基于数字孪生的时空图神经网络用于大跨桥梁抖振响应预测

《Engineering Structures》：Digital twin-informed spatiotemporal graph neural network for buffeting response prediction of a long-span bridge

　　

摘要

传统的大跨度桥梁抖振分析依赖于风洞试验和数值模拟，涉及众多不确定性参数且计算成本高昂。为解决这些局限性并提供实时抖振响应预测，本研究提出了一种数字孪生驱动的空间时间图神经网络（DTI-STGNN）方法。该方法由三部分组成：（1）建立大跨度桥梁抖振分析的 digital twin，并从中生成数据集，覆盖多种风况和结构工况；（2）设计DTI-STGNN的图卷积层、时间卷积层和损失函数，并利用数字孪生生成的数据集对其进行训练；（3）开发长短期记忆网络（LSTM）与Transformer结合的混合模型，基于历史风速数据实现短时风速的准确预测，然后利用DTI-STGNN预测桥梁对应的抖振响应。最终将所提出的DTI-STGNN方法应用于一座实际悬索桥作为案例研究。案例研究结果表明，与传统LSTM、门控循环单元模型及常规抖振分析方法相比，DTI-STGNN方法具有高精度、实时预测能力、强泛化能力及物理一致性特征，为大跨度桥梁抖振响应的实时预测与安全评估提供了一种新方法。

引言

大跨度桥梁作为现代交通基础设施的关键节点，其结构安全和服役性能对交通安全和国民经济发展至关重要。然而，由于跨径大的特点，刚度和阻尼相对较低的大跨度桥梁对风荷载尤为敏感[1,2]。抖振是由边界层大气中脉动风引起的有限振幅振动，是常见风况下大跨度桥梁的主要风致振动形式之一[2]。虽然抖振不会像颤振那样直接导致灾难性的气动失稳，但长期频繁的抖振响应会导致结构部件产生疲劳损伤，影响行车舒适性和安全性，并可能危及大跨度桥梁的长期耐久性和服役寿命[3,4]。近期研究表明，桥梁抖振的影响超出短期振动幅值范畴。反复的抖振应力循环可能导致关键部件的疲劳损伤累积，而演变的风气候可能改变大跨度桥梁的长期风灾水平和全寿命疲劳需求[5,6]。因此，大跨度桥梁抖振响应的准确实时预测对于确保结构安全和运行可靠性至关重要[7,8,9,10]。

关于大跨度桥梁抖振分析已开展了大量研究。数值模拟方法在精度和效率方面取得了显著进步，从经典的Davenport理论[11]发展到考虑气弹交互和非线性特性的现代方法[12,13]。然而，尽管当前使用的方法在大跨度桥梁设计阶段发挥着关键作用，但在桥梁运营和维护阶段仍存在一定局限性。首先，传统抖振分析依赖于气动参数，如气动导纳函数（AAFs）、气动系数和颤振导数（FDs），这些参数通常通过风洞试验获得。然而，风洞试验会受到雷诺数效应和阻塞效应等尺度效应的影响。此外，传统抖振分析往往采用一些假设，如准定态假设和稳态假设，无法高效准确地捕捉由风-结构相互作用引起的非线性和时空演化特征[14]。为了更好地再现真实大气风况，Ma等人[15]在自然风中进行了全桥气弹模型试验，研究了一座大跨度桥梁的抖振响应，为更真实风环境下的抖振响应评估提供了试验依据。此外，现有抖振分析方法在实时风况下对桥梁抖振响应进行动态评估和精确预测方面面临挑战。

为满足日益增长的结构安全和耐久性需求，许多大跨度桥梁已配备了结构健康监测系统（SHM）。这些SHM系统部署传感器网络，如风速仪、加速度计、应变片和GNSS接收机，以采集风况和抖振响应的实时数据[16,17,18]。通过使用实测风数据，可以在真实大气边界层条件下进行大跨度桥梁抖振分析，所获得的抖振响应结果为验证现有抖振分析方法提供了不可或缺的手段[19,20]。然而，这种验证是被动的，实测数据并未真正映射到抖振分析中。

