一种用于监测涂层海底管道界面滑动的神经网络多物理场数字孪生原型

《Marine Structures》：A neural-network multiphysics digital-twin prototype for interfacial slip monitoring in coated subsea pipelines

　　•SFEM高效地捕捉了二维局部化管道界面滑移现象。•快速的SFEM数据生成使得神经网络训练更加稳健。•识别出原始压阻式结构健康监测（SHM）信号中的一个关键模糊性。•通过融合应变和电学数据，改进了预测结果。

引言
多层复合管道是一种重要的基础设施，由承载负载的钢管内层包裹在保护性聚合物外层中，用于海底环境。外部聚合物涂层提供了热绝缘性，确保流体流动的同时保护钢管免受腐蚀性海水的侵蚀[1]。然而，评估这些复合结构的完整性仍然具有挑战性。隐藏的界面损伤，如钢管与聚合物外层之间的分层或相对滑移，会逐渐使管道暴露于腐蚀环境中，从而降低系统的机械性能和热性能[2][3]。图1展示了这种管道的构造：一根输送流体的钢管、一个内部导电介质衬层、一层将钢管与外层聚合物粘结在一起的薄粘合层，以及周围的海水。粘合层沿着管道连续分布，本文旨在推断这一层的剪切刚度。

结构健康监测（SHM）为评估此类损伤状态提供了框架。SHM方法通常分为数据驱动型、基于模型的型和混合型[4]。基于振动的数据驱动方法可以通过传感器数据中的统计异常来识别损伤，而无需明确的物理方程[5]。基于模型的方法建立了环境应力、材料变化与结构响应之间的数学映射[6][7]。高保真有限元（FE）仿真可以详细解析这些力学问题，但由于计算成本较高，难以直接应用于大规模参数研究[8]。数字孪生框架试图将基于物理的模型与数据驱动的推断结合起来，从而能够根据测量或仿真的传感器信息估计结构状态[9][10][11]。

人工神经网络（ANN）在这种情况下常被用作替代模型或逆向模型。然而，由于实地观测到的脱胶和受控老化数据难以获得[12][13]，其在海底SHM中的应用受到限制。一种实际的选择是从简化的基于物理的模型生成训练数据。在这种设置中，简化模型提供了适合采样大操作范围的计算成本较低的输入-输出对。然后使用ANN作为一个软传感器，从可获取的机电特性中估算潜在参数，例如界面粘结刚度。

对于所提出的计算数字孪生原型中的传感组件，我们考虑使用内部压阻式传感器。管道内的导电流体被视为体积式电传感器，因此可以通过电阻变化来推断由微小变形引起的导电域内的变化[14]。然而，从全局电阻到界面损伤的映射并不一定是一对一的。随着管道-外层界面的退化，压阻响应可能会变得非单调，这给仅基于电数据的机器学习模型带来了识别上的限制[15]。因此，本文考虑通过传感器融合来减少这种非唯一性并提高界面粘结状态的估计精度。

为了解决这些数据生成挑战，我们采用了结合有限元方法灵活性与解析扩展效率的半解析技术。具体来说，我们采用了基于Kantorovich降维的谱有限元方法（SFEM）。这种方法使用有限元离散化截面以处理材料异质性，同时通过不需要网格划分的谐波函数表示轴向依赖性。这将二维弹性问题转化为常微分方程（ODE）系统，并以特征值问题的形式求解。传统上，SFEM已被用于研究复合材料中的波传播[16][17]、分层梁中的损伤检测[18][19]，并且在复合层压壳和复杂异质介质中的应用也不断得到发展[20][21]。在机电领域，该方法已广泛应用于压电复合壳[22][23]。值得注意的是，Siao等人[24]和Taciroglu等人[25]使用SFEM分析了复合和空心双层压电圆柱体中的波导。相比之下，虽然复合材料中的压阻性已通过完整的FE[26][27]或均质化技术[28]进行研究，但将SFEM应用于多层容器的静态压阻设计尚未得到探索。

