《Data-Centric Engineering》:A hierarchical Bayesian approach for time-varying (possible multiple setups) finite element model updating
编辑推荐:
贝叶斯方法为有限元(FE)模型修正以及在给定实测数据条件下量化剩余不确定性提供了系统化框架。然而,概率模型的不恰当构造会削弱结果精度。本文通过以完全概率化方式构建似然函数,并引入时变刚度参数,提出了一种改进的分层贝叶斯有限元模型修正方法。其关键方法学创新在于:
贝叶斯方法为有限元(FE)模型修正以及在给定实测数据条件下量化剩余不确定性提供了系统化框架。然而,概率模型的不恰当构造会削弱结果精度。本文通过以完全概率化方式构建似然函数,并引入时变刚度参数,提出了一种改进的分层贝叶斯有限元模型修正方法。其关键方法学创新在于:将未测振型作为贝叶斯层级中的潜在变量(latent variable)处理,从而在无需显式特征值分解的条件下,以完全生成式(generative)方式联合推断结构参数与模态量。此外,研究人员通过采用Bingham分布,将振型约束于单位超球面上,严格遵循振型的几何本质。为逼近后验分布,研究人员构建了Metropolis-within-Gibbs(MwG)采样算法,并结合QR分解与Cholesky分解以保证计算效率和数值精度。通过包含合成数据、实验室数据和现场测试数据在内的3个案例研究,验证了所提方法的有效性。更新后的模型可作为结构健康监测中结构损伤检测与状态评估的参考模型。
本文发表于《Data-Centric Engineering》,围绕结构健康监测中的有限元模型修正(FEMU)问题,提出了一套面向时变结构参数识别的分层贝叶斯框架。研究背景在于,有限元(FE)模型虽广泛用于结构响应模拟,但实际工程中环境条件、材料性质、边界条件与荷载工况均存在不确定性,导致理论模型与真实结构之间常出现系统偏差。传统基于灵敏度的方法容易陷入局部极小值,且高度依赖初值;全局优化方法虽然理论上可行,但在大规模复杂问题中往往计算代价高昂。更重要的是,许多现有方法默认结构参数固定不变,未能显式处理环境和运行条件引起的时变特性,从而低估参数不确定性并削弱损伤诊断的可靠性。针对这些问题,研究人员开展了时变有限元模型修正研究,旨在以一致的概率建模方式同时处理模型误差、测量误差与参数随时间的波动,并避免模态匹配和重复特征值分解带来的局限。
研究人员构建了一个三层分层贝叶斯模型。底层以实测模态频率与振型为观测量,中间层以各时刻刚度修正参数
κt和未测振型为潜在变量,上层则引入时不变超参数κ与精度矩阵P,用于描述时变刚度参数围绕参考模型的统计波动。论文的重要结论是:该框架能够在保留物理意义的同时,显式刻画结构参数的时间变异性,实现对结构参数及模态量的联合后验推断,并在不同数据完整度及不同工程场景下表现出稳定有效的模型修正能力。其意义在于,该方法为环境变化条件下更可靠的结构健康监测提供了概率基础,也为后续损伤识别、状态评估和维护决策提供了更可信的参考模型。
就主要技术方法而言,研究人员首先基于广义特征方程残差构造完全概率化似然函数,并用最小奇异值替代行列式条件以改善数值稳定性;其次,将未测振型作为潜在变量纳入贝叶斯层级,并用Bingham分布在单位超球面上对振型建模,以保持其符号不变性和几何约束;再次,针对后验分布无闭式解的问题,构建Metropolis-within-Gibbs(MwG)采样器,并结合独立Metropolis–Hastings(M-H)提议机制、QR分解和Cholesky分解实现稳健采样;此外,在实验室模型中采用Improved Reduction System(IRS)缩聚方法降低自由度,在现场SEG Plaza案例中同样使用IRS缩聚处理大规模模型。样本来源包括合成的8自由度(DoF)质弹簧系统数据、浙江大学—伊利诺伊大学厄巴纳-香槟联合学院8层剪切型实验结构的振动测试数据,以及深圳SEG Plaza大厦的多测点布置环境振动测试数据。
