予概率,从而形成了一个系统化的框架,通过模型参数的概率分布来处理认知不确定性。然而,尽管贝叶斯统计在处理不确定性方面具有优势,但在20世纪之前并未被广泛接受,因为人们普遍认为概率只能应用于偶然不确定性,而非认知不确定性。自20世纪50年代以来,Cox [20]、[21]和Jaynes [22]为贝叶斯方法建立严格逻辑基础的努力使其作为一种统计推断和不确定性量化的数学方法而广受欢迎,此后已在各领域得到应用和研究。
在结构动力学的背景下,分析方法通常分为两大类:基于物理模型的方法和基于数据驱动型统计模型的方法[1]。传统上,结构动力学分析依赖于被研究结构系统的物理模型,如有限元(FE)模型,如图2所示。随后使用模型的详细物理描述结合来自真实结构的测量数据来完成分析任务[1]。贝叶斯推断由Beck和Katafygiotis于20世纪90年代引入这一框架[23]、[24]。该方法提供了一种处理条件于许多工程问题不可重复性的不确定性的途径,这限制了从"频率学派"视角进行统计推断。该方法的另一优势在于,模型参数的真实值通常不存在,因为估计往往不是唯一的,这使得将概率解释为条件于不完整信息的多值逻辑来进行合理推断更为合理[25]。在利用贝叶斯推断对结构动力学物理模型进行这一开创性探索之后,该领域多年来取得了大量发展,涵盖多种目的,包括传播不确定性以实现鲁棒的响应和可靠性预测[26]、[27],更新有限元模型参数[28]、[29],从竞争性模型族中选择模型类[13]、[30],以及对结构损伤诊断结果进行不确定性量化以获得更可靠的结果[31]。然而,由于对物理机制的认知不完整以及难以指定复杂的系统部件(如连接件和接头),建立精确的物理模型有时颇具挑战性。这一局限性促使结构动力学中数据驱动型统计模型方法的发展[1],这些方法直接使用测量数据构建数据驱动型统计模型,即使在物理知识有限的情况下也能表示各种任务的输入-输出映射关系。先进传感网络和机器学习(ML)技术的发展进一步推动了这些基于统计模型方法的发展。同时,贝叶斯推断在这些方法中也得到了重视,因为当不确定性未被正确识别或处理时,机器学习模型容易产生过于自信但不准确的预测[2]。贝叶斯推断通过提供更为稳健的不确定性估计框架来弥补这些不足。
此外,图2总结了贝叶斯方法的概念相关性,展示了结构动力学中的信息双向流动。与确定性方法不同,该框架将系统输入X和模型参数θ均视为由概率密度函数(PDFs)表征的不确定变量。该框架运行于两个主要阶段:
• 不确定性逆向传播:如图2下半部分所示,利用实验观测值Y来更新关于结构参数的初始先验信念pθ。此过程遵循贝叶斯定理:pθ|Y,X∝pY|X,θpθ,其中似然函数pY|X,θ架起了数值模型与物理数据之间的桥梁。
• 不确定性正向传播:给定模型参数的后验分布,该框架可实现正向预测(图2上半部分)。通过对参数和输入不确定性进行积分,pY=∫pY|X,θpXpθdXdθ,可以预测总系统响应,同时对所有已识别的不确定性来源进行严格记账。
尽管贝叶斯方法在结构动力学中的应用日益普及且取得了显著成就,但据作者所知,现有的综述工作主要聚焦于结构动力学中的特定技术或应用场景[28]、[29]、[32]、[33]、[34]、[35]。目前仍缺乏一篇全面综述,能够从贝叶斯推断对物理模型和数据驱动型统计模型的双重视角系统地对这些方法进行归类并阐明其应用场景,同时将这些方法与机器学习等新技术的发展趋势联系起来。为弥补这一空白,本文提供了对物理模型和数据驱动型统计模型的传统及前沿贝叶斯方法的系统综述,以及这些方法在结构动力学广泛任务中的应用。
具体而言,我们详细介绍了贝叶斯定理,并探讨了三种主流的后验分布估计方法。此外,我们将结构动力学中的贝叶斯方法分为两大类:物理模型的贝叶斯推断和数据驱动型统计模型的贝叶斯推断。然后我们深入探讨了这些方法在结构动力学若干关键任务中的应用,包括系统辨识(SI)、模型更新、损伤识别和可靠性更新。针对每项任务设计的特定贝叶斯方法也得到了详细讨论,重点包括先验分布的选择、似然函数的构建以及后验分布的估计。
