《Engineering Applications of Artificial Intelligence》:Model-based predictive digital twin for bridge structural health monitoring: the integration of building information modeling, finite element analysis, and machine learning in a Netherlands case study
编辑推荐:
桥梁健康监测系统的进步是当今许多研究人员和行业专业人士的热门话题,桥梁界正在寻求基于人工智能(AI)的自动化解决方案。为应对这一挑战,本研究整合了建筑信息建模(BIM)、有限元方法(FEM)和机器学习(ML)算法,以创建一个能够实时监测和预测分析桥梁结构完整性
桥梁健康监测系统的进步是当今许多研究人员和行业专业人士的热门话题,桥梁界正在寻求基于人工智能(AI)的自动化解决方案。为应对这一挑战,本研究整合了建筑信息建模(BIM)、有限元方法(FEM)和机器学习(ML)算法,以创建一个能够实时监测和预测分析桥梁结构完整性的综合数字孪生(DT)框架。研究人员提出了一个稳健的工作流程和技术框架设计,利用虚拟设计和神经网络(NN)预测算法,实现物理桥梁资产与所提出的基于模型的预测数字孪生(PDT)系统之间的无缝交互。本文的主要研究贡献包括:利用ML的精确预测和传感器数据进行基于模型的桥梁结构健康监测(BSHM),以及新颖的基于PDT的方法。它提出了通过集成BIM、ML和DT平台的信息流,以确保改进的BSHM。所提出的基于ML的PDT框架使用位于荷兰的一座钢梁桥进行验证,展示了桥梁的自动化健康监测。PDT系统使用真实的BSHM数据(应变数据)进行验证,ML模型的预测与已知荷载工况进行比较。本研究的结果展示了PDT框架精确预测荷载位置和大小的能力,为持续改进适当的基础设施管理实践做出贡献。
**论文解读文章**
**研究背景与问题**
桥梁作为关键基础设施,其结构安全至关重要。传统桥梁健康监测(BHM)系统依赖大量传感器采集应变、挠度等数据,但存在分析技术不精确、数据管理碎片化等问题。尽管建筑信息建模(BIM)、有限元分析(FEA)和机器学习(ML)等技术已分别在结构健康监测(SHM)领域得到应用,但如何将这些技术无缝集成到一个统一的预测数字孪生(PDT)框架中,实现实时监测与预测分析,仍是尚未充分探索的研究空白。现有数字孪生(DT)研究多聚焦于概念框架或单一技术应用,缺乏集BIM、FEA、ML于一体的可操作、可验证的系统。为此,研究人员开展本研究,旨在开发并验证一个基于模型的PDT平台,用于桥梁结构健康监测(BSHM)。
**研究内容与结论**
研究人员以荷兰特温特大学校园内一座27米长的钢梁桥为案例,开发了一套集成BIM、FEA和ML的PDT框架。该框架通过自定义Revit插件实现数据交互,利用有限元(FE)模型生成训练数据集,训练神经网络(NN)预测荷载位置与大小,并基于实际SHM应变数据验证系统性能。研究证实,该PDT框架能精确预测荷载位置与大小,预测值与实际值的决定系数(R2)分别达到0.9757(荷载位置)和0.9997(荷载大小),均方误差(MSE)分别为1.2324和0.8983。该工作实现了BSHM的自动化与可视化,为基础设施智能管理提供了有效方案。论文发表在《Engineering Applications of Artificial Intelligence》。
**主要关键技术方法**
研究人员开发了三个关键技术模块:(1)在Autodesk Revit环境中,利用C#语言开发自定义插件,实现BIM模型与SHM数据、FEA结果的实时交互与可视化;(2)建立钢梁桥的线性弹性有限元(FE)模型(包括1D梁单元和壳单元),通过静态荷载试验进行模型标定,生成涵盖不同荷载位置与大小的应变响应数据集;(3)采用基于Keras的全连接人工神经网络(ANN),以5个选定应变传感器的测量值为输入,预测荷载位置与大小;网络包含3个密集层(64、32、2个节点),采用ReLU激活函数和线性输出层,使用均方误差(MSE)损失函数和Adam优化器训练790个epoch。案例桥位于荷兰特温特大学校园,配备应变计、加速度计、温度传感器等SHM系统。