在“Introduction”部分,论文系统梳理了有限元模型修正的发展脉络。研究人员指出,传统方法普遍面临模型误差、测量噪声、后处理误差与环境时变性未被充分建模的问题,尤其以往部分贝叶斯FEMU方法在似然函数的误差分布假设和归一化因子处理上存在偏差,可能导致参数估计有偏。基于此,本文将研究重点放在构造物理一致且统计一致的层级化概率模型上。
在“Problem formulation”部分,研究人员将FEMU重述为一个概率推断问题。结构质量矩阵M被视为已知,刚度矩阵K通过标称刚度矩阵K
0与若干子结构刚度矩阵K
i的仿射组合表示,未知量为时变刚度修正参数
κt。对于物理模型,论文以广义特征值问题和特征向量方程建立模态频率、振型与结构参数间关系,并将本应严格成立的关系改写为含随机残差的随机方程。尤其值得注意的是,研究人员用最小奇异值σ
min替代行列式为零这一条件,避免高自由度系统中行列式数值不稳定的问题。对于概率模型部分,论文假定频率残差和振型残差服从高斯分布,并据此推导出广义特征值的条件概率密度。对振型,则不再将其视为普通欧氏空间随机向量,而是直接在单位超球面的黎曼流形上定义概率测度,得到Bingham分布形式的振型似然。由此,未测振型得以作为潜在变量与结构参数同步推断,这构成论文最核心的方法学贡献之一。
在“Metropolis-within-Gibbs sampler”部分,研究人员推导了各类条件分布并建立采样策略。对于未测振型
ukt,其条件分布可写为多元正态分布,随后经归一化投影到单位超球面。对于超参数κ、P以及频率和振型精度参数α
k、β
k,由于采用共轭先验,可直接得到正态-Wishart分布和Gamma分布形式的条件后验。最困难的是时刻参数
κt的条件分布,研究人员据其二次项结构构造独立M-H提议分布,并论证在α
k较大时,伪行列式项对接受率影响相对较小,因此可采用近似形式提升计算效率。为减轻数值误差积累,论文进一步设计了基于QR分解和Cholesky分解的稳健采样流程,同时通过退火(annealing)策略、多链并行和自适应步长γ调节改善多峰后验下的全局探索能力,并以修正Gelman–Rubin统计量R?<1.05作为收敛判据。该部分结论表明,所提MwG算法能够在高维后验推断中兼顾计算可行性、稳定性与理论正确性。
在“4.1 8-DoF mass-spring system”部分,研究人员利用8自由度质弹簧系统检验方法在理想条件下识别时变参数的能力。该案例中,真实刚度因子
κt服从多元正态分布,生成500个时刻的数据,并加入变异系数为0.01的高斯白噪声。结果显示,MwG采样器能够快速收敛,且接受率接近100%,表明所构造提议分布与目标条件后验高度一致。通过比较完整形式与近似形式的接受率修正项,研究人员证明近似不会显著改变
κt的后验分布。进一步分析发现,所生成的后验样本与真实分布高度吻合,且参数之间存在非零相关性,说明该方法无需事先假设参数独立,能够自然学习参数依赖结构。关于数据长度T的研究表明,当T不足时,参数估计偏差和方差都会增大;当T达到约120后,均值与标准差的均方根误差(RMS)趋于稳定,说明可辨识性达到较合理水平。关于不完整测量,结果显示只要测得自由度和模态数量不至于过少,方法对部分DoF缺失和模态截断总体较稳健。
在“4.2 8-story lab shear-type building model”部分,研究人员将方法应用于8层实验室剪切型楼模型。该结构由铝合金立柱与楼板组成,建立了包含216个DoF的三维Euler梁单元模型,并定义24个待识别刚度参数。实验中布置16个双向加速度传感器,在白噪声基底激励下采集24分钟数据,并采用滑动时间窗划分为23组数据,再通过Bayesian FFT算法识别12阶模态。由于原始模型与实测模态之间存在明显差异,研究人员先利用IRS方法对模型缩聚,再执行MwG采样。收敛后结果表明,多数参数的后验分布接近正态且无明显多峰,时变参数