图3a展示了本综述所涵盖的结构动力学中贝叶斯方法的示意图,而图3b则展示了勾勒本文结构的研究路线图。本综述余下各部分组织如下:第2节介绍了贝叶斯推断框架的理论背景,以及估计后验分布的三种主流方法。在此基础上,第3节深入探讨了物理模型的贝叶斯推断的传统方法和最新方法,以及这些方法在结构动力学中的应用。第4节考察了结构动力学中流行的四种统计模型的贝叶斯推断方法,以及这些方法在该领域的应用。第5节讨论了一些需要未来努力的研究挑战,以及一些值得进一步探索的潜在方向。第6节通过强调贝叶斯方法在结构动力学中的优势、潜力和开放性挑战来总结本综述。各节摘要
**贝叶斯定理**
贝叶斯定理以托马斯·贝叶斯命名,是重新校准概率分布以纳入新证据的有力工具。凭借其丰富的历史和各学科中广泛的应用,它已成为当代统计学和概率论的基本支柱。如果我们用A和B表示两个事件,贝叶斯定理可以推导如下:P(A|B) = P(B|A)·P(A)/P(B)。贝叶斯定理提供了一种从观测数据中推导系统不确定模型的方法。
**物理模型的贝叶斯推断及其在结构动力学中的应用**
对于结构动力学分析,一种主要范式是构建和更新基于物理的模型,以表征动态系统的内在机制,并通过将测量响应与模型预测相结合来推断结构参数或状态。在贝叶斯框架内,关于这些参数和/或预测误差的先验知识被纳入推断过程,提供了一种原则性的方法来估计感兴趣的量并通过贝叶斯推断方案量化不确定性。
**以数据为中心的统计模型的贝叶斯推断及其在结构动力学中的应用**
除了构建基于物理定律的模型外,另一种主要的结构动力学分析方法是直接基于测量或模拟的结构响应建立以数据为中心的统计模型,并通过统计模式识别来识别结构参数或状态[1]。这些方法旨在物理机制尚未充分研究或理解的情形。在过去几十年中,传感器的快速发展……
**结构动力学中具有代表性的贝叶斯方法的基准案例研究**
为了使读者对不同方法的有效性和效率有更清晰的了解,并增强本综述的教学价值,本节使用文献[422]中报道的一个示例对代表性的贝叶斯方法进行了基准测试。由于本综述所涵盖的贝叶斯方法针对结构动力学中的不同任务和应用场景,在一个统一的示例中进行全面比较是不切实际且超出本综述范围的。
**挑战与未来展望**
尽管上述广泛努力和显著进展,结构动力学中的贝叶斯方法仍然是一个活跃的研究前沿,存在持久的开放性挑战和知识空白。本节概述了结构动力学中实用贝叶斯方法应具备的基本特性方面的关键障碍,以及有前景的未来研究方向。贝叶斯定理从根本上支配了先验知识和似然函数整合为后验……
**结论**
贝叶斯学习已成为结构动力学中流行且前景广阔的方法,为分析复杂动态系统提供了系统的概率框架和全面的处理不确定性的方法。本综述着重介绍了过去几十年结构动力学中贝叶斯学习的发展,展示了基础原理、先进方法和多样化应用,这些对领域做出了重大贡献。通过考察三种方法……
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
**致谢**
本研究得到了澳门特别行政区科技发展基金(文件编号:0120/2025/AMJ, 0038/2024/RIB1, 001/SKL/2024)、澳门大学研究委员会(文件编号:MYRG-GRG2024-00119-IOTSC 和 MYRG-GRG2025-00270-IOTSC)、澳门大学智慧城市物联网国家重点实验室开放研究项目(SKL-IoTSC(UM)/ORP02/2025)以及粤港澳大湾区联合实验室计划(项目编号:2020B1212030009)的支持。
**作者:** Yan Wang-Ji、Lin-Feng Mei、Yuan-Wei Yin、Mo Jiang、Papadimitriou Costas、Ka-Veng Yuen、Michael Beer
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