基于物理知识的神经算子用于预测车辆引起的桥梁振动轨迹

《Engineering Applications of Artificial Intelligence》:Physics-informed neural operator for forecasting vehicle-induced bridge vibration trajectories

【字体: 大 中 小 】 时间:2026年04月05日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  车辆-桥梁相互作用(VBI)动力学模拟需解决高计算成本问题。本文提出物理信息神经网络算子(PINO)融合多输入神经操作器与定制损失函数,嵌入VBI物理原理,实现桥梁振动轨迹高效预测。实验表明PINO在结构健康监测和可靠性设计中展现实时推断优势,通过迁移学习显著减少跨桥梁建模数据需求,相较纯数据驱动模型在精度、效率及小样本鲁棒性方面均有提升。

  
陈荣秀|金哲宇|王佳吉
京都大学土木与地球资源工程系,日本京都

摘要

在桥梁工程中,模拟车辆-桥梁相互作用(VBI)动态对于研究结构性能、动态特性和影响因子至关重要。然而,高昂的计算成本往往限制了大规模模拟和实际应用中的实时处理。本文提出了一种基于物理信息的神经算子(PINO),用于预测车辆引起的桥梁响应轨迹。PINO结合了自定义的损失函数和算子学习机制,其中嵌入了VBI动态的物理原理。首先,在不同的桥梁结构和不同的车辆参数及结构材料特性下评估了该方法的性能,验证了其在预测车辆引起的桥梁振动轨迹方面的准确性和效率。随后,在结构健康监测和基于可靠性的桥梁设计应用中评估了PINO,其实时推理能力显著加快了整体分析过程。此外,还提出了一种高效的替代建模方案,该方案结合了物理引导的初始化和迁移学习,即使在数据非常有限的情况下也能实现不同桥梁之间的快速知识转移。比较分析突出了PINO相对于纯数据驱动方法在准确性、训练效率和在小数据量下的鲁棒性方面的优势。为了支持所提出方法的实际应用,提供了配置损失权重的指导。