κt围绕均值κ波动,三倍标准差区间包含参考值,支持时变识别的合理性。对比更新前后模态参数可见,频率差比(FDR)和模态保证准则(MAC)均显著改善,说明更新后的模型更接近真实结构。尽管第11模态修正效果不理想,但论文明确将其归因于强轴方向可用模态数据有限以及顶部转动耦合较强。进一步在不完整DoF和不完整模态条件下评估后发现,数据减少会削弱更新效果,尤其当仅保留弱轴数据时,与强轴相关的模态甚至可能劣于原始模型;但只要测点完整,有限模态数据仍能有效约束参数更新。与两阶段时变FEMU方法相比,本文方法在大多数模态上给出了更贴近观测的频率预测均值,同时99%置信区间覆盖更充分、宽度也更合理,说明其在拟合能力与不确定性表征之间取得了更平衡的结果。
在“4.3 SEG Plaza”部分,研究人员进一步以深圳SEG Plaza超高层建筑验证方法在真实复杂工程中的适用性。该建筑为72层、346 m高结构,采用12个多测点布置的环境振动测试数据,覆盖22个楼层,每层3个测点。研究人员基于已有SAP2000模型构建了等效层刚度简化模型,将主楼划分为6个刚度区,设置12个待识别参数,并用IRS方法将模型缩聚至189个主自由度。初始模型与实测数据相比存在显著偏差,尤其在第7和第8模态的振型吻合度较差。经过MwG采样更新后,弱轴相关参数大多为正,强轴相关参数大多为负,与初始模型弱轴偏软、强轴偏硬的判断一致。更新后的第7模态在强、弱轴方向上均更接近实测振型,前9阶用于更新的模态以及未参与更新的第10至15阶模态,其频率与振型误差均明显下降,说明更新模型不仅改善了拟合,也具备一定泛化能力。论文同时指出,部分残余误差与模型过度简化有关,这一表述严格对应原文关于“缺失大量物理信息与计算效率折中”的讨论。
在“Conclusion and discussion”部分,研究人员总结认为:该分层贝叶斯框架能够显式表征结构参数的时变行为,实现兼顾鲁棒性与不确定性感知的动态系统识别;基于最小奇异值的残差建模提升了高维问题下的数值稳定性,而Bingham分布则保证了振型几何约束的自然满足;MwG采样策略能够在无需重复特征值分解的条件下,对结构参数与潜在振型进行联合后验推断。论文同时承认,真实复杂工程结构的FEMU仍极具挑战,尤其在模型复杂而数据有限的情形下,后验分布往往呈现高维多峰特征,单靠先进算法仍不足以完全克服初始模型不足与参数选择不当带来的问题。未来工作将结合贝叶斯模型选择技术,在模型复杂度与精度之间寻求平衡,并进一步设计更高效的采样策略以探索由数据不足引起的多峰后验。
研究结论部分可译为:本文提出了一种用于有限元模型修正的分层贝叶斯框架,该框架显式考虑了结构性质的时间变化,这对于处理环境与运行条件引起的不确定性至关重要。通过将未测振型视为潜在变量,并直接基于特征方程残差构造似然函数,所提方法避免了繁琐的模态匹配与计算代价高昂的特征值分解,同时自然保留了更新模型的物理可解释性。该方法通过8自由度质弹簧系统、8层实验室剪切型建筑模型和SEG Plaza三个案例得到验证。主要结论为:其一,所建立的分层贝叶斯框架能够显式刻画结构参数的时变行为,从而实现动态系统中稳健且具不确定性感知能力的识别;其二,研究引入了基于最小奇异值的残差表达,以缓解数值病态并提升高维问题中的计算稳定性;同时,振型通过Bingham分布在单位超球面上建模,自然满足其内在几何约束;其三,所采用的MwG采样策略能够有效推断结构参数与潜在模态振型的联合分布,在无需重复特征值分解的情况下提供准确的后验估计。论文也指出,真实复杂工程结构的FEMU由于复杂模型与有限数据之间的不平衡而仍具挑战性,通常表现为多峰高维似然。所提方法是迈向稳健识别的一步,但对于复杂案例仍存在不足,未来仍需依赖更优初始模型、合理的更新参数选择,以及结合贝叶斯模型选择与更高效采样策略的进一步发展。