在本文中，我们提出了一个用于涂层海底管道SHM的计算数字孪生原型。概念工作流程如图2所示。首先使用一维SFEM进行机械分析，包括界面滑移和热特征应变，然后与一维静电FE结合，用于导电流体。SFEM实现包括了稳定性步骤，以解决Kantorovich降维过程中的矩阵病态和指数溢出问题。得到的简化模型用于生成ANN逆向模型的训练数据。通过系统的消融研究，我们研究了压阻电阻、压力敏感性和外部环向应变对界面粘结状态估计的影响。本文的目的不是展示实际部署，而是建立一个基于简化顺序仿真和神经网络推断的多物理场数字孪生工作流程的计算概念证明。

本文的结构如下：第2节阐述边界值问题和采用的近似方法；第3节描述了顺序弹性二维和静电二维FE模型；第4节讨论了网格简化：顺序弹性SFEM和一维静电FE；第5节比较了在刚性粘结、热载荷和界面滑移条件下的SFEM预测与密集网格FE基准模型的结果；第6节介绍了计算数字孪生原型中使用的数据生成程序和ANN架构；第7节讨论了特征消融研究、传感器噪声敏感性以及传感器融合的作用；第8节给出了结论。

问题表述和关键近似
为了建立所提出的计算数字孪生原型的基础，我们首先定义了基线弹性边界值问题，如图3a所示。物理系统被建模为一个有限长度的多层圆柱体，包括承载负载的钢管和保护性外层聚合物。这两个主要结构域通过一个不完美的界面机械耦合，该界面由切向滑移刚度（kt）参数化。

顺序弹性二维和静电二维FE模型
我们为弹性分析和静电分析建立了详细的有限元模型。对于弹性分析，我们考虑了滑移条件。这样做的目的有两个：一是为验证我们提出的SFEM结果提供基准；二是展示这些分析的高计算成本。

网格简化：顺序弹性SFEM和一维静电FE
我们现在介绍一种基于谱有限元方法（SFEM）的网格简化策略。通过将径向的一维有限元离散化与轴向的解析谐波展开相结合，该框架能够在远低于完整二维FE模型计算成本的条件下实现二维等效精度。顺序SFEM多物理场分析分为机械弹性步骤和随后的静电步骤。

SFEM框架的验证
为了评估所提出的稳定SFEM框架的准确性和效率，我们将其与第3节描述的密集网格二维FE模型进行了基准测试。验证在三种不同的物理场景下进行，均使用表1中预先定义的基线几何和材料属性：

1. 基线弹性分析：假设管道-外层界面刚性粘结时的内部加压。
2. 热运动学：结合静水压力和...

方法论：数据生成和计算数字孪生原型
为了构建数字孪生原型，开发了一个数据驱动框架，将SFEM获得的多物理场信号反转换为界面粘结参数log10(Γ)。需要强调的是，Γ是一个描述管道-外层界面平均状态的全局参数。因此，逆向模型估计的是界面退化的总体水平，而不是轴位置或退化区域的空间范围。

特征消融和传感器协同作用
在展示消融结果之前，有必要说明为什么压力敏感性携带的信息是原始电阻变化所没有的。在固定粘结状态下，响应可以表示为ΔRR0(p,ΔT,Γ)=a(Γ)p+b(Γ,ΔT)，其中压力驱动项通过a(Γ)携带界面特征，该值在Γ的采样范围内变化约13%，而热特征应变贡献了偏量b(Γ,ΔT)。仅提供p、ΔT和ΔR/R0的网络无法区分这些因素。

结论
本研究提出了一个计算多元物理场框架，用于通过结合网格简化力学、压阻式传感和基于神经网络的逆向建模来检测涂层海底管道的界面退化。其主要目标是克服密集二维有限元仿真的计算成本，同时保持解决 pipe-jacket 滑移相关的小机电特征所需的边界层精度。

关于手稿准备过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了Claude (Anthropic)工具来校对手稿和协助计算机编程。使用这些工具后，作者根据需要对内容进行了审查和编辑，并对已发表文章的内容承担全部责任。

关于利益冲突的声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

致谢
本研究是世界顶级国际研究中心倡议（WPI）活动的一部分，由日本文部科学省（MEXT）资助。