调谐质量阻尼器数据高效建模的神经常微分方程主动学习 中文标题:基于神经常微分方程主动学习的调谐质量阻尼器数据高效建模

《Engineering Applications of Artificial Intelligence》:Active learning with neural ordinary differential equations for data-efficient modeling of tuned mass dampers

【字体: 大 中 小 】 时间:2026年03月15日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  结构振动控制装置在土木工程中的日益广泛应用,亟需高效的数据驱动建模来支持快速设计和实时应用,包括数字孪生。调谐质量阻尼器(Tuned Mass Dampers, TMDs)及其变体,如工程实践中广泛使用的调谐液体柱式阻尼器(Tuned Liquid Colum

  
结构振动控制装置在土木工程中的日益广泛应用,亟需高效的数据驱动建模来支持快速设计和实时应用,包括数字孪生。调谐质量阻尼器(Tuned Mass Dampers, TMDs)及其变体,如工程实践中广泛使用的调谐液体柱式阻尼器(Tuned Liquid Column Dampers, TLCDs)的性能测试,为开发和验证此类模型提供了极好的基础。然而,全面的测试仍然成本高昂且耗时。本研究提出了一个主动学习框架,该框架能自主优化实验参数,以最小的努力生成最具信息量的训练数据。该框架采用模式搜索优化,基于模型精度指标识别最优测试条件。神经常微分方程(Neural Ordinary Differential Equations, Neural ODEs)被用于对响应数据进行建模,准确捕捉非线性,同时无需单独测量恢复力。所提出的方法扩展了标准Neural ODE架构,以模拟受迫振动,并同时估计TMD识别中通常未知的模态质量,解决了其一个基本限制。研究根据标准性能测试协议,在一个TLCD上使用振动台进行了实验验证,采用谐波激励进行训练,采用正弦扫频激励进行模型误差估计。结果表明,所提出的框架仅需20次实验即可达到90%的成功率,相较于传统无监督采样方法所需的35次实验,减少了43%。通过宽带噪声测试进一步验证了其鲁棒性,确认了其在训练条件之外的泛化能力。最后,将开发的模型应用于一个数值算例,展示了其在结构工程问题中更广泛的适用性。
### 基于主动学习与神经常微分方程的调谐质量阻尼器高效建模研究解读

随着土木工程领域对环境、经济和建筑美学要求的不断提高,结构趋于纤细、轻质且固有阻尼较低,使其对振动更为敏感。这导致了对能够提供附加阻尼、有助于维持结构完整性和使用性能的结构振动控制装置(如调谐质量阻尼器及其变体调谐液体柱式阻尼器)的需求日益增长。然而,这些装置的阻尼机制通常引入非线性,使得基于传统物理原理的分析模型难以高效、准确地描述其动态行为,特别是在进行多种动态荷载工况的时域计算时,计算量巨大。因此,开发高效且准确的模型成为一项关键挑战。

作为替代方案,数据驱动建模(例如利用各类人工神经网络)显示出潜力。这类方法在监督训练后,能够根据提供的数据学习并复现多样的响应特性。值得注意的是,振动控制装置在获准用于结构之前,通常需要按照相关规范进行实验室性能测试,这为通过测试集成方法开发数据驱动模型提供了契机。但当前的测试流程通常不直接生成功能化模型,且获取大量高质量标记数据成本高昂,这是本研究旨在解决的缺口与核心问题。为此,研究人员在《Engineering Applications of Artificial Intelligence》上发表论文,提出了一种集成主动学习与神经常微分方程(Neural ODEs)的框架,旨在测试阶段直接实现数据高效建模。

研究人员开展此项研究的主要目标有二:一是自主收集包含装置在其指定工作范围内代表性特征的响应数据,以生成人工神经网络模型;二是最小化收集上述数据集所需的实验次数。为此,他们开发了一个主动学习框架,该框架能自主识别最优训练集,其中封装了足够信息以高效训练模型并实现泛化。框架的核心是扩展的Neural ODE模型,用于对控制装置(特别是其状态响应)进行建模。该框架采用模式搜索优化算法,以模型在参考数据集上的误差为优化目标,迭代地寻找能产生最具信息量训练数据的最优实验参数组合,从而显著减少所需物理实验的数量。

为开展研究,研究人员主要采用了以下几个关键技术方法:
1. **扩展的神经常微分方程建模**:针对受迫振动系统且模态质量未知的识别难题,对标准Neural ODE架构进行了关键扩展。在状态方程中显式参数化了与质量相关的输入缩放项,引入一个可优化的标量参数θm来捕获未知的模态质量,使神经网络能专注于学习系统内在动力学,同时实现模态质量的唯一辨识,无需测量恢复力。
2. **主动学习与模式搜索优化**:构建了一个测试集成框架,将Neural ODE模型与主动学习循环结合。使用模式搜索这一无导数优化算法,在预设的实验参数采样空间内,以最小化模型在参考集上的误差为目标,自主寻找最优实验配置。该算法通过网格的扩张与收缩平衡探索与利用,能以较少函数评估(即实验次数)找到最优解。
3. **集成学习与训练策略**:采用由10个相同架构但不同初始权重的Neural ODE组成的集成,以降低训练方差,提高模型稳定性和最终性能。训练采用滑动时间窗口方案,从时间序列中随机选取重叠片段,保留了时间因果性,并利用所有可用数据。
4. **实验验证与基准对比**:使用一个安装在振动台上的调谐液体柱式阻尼器原型机进行实验验证。训练数据由简谐激励产生,参考数据由正弦扫频激励产生。将所提框架与均匀随机采样、拉丁超立方采样和Sobol序列采样等无监督方法进行对比,以成功率达到90%所需实验次数作为主要性能指标。