近年来发展的数字孪生技术可能提供更好的途径。数字孪生是物理实体的高保真数字表征，通过实时同步物理实体的状态、特性和行为，支持模拟、分析和优化。该概念最初由Grieves和Vickers[21]提出并应用于航空航天领域。近年来，数字孪生已被广泛应用于桥梁工程[22,23,24]。除桥梁响应模拟外，数字孪生技术还与智能传感和几何量测相结合用于桥梁安全监测。例如，Liao等人[25]通过结合合成数据生成、智能传感和虚实迁移学习，开发了数字孪生辅助的自动船型量测框架，用于船-桥碰撞预警。在抖振分析背景下，基于物理机制并经SHM测量数据校准的高保真数字孪生可以模拟整个桥梁的抖振响应，包括未安装传感器的位置。然而，此类数字孪生的建立耗时较长，且使用数字孪生进行抖振响应预测并非实时进行。

近年来，机器学习的发展为预测大跨度桥梁抖振响应开辟了新的途径。主要研究方向包括预测均方根（RMS）抖振响应[26,27]和模拟抖振响应时程[28,29]。例如，Laima等人[30]提出了一种基于神经网络的频域模型来预测桥梁抖振响应。该模型采用双向门控循环单元（GRU）构建，可预测运营工况下抖振响应的功率谱和RMS值。Li等人[31]引入了一种基于长短期记忆网络（LSTM）的数据驱动模型，利用SHM测量值考虑真实风况和流体记忆效应来预测时域抖振响应。Tao等人[32]利用现场实测数据研究了雷暴风下大跨度桥梁抖振响应的智能预测。通过比较四种神经网络模型（前馈神经网络、卷积神经网络、LSTM和GRU），发现在强风条件下GRU的预测精度最高，而在低风速条件下LSTM表现出更高的预测精度和更好的泛化能力。然而，尽管取得了这些进展，一个共同的局限性仍然存在：这些机器学习方法主要关注单点或少量测点的抖振响应预测，忽视了抖振响应的空间相关性。最近，Wang等人[33]开发了一种迁移学习增强的多层感知机用于大跨度桥梁抖振响应预测，其中将源域样本的知识迁移以在有限的目标域数据下改善预测性能。多点抖振响应的同步预测对于全面评估结构整体行为和安全性至关重要。

为解决这一差距，空间时间图神经网络（STGNNs）作为一种有前景的进展应运而生。通过将桥梁建模为图，其中节点代表关键结构位置，边捕获它们之间物理或动力学连接，STGNNs能够内在整合时间模式和空间依赖关系[34,35]。例如，Li等人[36]提出了一种方法，通过模拟伪瞬态迭代中的热扩散构建物理层，并使用图结构上的广义有限差分法近似梯度和散度算子，从而形成物理嵌入的图神经网络架构。Ye等人[37]提出了一种物理信息STGNN用于重建因传感器故障等问题导致的高速铁路桥梁缺失温度效应应变数据。在一座大跨度斜拉桥上的实验表明，该STGNN在重建精度和计算效率方面均优于多个神经网络模型，同时还能对应变场演化提供物理解释性见解。因此，STGNNs能够同时预测多个位置的抖振响应，为复杂风况下桥梁抖振分析提供了更全面和物理一致的框架。

尽管STGNNs为建模桥梁结构中的时空依赖关系提供了强大框架，但其预测能力从根本上受限于SHM系统的测量数据。这造成了无法直接预测未监测位置响应的实际挑战。此外，由于测量数据的范围限制，无法可靠地外推超出监测范围的响应，这可能影响结构安全评估的全面性。为解决这些局限性，可将数字孪生的物理信息模拟数据与实测数据结合使用，以显著丰富训练STGNNs的数据基础。因此，STGNNs可以从数字孪生驱动的空间完整数字模拟中学习，即使在无传感器的位置也能准确预测抖振响应。这种整合促进了桥梁抖振响应预测的新范式，从局部监测转向全场感知，从纯数据驱动方法转向物理信息学习。