引言

车辆引起的桥梁振动是指由于车辆移动而导致的桥梁结构的动态响应(Yang和Lin,2005年)。具体来说,当车辆行驶在桥梁上时,其重量、速度、悬挂系统动态以及与路面的不规则性相互作用会产生时变载荷,并引起桥梁振动。这种耦合现象被称为车辆-桥梁相互作用(VBI)。准确理解和建模车辆引起的振动对于评估桥梁结构的性能、耐久性和安全性至关重要。在过去几十年中,大量研究致力于开发VBI模拟的数值方法(例如Olsson,1985年;Kim等人,2005年;Han等人,2024年)。如今,商业工程模拟软件(如ANSYS和Abaqus)也因其用户友好的界面和全面的材料库而成为分析桥梁动态的强大工具。
在这些方法中,通过有限元方法(FEM)将桥梁离散为梁和/或壳单元,从而能够准确表示其材料特性和振动行为。车辆通常被建模为质量-弹簧-阻尼器系统,以捕捉车体和悬挂系统的动态特性。使用时域数值积分方法(如Newmark方法(Newmark,1959年)或Runge-Kutta方法(Butcher,2016年)求解运动方程,以获得感兴趣的自由度(DOF)的瞬态响应,包括位移、速度和加速度。VBI系统的分析在桥梁工程中非常普遍。其中一个应用是随机动态分析,其中将车辆引起的桥梁振动分析与蒙特卡洛模拟(Rubinstein和Kroese,2016年)和概率密度演化方法(Li等人,2012年)等不确定估计技术相结合,用于在随机交通条件下对响应和结构可靠性进行概率评估(Kim等人,2007年;Xiao等人,2019年)。在结构健康监测(SHM)的背景下,VBI模拟用于定期评估具有受损条件的结构动态行为(Law和Zhu,2004年;Kim等人,2021年;Zhou等人,2024年)。此外,基于优化的桥梁设计需要迭代模拟来评估在车辆载荷下的性能指标(Ni等人,2021年)。由于实际应用中需要大量的VBI模拟,特别是当涉及精细的桥梁网格和/或大量的时间步长时(如大规模和复杂桥梁的模拟),计算成本可能相当高。
基于深度神经网络的替代模型,也称为元模型或仿真器,已成为工程和科学研究中近似复杂系统行为的重要工具。它们被设计为高保真但耗时的模拟器的计算效率更高的替代方案(Kudela和Matousek,2022年)。多项研究实现了经典神经网络架构来预测车辆引起的桥梁响应,例如全连接神经网络(FCNN)(Han等人,2019年;Li等人,2021年)、长短期记忆(LSTM)网络(Li等人,2021年;Xu等人,2023年;Ju等人,2024年)和卷积神经网络(CNN)(Sun等人,2024年;Ni等人,2022年)。尽管这些方法显示出中等的预测准确性,但这些模型的架构设计通常限制它们只能生成单一的单变量轨迹作为输出。因此,为多个桥梁位置生成动态响应需要多个独立的模型,这增加了计算负担。此外,这些网络往往无法捕捉各种自由度之间的相互依赖性,限制了它们准确表示底层系统动态的能力。
最近,一类新的深度学习架构——称为神经算子——在文献中受到了相当大的关注,这些算子旨在学习无限维函数空间之间的映射。代表性的例子包括傅里叶神经算子(FNO)(Li等人,2020年)和DeepONet(Lu等人,2021年)。这些模型特别适用于具有不同复杂度的高维、时变系统的替代建模(Kurth等人,2023年;Li等人,2023a;Kontolati等人,2024年)。特别是FNO,在以低频动态为主的问题中非常有效,并且适用于结构化网格(例如时空数据)。这一特性表明它具有预测车辆引起的桥梁动态的潜力,但相关研究仍然有限。Kaewnuratchadasorn等人(2024a)应用FNO预测了具有随机采样材料特性的简支梁的振动。最近,Chen等人(2025年)提出了一种多输入神经算子,通过集成Transformer(Vaswani等人,2017年)和FNO,称为TFNO,用于预测给定车辆参数或结构材料特性的大规模复杂桥梁的振动。其架构设计用于处理时空数据,能够在长序列时间历史中预测多个桥梁位置的振动——这是经典神经网络难以提供的能力。此外,TFNO在学习桥梁动态方面表现出优于经典神经网络的准确性和计算效率。
尽管神经网络和神经算子在作为复杂物理系统的替代模型方面显示出强大的潜力,但大多数现有应用仍然主要是数据驱动的。因此,它们通常缺乏对底层物理原理的明确结合,并且需要大量的训练数据才能达到满意的预测准确性。为了解决这一限制,基于物理信息的机器学习作为一种深度学习方法出现了,它将观测数据与物理系统的控制方程无缝集成到损失函数中(Karniadakis等人,2021年)。这种框架使模型(正式称为基于物理信息的神经网络(PINN)能够学习符合已建立物理定律的动态模式(Raissi等人,2019年)。在学习VBI动态的背景下,Kapoor等人(2023年)和Liang等人(2024年)研究了使用PINN预测受时变力作用的简支梁的振动。尽管PINN推断的桥梁响应被证明是准确的,但需要进一步的研究来验证这些框架在更复杂的桥梁结构和更真实的车辆模型中的有效性,以便更好地捕捉现实世界的VBI动态。另一方面,Wang等人(2021b)和Li等人(2024年)通过引入基于物理信息的神经算子(PINO)扩展了基于物理信息的学习范式,其性能优于PINN。许多研究证实了PINO在跨不同科学和工程领域近似复杂物理系统方面的有效性(Goswami等人,2022年;Rosofsky等人,2023年;Kaewnuratchadasorn等人,2024b)。然而,将其应用于车辆引起的桥梁振动预测仍然是一个未探索的领域,代表了未来研究的重要机会。
在这项研究中,我们提出了一种用于预测车辆引起的桥梁振动轨迹的PINO。PINO结合了一个为VBI问题量身定制的损失函数和多输入神经算子。通过在不同桥梁结构和车辆类型上的案例研究证明了所提出方法的有效性。本研究的主要贡献总结如下:
  • •
    这是首次将PINN和VBI分析联系起来的研究。开发了一种基于物理信息的损失函数,将桥梁的控制动态直接嵌入到算子学习过程中,通过结合解数据(位移)、时间导数(速度和加速度)和控制方程。
  • •
    PINO与蒙特卡洛模拟(MCS)相结合,用于结构健康监测(SHM)和基于可靠性的桥梁设计应用中的随机结构动态评估。其实时推理能力强调了替代计算成本高昂的模拟器在大型振动预测任务中的潜力。
  • •
    引入了一种替代建模方案,以便在最小额外数据的情况下将预训练模型转移到不同类型的桥梁上,从而减少数据依赖性并消除从头开始重新训练模型的需要。
  • •
    将所提出的基于物理信息的模型与纯数据驱动的模型进行比较,以展示在预测准确性、数据效率和训练速度方面的优势。此外,还讨论了损失权重的影响,以提供加权不同损失项的实际指导。
本文的其余部分组织如下。第2节首先介绍了本研究的问题设置,并提供了深度学习架构和学习方法的基础知识。第3节介绍了本研究中使用的框架和神经算子以及所提出的基于物理信息的损失函数。第4节展示了验证结果和实际应用。最后,第5节提出了一些结论性意见。

章节片段

问题陈述和初步

首先,第2.1节描述了本研究考虑的目标问题。然后,第2.2节介绍了深度学习架构和学习方法的基础知识。最后,第2.3节介绍了本研究的主要动机和目标。

方法

第3.1节首先介绍了计算工作流程。然后,第3.2节详细介绍了神经算子的框架和架构。最后,第3.3节提出了一种用于在训练过程中优化神经算子的基于物理信息的损失函数。在本研究中,使用基于物理信息的损失函数训练的神经算子被称为基于物理信息的神经算子(PINO),遵循Li等人(2024年)的工作。

验证和应用

本节通过一系列案例研究来实证评估所提出方法的有效性。首先,第4.1节在两种不同的桥梁类型上验证了所提出的方法。第4.2节展示了所开发的PINO模型在SHM和基于可靠性的桥梁设计中的实际应用。第4.3节强调了使用基于物理信息的学习方法的优势,提供了选择损失权重的指导,并讨论了本研究的局限性

结论

本研究提出了一种基于物理信息的神经算子(PINO)框架,用于预测车辆引起的桥梁振动轨迹。通过将定制的基于物理信息的损失函数与多输入神经算子架构相结合,所提出的方法将车辆-桥梁相互作用(VBI)动态的关键物理原理——即时间导数一致性和控制方程约束——嵌入到算子学习中。PINO框架的有效性得到了证明

CRediT作者贡献声明

陈荣秀:撰写 – 审稿与编辑,撰写 – 原始草稿,可视化,验证,软件,方法论,调查,形式分析,数据整理,概念化。金哲宇:撰写 – 审稿与编辑,监督,资源获取,概念化。王佳吉:撰写 – 审稿与编辑。

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会影响本文报告的工作。

致谢
本工作得到了日本学术振兴会(JSPS)的资助,资助编号为120247405:与中国国家自然科学基金(NSFC)的国际联合研究项目。对此表示衷心的感谢。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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