**研究结果**
**6.1 虚拟模型集成工作流**
通过开发Revit插件(Revit API),研究人员将C#脚本编译为动态链接库(DLL),并创建清单文件使Revit识别和加载该插件。插件作为外部命令运行,实现对BIM模型的操作,为PDT系统提供底层集成环境。
**6.2 BIM集成的图形用户界面设计**
研究人员使用Windows Forms设计了图形用户界面(GUI),包含按钮、文本框和文件对话框等控件,允许用户输入数据、执行ML模型并可视化结果。该界面通过修改Execute方法与Revit环境链接,实现用户与BIM模型的直接交互。
**6.3 图形用户界面测试**
编译后的插件以DLL文件形式安装,通过.addin清单文件注册至Revit。启动后,插件出现在Revit功能区(Add-Ins选项卡的External Tools)中,用户点击即可打开自定义窗体,在BIM模型内执行SHM相关任务。
**6.4 桥梁有限元分析**
研究人员建立了桥梁的线性弹性FE模型(1D梁单元与壳单元),并基于已知荷载下的实测应变数据(经无限脉冲响应低通巴特沃斯滤波器处理,以5秒窗口压缩)进行模型标定。利用标定后的FE模型模拟不同荷载工况(1.0×1.0m、1.0kN/m2的均布荷载,沿桥每0.25m放置),生成应力、应变数据,并整合为数据集。FE分析结果集成至Revit插件,实现BIM模型内结构行为的实时可视化与比较。
**6.5 FEA与ML数据集的集成**
FE模型生成的应变-荷载配对数据被格式化存储为CSV文件,用于训练ML模型。数据集包含5个传感器的应变值作为输入,荷载位置与大小作为输出。研究人员采用全连接ANN(3个密集层,64/32/2个节点),使用80%数据训练、20%验证。模型在测试阶段表现优异:荷载位置MSE=1.2324,MAE=0.9445,R2=0.9757;荷载大小MSE=0.8983,MAE=0.6399,R2=0.9997。训练后的NN模型通过C#脚本调用Python可执行文件集成至Revit插件,实现预测与FE模拟的闭环。
**6.6 桥梁PDT验证**
利用实际SHM数据测试Revit插件。将已知荷载工况下的应变数据输入插件,插件调用ML模型预测荷载参数,并与FE模拟的传感器响应进行对比。预测的荷载参数显示在GUI中间文本框中,FE模拟的其余传感器响应显示在右侧。通过比较真实测量值与模拟值,验证了PDT系统预测荷载位置和大小的准确性。
**6.7 利用游戏化方法开发桥梁PDT仪表盘**
研究人员采用3D游戏引擎(UNITY 3D)开发PDT仪表盘。首先将BIM模型导出为FBX格式并导入游戏引擎;然后创建物理传感器的虚拟孪生体;接着利用C#脚本和画布网格建立虚拟传感器与物联网(IoT)SHM平台之间的实时通信。仪表盘以可点击按钮形式呈现孪生传感器,激活后自动连接物理传感器,实现SHM数据的实时交互与可视化。
**讨论与结论**
讨论部分指出,本研究成功开发并实施了集BIM、FEA、ML于一体的PDT仪表盘,实现了桥梁结构完整性的实时监测、预测分析与辅助决策。该框架的FEA组件能高精度模拟不同荷载下的应力应变响应,ML模型可精确预测荷载特征,提升了SHM的智能化和自动化水平。但研究存在局限性:案例桥规模较小,限制了结论的普适性;ML模型性能依赖于传感器数据质量与数量。未来研究应扩展至更复杂的桥梁类型,并探索深度学习或混合模型以提高预测能力。
结论部分翻译如下:本研究开发了一个详细的预测数字孪生(PDT)仪表盘,用于监测位于荷兰特温特大学校园的一座钢梁桥的结构健康(SHM)。通过将建筑信息建模(BIM)、有限元分析(FEA)和机器学习(ML)集成到一个统一框架中,本研究展示了先进系统如何协同工作,以提供结构性能的实时洞察,并监测案例桥的完整性。关键发现包括:通过使用C#算法开发的基于PDT的Revit插件,成功将桥梁BIM模型与真实SHM数据集成;PDT模型实现了BIM环境中SHM传感器数据与FEA模拟结果的实时可视化;FEA可计算不同荷载下的应变、应力和挠度模式,且FE结果与SHM实测值紧密吻合。此外,研究采用基于Python库的ML模型(简单神经网络),根据应变测量值准确预测荷载位置和大小,验证了ML在桥梁健康监测中的应用潜力。为了更好的可视化,研究还引入了一种新颖的游戏化方法,利用3D游戏引擎创建沉浸式PDT仪表盘,实现了SHM数据与物理传感器的实时交互。总之,本研究通过将BIM、FEA和ML集成到桥梁SHM系统的PDT框架中,提供了一个实时数据驱动的监测与维护解决方案,在UT校园桥上的成功应用展示了其在智能基础设施管理中的更大潜力。