**研究结果部分通过多个子章节展示了详细的发现:**

**4.5.1 误差曲面**:通过可视化整个采样空间的模型误差,确认了误差曲面存在最小值区域,证明了存在更具信息量的采样区域,且曲面具有随机性,验证了使用随机优化算法的合理性。最优训练数据集在激励频率接近系统固有频率(0.64 Hz)、位移幅值为20 mm时获得,但并非最大激励幅值处,这与直觉相悖,突显了优化算法的必要性。

**4.5.2 与无监督采样方法的比较**:所提出的主动学习框架明显优于所有测试的无监督采样方法。框架仅需20次实验即可达到90.4%的成功率。相比之下,表现最好的无监督方法(Sobol序列和拉丁超立方采样)需要至少35至45次实验才能达到相同的成功率,这意味着实验工作量减少了约43%。

**4.5.3 神经常微分方程的训练**:使用最优训练数据集,Neural ODE训练有效,损失函数迅速下降并收敛。扩展的Neural ODE成功识别出几何因子γ?1(与模态质量相关)为0.40,与理论值0.39高度吻合。研究表明,使用集成方法显著减少了训练方差,得到了更稳定、准确的误差曲面和参数识别结果。

**4.5.4 鲁棒性与泛化评估**:即使使用与训练数据(谐波激励)显著不同的宽带随机噪声激励进行测试,训练好的Neural ODE模型仍能保持令人满意的预测精度,成功捕捉了系统整体动力学、响应幅值、主导频率内容和相位关系,证明了其良好的泛化能力。

**4.5.5 Neural ODE修改的敏感性分析**:通过控制数值实验,系统性地分离了强制输入项和模态质量参数θm的影响。研究证实,当模态质量未知时,θm对于准确的幅值预测至关重要;而强制激励数据对于模态质量识别是必要的。同时学习网络参数和θm是计算高效且数值稳定的。

**4.5.6 优化参数的敏感性分析**:对模式搜索算法的初始网格大小、投票方法等参数进行了敏感性分析。结果表明,所选参数(网格大小4,投票方法#1)在最小化函数评估次数的同时保持了有效性,提供了接近最优的性能。进一步调参虽可能略微提高成功率,但会显著增加所需的实验次数。

**4.5.7 与遗传算法的比较**:与遗传算法相比,模式搜索在达到相同成功率(90%)时,平均所需函数评估次数更少(9.0次 vs. 14.5次),且变异性更低,证明了其在实验参数识别中具有更高的效率和可靠性,更适合实验资源规划。

**5. 应用示例**:展示了训练好的TLCD Neural ODE模型在结构分析中的应用。将模型与一个单自由度结构耦合,模拟了TLCD对结构动力响应的控制效果。结果表明,安装TLCD后,结构的频率响应得到显著改善,位移响应明显减小,验证了所生成模型在工程应用中的潜力。

**讨论与结论部分**总结了本研究的核心发现与意义。研究人员提出并验证了一个用于TMD数据高效建模的主动学习框架。该框架集成了扩展的Neural ODE(能够处理受迫振动并估计模态质量)和模式搜索优化,能够自主选择信息量最大的实验参数,从而以最少的实验次数生成高精度模型。实验验证表明,该方法在达到目标精度的前提下,所需实验次数显著少于最佳无监督采样方法。扩展的Neural ODE架构无需恢复力测量即可估计模态质量,这是一个对结构动力学建模和系统识别任务均有价值的新特性。通过集成学习降低了训练方差。框架可直接与标准性能测试协议集成,降低了仪器要求,并为振动控制设备的数字孪生高效开发提供了途径,在加速设计、控制分析和预测性维护方面具有工业应用前景。然而,研究也存在一定局限性:当前框架适用于具有弱记忆效应非线性的单自由度系统,且不提供模型预测的直接不确定性量化。未来的研究可侧重于将框架扩展到更广泛的系统,并开发更完善的不确定性量化方法。

**研究结论**:本研究提出了一个用于调谐质量阻尼器数据高效建模的主动学习框架。该框架旨在高效地生成实验数据并开发被测样本的模型。它允许模型主动查询定义实验条件的参数,例如激励信号、环境温度和样本特定因素。为此,采用模式搜索算法来优化实验参数,重点是通过以最少的实验生成最具信息量的数据来提高模型精度。使用参考信号(通常对应于基于应用要求和行业规范的实验室性能测试中应用的信号)来评估模型。作为模型,开发了神经常微分方程的扩展版本,能够在不需要恢复力测量的情况下预测受迫振动下的系统状态。与经典版本不同,所提出的神经常微分方程架构除了其状态外,还可以估计控制装置的模态质量。这一新特性不仅对本文的目标应用有用,也有望用于其他结构动力学建模和系统识别任务。通过采用神经常微分方程集成,减少了训练方差,进一步提高了框架的性能。所提出的框架在一个安装在振动台上的调谐液体柱式阻尼器原型上进行了验证,如同工业性能测试一样。使用简单的谐波信号生成响应数据,并将振幅和频率选为实验参数。使用正弦扫频作为参考信号。在随机初始化优化算法后,所提出的框架识别出了最优训练数据集。在该数据集上训练后,神经常微分方程模型准确预测了调谐液体柱式阻尼器的响应,证明了该框架的有效性。然后将该框架与三种无监督采样方法(均匀随机采样、拉丁超立方采样、Sobol序列采样)进行了比较。所提出的框架优于这些方法,仅用20次实验就达到了90%的成功率,而表现最好的无监督采样方法(Sobol序列)至少需要35次实验才能达到相同的成功率,这意味着所需的实验工作量减少了43%。最后,生成的神经常微分方程模型被用于模拟调谐液体柱式阻尼器与结构耦合的情况,展示了所生成模型在工程应用中的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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