论文推荐 | 米兰理工大学：土木工程结构的数字孪生体系框架

注册截止日期：

现场参会/Onsite：2024.8.30

网上参会/Online：2024.10.1

A digital twin framework for civil engineering structures

Matteo Torzoni, Marco Tezzele, Stefano Mariani, Andrea Manzoni, Karen E. Willcox

a Dipartimento di Ingegneria Civile e Ambientale, Politecnico di Milano, Piazza L. da Vinci 32, Milan, 20133, Italy

b Oden Institute for Computational Engineering and Sciences, University of Texas at Austin, Austin, 78712, TX, United States

c MOX, Dipartimento di Matematica, Politecnico di Milano, Piazza L. da Vinci 32, Milan, 20133, Italy

Abstract

The digital twin concept represents an appealing opportunity to advance condition-based and predictive maintenance paradigms for civil engineering systems, thus allowing reduced lifecycle costs, increased system safety, and increased system availability. This work proposes a predictive digital twin approach to the health monitoring, maintenance, and management planning of civil engineering structures. The asset-twin coupled dynamical system is encoded employing a probabilistic graphical model, which allows all relevant sources of uncertainty to be taken into account. In particular, the time-repeating observations-to-decisions flow is modeled using a dynamic Bayesian network. Real-time structural health diagnostics are provided by assimilating sensed data with deep learning models. The digital twin state is continually updated in a sequential Bayesian inference fashion. This is then exploited to inform the optimal planning of maintenance and management actions within a dynamic decision-making framework. A preliminary offline phase involves the population of training datasets through a reduced-order numerical model and the computation of a health-dependent control policy. The strategy is assessed on two synthetic case studies, involving a cantilever beam and a railway bridge, demonstrating the dynamic decision-making capabilities of health-aware digital twins.

Keynote

Digital twins, Predictive maintenance, Bayesian networks, Deep learning, Structural health monitoring, Model order reduction

摘要

数字孪生概念为推进土木工程系统的基于状态和预测性维护范式提供了极具吸引力的机遇，从而有助于降低全生命周期成本、提升系统安全性及可用性。本研究工作提出了一种针对土木工程结构健康监测、维护及管理规划的预测性数字孪生方法。采用概率图模型对资产-孪生耦合动态系统进行编码，以纳入所有相关的不确定性来源。特别是，利用动态贝叶斯网络对时间重复的观察-决策流程进行建模。通过将感知数据与深度学习模型同化，提供实时结构健康诊断。数字孪生状态以序贯贝叶斯推断的方式持续更新，进而在动态决策框架内为维护和管理行动的最优规划提供信息支持。初步离线阶段包括通过降阶数值模型填充训练数据集，并计算依赖于健康状态的控制策略。该策略在两个合成案例研究（涉及悬臂梁和铁路桥）中进行了评估，展示了健康感知数字孪生的动态决策能力。

关键词

数字孪生，预测性维护，贝叶斯网络，深度学习，结构健康监测，模型降阶

Fig. 1. Predictive digital twin framework for civil engineering structures: graphical abstraction of the end-to-end information flow enabled by the probabilistic graphical model

研究背景

1. 数字孪生概念：数字孪生概念为土木工程系统提供了先进的基于状态和预测性维护范式，有助于降低生命周期成本、提高系统安全性和可用性。

2. 预测性维护：通过数字孪生视角，可以实现对关键安全或操作原因的结构系统的条件性或预测性维护实践，代替传统的时间基础维护。

研究方法

1. 预测性数字孪生框架：采用概率图模型（PGM）编码资产-孪生耦合动力系统，允许考虑所有相关不确定性来源。时间重复的观测到决策流程使用动态贝叶斯网络建模。

2. 实时结构健康诊断：通过深度学习模型将感知数据同化，实现实时结构健康诊断。

3. 数字孪生状态更新：数字孪生状态通过顺序贝叶斯推断方式不断更新，用于指导维护和管理行动的最优规划。

实验设计

1. L形悬臂梁：通过有限元离散化模拟结构响应，生成训练数据集，并通过深度学习模型进行训练。

2. 铁路桥：采用与L形悬臂梁类似的方法，通过模拟数据集训练深度学习模型，并进行测试。

结果分析

1. L形悬臂梁：数字孪生框架能够准确跟踪数字状态的演变，并及时建议适当的控制输入。在两种可用行动（DN和PM）的情况下，数字孪生能够准确地预测结构健康状态的未来演变。

2. 铁路桥：在三种可能的行动（DN、PM和RE）的情况下，数字孪生框架能够正确地跟踪数字状态的演变，并在大多数时间内及时建议适当的控制输入。数字孪生预测与在线阶段实际经历的情况非常接近。

总体结论

本文提出的预测性数字孪生方法能够有效地对土木工程结构的健康监测、维护和管理规划进行预测。通过概率图模型编码资产-孪生耦合动力系统，实现了对结构健康状态的实时监测和预测性决策。数字孪生框架在模拟的L形悬臂梁和铁路桥案例中展示了其能力，能够准确跟踪数字状态的演变，并及时建议维护和管理行动。

关注公众号，后台回复“论文70”即可下载原文