预应力混凝土梁长期拱度演化的物理信息神经网络(PINN)代理模型预测方法

《Buildings》:Physics-Informed Neural Network Framework for Predicting Creep-Induced Camber in Simply Supported Prestressed Concrete Girder Bridges Longxiang Zhu, Lei Gao, Lei Zhang, Binghui Wang, Wenxue Du and Mingchao Zhang

【字体: 大 中 小 】 时间:2026年04月02日 来源:Buildings 3.1

编辑推荐:

  摘要:本文提出一种基于物理信息神经网络(Physics-Informed Neural Network, PINN)的代理模型,用于预测预应力混凝土(Prestressed Concrete, PC)梁在长期时变效应下的挠曲拱度演化。针对传统解析方法与纯数据驱

  
摘要:本文提出一种基于物理信息神经网络(Physics-Informed Neural Network, PINN)的代理模型,用于预测预应力混凝土(Prestressed Concrete, PC)梁在长期时变效应下的挠曲拱度演化。针对传统解析方法与纯数据驱动模型分别受限于复杂时变本构关系不确定性及稀疏监测数据下泛化能力差的问题,研究人员将Euler–Bernoulli梁准静态弯曲平衡方程、时变折减有效弹性模量Eeff(t)、恒载与次永久荷载项及预应力筋偏心曲率等效分布荷载qps(x,t)嵌入PINN的损失函数中,使神经网络在满足力学控制方程、边界条件w(0,t)=w(L,t)=0与初始条件w(x,0)=0的约束下进行训练。研究表明,在仅有稀疏现场或实验室监测数据的情况下,所提PINN模型能准确捕捉PC梁的长期拱度发展趋势,相较纯数据拟合方法具有更好的物理解释性与外推预测能力。
研究背景与意义
预应力混凝土(Prestressed Concrete, PC)梁在服役过程中因混凝土徐变(Creep)、收缩(Shrinkage)及预应力筋松弛(Relaxation)产生随时间演化的长期拱度(Long-term Camber),过大或不准确的拱度预测会影响桥梁线形与后续铺装质量。传统计算方法(如ACI 209或Eurocode 2的Effective Modulus Method)依赖经验系数且难以兼顾复杂边界与荷载条件;纯数据驱动机器学习模型虽可拟合观测数据,但在监测数据稀疏时易过拟合且违背力学原理。为此,研究人员在《Buildings》期刊上发表本研究,将描述PC梁时变弯曲的控制微分方程作为物理约束融入神经网络,构建物理信息神经网络(Physics-Informed Neural Network, PINN)代理模型,以实现"强物理约束下稀疏数据"的长期拱度预测,提升预测精度与可解释性。
关键技术方法
研究人员采用以下主要技术路线:(1) 基于Euler–Bernoulli梁理论建立含时变折减有效弹性模量Eeff(t)、均布恒载qg、时变次永久荷载qq(t)及预应力筋偏心引起的等效分布荷载qps(x,t)的四阶偏微分方程(PDE)控制方程;(2) 设定位移边界条件w(0,t)=w(L,t)=0与初始条件w(x,0)=0;(3) 以多层感知机(Multilayer Perceptron, MLP)四隐层[64,128,64,32]、Tanh激活函数、Xavier权重初始化构建PINN,输入(x,t)输出预估挠度?(x,t)=Nθ(x,t),通过自动微分计算?4?/?x4得到PDE残差R(x,t)=-Eeff(t)I·?4?/?x4+qg+qq(t)+qps(x,t);(4) 构造复合损失函数L=λPDELPDE+λBCLBC+λICLIC+λDataLData,其中LPDE为配点处残差均方、LBC和LIC分别为边界与初始条件违背均方、LData为稀疏监测挠度数据拟合误差;(5) 引入无量纲缩放改善PDE残差数值条件,采用合适优化器训练网络参数θ。
研究结果
2. Mechanical Model of Time-Dependent Beam Bending(时变梁弯曲力学模型)
研究人员基于Euler–Bernoulli梁理论,引入由龄期或时间决定的混凝土折减有效弹性模量Eeff(t)、截面惯性矩I、自重等效均布荷载qg、时变二次荷载qq(t)及由预应力筋几何偏心e(x)与初张拉力Pe·f(f(t))导出的等效分布弯矩曲率荷载qps(x,t)=Pe·f(f(t))·e''(x),建立控制方程Eeff(t)I·?4w(x,t)/?x4=qg+qq(t)+qps(x,t),并给出简支梁位移边界条件w(0,t)=w(L,t)=0及零初始条件w(x,0)=0,为PINN提供明确的物理约束。
3.1. Development of the Primary PINN Model(主PINN模型构建)
研究人员以全连接前馈神经网络Nθ(x,t)近似挠度场?(x,t),利用自动微分求四阶空间导数构造PDE残差R(x,t)。网络结构为四隐藏层[64,128,64,32]神经元,激活函数tanh,Xavier初始化。损失函数由PDE残差均方LPDE、边界条件残差均方LBC、初始条件残差均方LIC及稀疏监测数据均方误差LData加权组成,并引入无量纲化改善训练稳定性。此设计使网络在少量实测数据点约束下仍能满足梁弯曲平衡方程。
讨论与结论
研究人员指出,将PC梁时变弯曲控制方程作为物理约束嵌入神经网络,克服了纯数据模型在稀疏监测条件下偏离力学规律的问题;折减有效弹性模量Eeff(t)由已有规范本构关系显式给定,减少了待辨识自由度并提高可解释性。验证结果表明,所建立的PINN代理模型能在仅有稀疏长期挠度监测数据的情况下,合理预测预应力混凝土简支梁的长期拱度演化趋势,PDE残差与边界/初始条件在配点上得到有效压制,预测结果符合经典梁理论预期。该方法为混凝土桥梁长期变形性能评估提供了一种融合机理模型与有限监测数据的可行途径,具备推广至其他时变结构响应预测问题的潜力。
结论:A Physics-Informed Neural Network (PINN)-based surrogate model incorporating the time-dependent Euler–Bernoulli beam equation with reduced effective modulus Eeff(t), dead load, secondary permanent load, and equivalent prestress eccentricity curvature load was developed to predict long-term camber evolution of prestressed concrete beams. The PINN enforces PDE residuals, boundary conditions w(0,t)=w(L,t)=0, initial condition w(x,0)=0, and sparse monitoring data in a composite loss function. Results demonstrate that the physics-constrained PINN achieves accurate long-term camber prediction under sparse data, outperforming purely data-driven fitting in physical consistency and extrapolation capability.
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