与以往主要关注大跨度桥梁抖振分析数字孪生建立的研究[24,38]相比，本研究主要关注将高保真但计算密集的数字孪生转化为用于实时抖振响应预测的高效时空代理模型。此外，所提出的DTI-STGNN使用数字孪生作为物理信息数据生成器，提供更广泛风况下的空间完整响应数据，从而克服了仅使用现场实测数据的数据驱动神经网络在传感器覆盖范围和实测风速范围方面的局限性。与现有的主要关注单点或少量点响应预测的基于机器学习的抖振预测研究不同，所提出的方法能够实现多点抖振响应的实时预测，包括未监测位置的响应以及超出直接实测风速范围的风况下的响应。

因此，本研究旨在开发一种数字孪生驱动的空间时间图神经网络（DTI-STGNN）方法，基于现场实测风速和加速度响应数据预测大跨度桥梁的抖振响应。本文其余部分组织如下：第2节详细描述DTI-STGNN的开发方法。第3节呈现案例研究，将所提出的DTI-STGNN方法应用于一座实际大跨度悬索桥。第3.1节描述物理实体和虚拟实体，建立原型桥梁抖振分析的数字孪生并生成建立DTI-STGNN所需的数据集。第3.2节构建原型桥梁的DTI-STGNN，验证所提出DTI-STGNN方法的可行性，并与其他神经网络进行比较分析。第3.3节基于此前实测的历史脉动风速预测桥梁测站未来1步、3步和6步的脉动风速，然后利用已建立的DTI-STGNN预测原型桥梁对应的抖振响应。第4节总结本研究的主要结论。

第2节 DTI-STGNN开发方法

如图1所示，DTI-STGNN的开发方法包括三个步骤：（1）开发大跨度桥梁抖振分析的数字孪生并生成数据集；（2）利用数字孪生生成的数据集建立DTI-STGNN；（3）使用LSTM和Transformer进行风速预测，再利用DTI-STGNN进行对应抖振响应预测，以实现大跨度桥梁短时响应的预测。

2.1 物理实体、虚拟实体与数字孪生

本研究使用一座受抖振作用的实际大跨度悬索桥作为物理实体。如图5所示，该桥主跨1650 m，南北边跨分别为485 m和578 m。为提高气动稳定性，采用双箱钢桥面。图6详细展示了桥面横截面，其高度为3.51 m，总宽度为36 m，两个箱梁之间有6 m的间距。对该桥建立了考虑抖振作用的有限元模型。

结论

本研究建立了一个实时预测实际大跨度悬索桥抖振响应的框架。通过一座实际大跨度悬索桥对该抖振响应预测框架的可行性进行了评估。

本研究的主要结论如下：（1）提出了一种利用数字孪生赋能的时空图神经网络（DTI-STGNN）的新型颤振预测框架。通过利用数字**CRediT作者贡献声明** S.J. Jiang：调查、方法、软件、形式分析、可视化、数据整理、撰写——初稿。 Y.L. Xu：概念设计、调查、方法、资金获取、监督、撰写——审阅与编辑。 S.M. Li：软件、数据整理。**利益冲突声明** 作者声明，他们没有已知的 competing 经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。**致谢** 本文所述工作获得中国教育部长江学者奖励计划（SWJTU-WB0100111012209）的资助，作者对此表示最诚挚的感谢。本文中所呈现的任何观点和结论均为作者本人的观点。S.J. Jiang | Y.L. Xu | S.M. Li 西南交通大学 土木工程学院 桥梁工程系，中国成都。