点击蓝字 关注我们↑↑↑
DIGITAL TWIN
如果您不希望错过文章，就加个星标吧！
本期阅读
文章信息
论文《Bidirectional graphics-based digital twin framework for quantifying seismic damage of structures using deep learning networks》于2024年3月发表于《Structural Health Monitoring》期刊。本文由浙江大学的Guanghao Zhai, Yongjia Xu和美国伊利诺伊大学的Billie F. Spencer等人共同完成。本文提出了一种名为双向图形化数字孪生（Bi-GBDT）的框架，利用深度学习网络对地震后结构损伤进行量化评估。
DOI: 10.1177/14759217241231299
引用本文：
Zhai G., Xu Y., Spencer B. F. Bidirectional graphics-based digital twin framework for quantifying seismic damage of structures using deep learning networks // Structural Health Monitoring. 2024.
文章阅读
Bidirectional graphics-based digital twin framework for quantifying seismic damage of structures using deep learning networks
Guanghao Zhai 1, Yongjia Xu 1,2, Billie F. Spencer2
1 Department of Civil and Environmental Engineering, University of Illinois Urbana-Champaign, Urbana, IL, USA
2 Zhejiang University – University of Illinois Urbana Champaign Institute, Haining, Zhejiang, PR China
摘要
在开发自动化震后检测技术方面，人们已经付出了巨大的努力，其中包括自动化图像采集和损伤识别。然而，鲜少有研究尝试去建立可见损伤与结构状况之间的复杂关系。此外，训练数据的匮乏进一步阻碍了深度学习算法的潜在应用。
本文提出了一个名为 “基于双向图形的数字孪生（Bi-GBDT）” 的框架，该框架能够依据震后拍摄的图像资料对结构状况进行评估。其流程包含两个部分：（i）构建目标结构的基于计算机图形的数字孪生（GBDT），它包含一个计算机图形模型以及一个有限元（FE）模型；（ii）随后从该 GBDT 生成合成数据，以此来训练神经网络，进而预测损伤指标及结构状况。
为了论证所提出的方法，本文以一个按抗震要求设计的钢筋混凝土剪力墙为例进行研究。首先，构建并校准该剪力墙的基于计算机图形的数字孪生（GBDT），使得相应有限元模型所模拟出的相关损伤模式与实验结果能很好地吻合。接着，从经过验证的 GBDT 中生成损伤模式的合成图像，并结合相应的结构损伤指标，利用它们来训练残差神经网络和条件生成对抗网络，以确定最大层间位移角、应力 / 应变场以及结构状况。结果表明，基于合成数据训练的神经网络在处理实验数据时表现良好，这证实了所提出的方法的有效性。
随后，针对多种加载工况，在合成数据上对神经网络进行测试，以此展示该方法的稳健性。此外，还将从 GBDT 渲染出的逼真图像作为输入来预测结构状况，展现了全面的双向图形数字孪生（Bi-GBDT）框架。这些结果证明了所提方法在生成精确数字孪生方面的有效性，并为其未来在开发自动化震后评估策略方面的应用指明了方向。
关键词
合成数据、深度学习、计算机视觉、数字孪生、地震损伤评估、有限元分析。
Figure 1. Research framework of Bi-GBDT.
Bi-GBDT: Bidirectional Graphics-based Digital Twin
1. 研究背景
研究问题：地震后结构的安全性快速评估对于决定必要的修复和恢复占用/运营至关重要。传统的地震后检查方法耗时、主观且危险，因此研究者们致力于自动化这一过程。
研究难点：尽管自动化图像采集和损伤识别技术已取得进展，但将可见损伤与结构状况之间的复杂关系建立起来的研究却很少。此外，深度学习算法的训练数据缺乏也限制了其应用潜力。
文献综述：文章回顾了计算机视觉（CV）和深度学习（DL）技术在自动化损伤检测中的应用，并指出了现有研究在建立损伤与结构状况关系方面的不足。同时，介绍了物理基础图形模型（PBGM）和图形化数字孪生（GBDT）的概念，这些概念为开发自动化地震后检查策略提供了平台。
2. 研究框架
双向图形数字孪生框架（Bi-GBDT）：提出了一种名为双向图形数字孪生（Bi-GBDT）的框架，用于基于无人机摄影测量的地震损伤评估。该框架包括两个部分：一是建立目标结构的图形数字孪生（GBDT），包含计算机图形模型和有限元（FE）模型；二是使用GBDT生成合成数据来训练神经网络，预测损伤度量和结构状况。
合成数据生成：通过GBDT生成的合成数据用于训练神经网络，以预测结构损伤度量和状况。研究中首先构建并校准了剪力墙的GBDT，然后创建了损伤模式的合成图像及其相应的结构损伤度量，并用这些数据训练了残差神经网络和条件生成对抗网络。
实验验证：通过对比实验数据，验证了基于合成数据训练的神经网络在实验数据上的表现，确认了所提方法的有效性。此外，还测试了神经网络在多种加载条件下的鲁棒性，并利用GBDT渲染的真实图像来预测结构状况，展示了综合的Bi-GBDT框架。
3. 研究方法
有限元模型配置：使用Abaqus软件开发了与剪力墙试件相对应的FE模型。模型包括墙帽、基础底座和墙体三个部分，使用3D实体元素（C3D8R）进行模拟，并通过约束将各部分连接起来。模型的网格大小选择为25mm，以模拟清晰和详细的损伤。
损伤模式与失效模式：通过Abaqus分析产生的两种不同的损伤指数来表征弹性刚度的退化，分别对应拉伸和压缩。如果元素中的任一指数超过0.9，则该元素被视为损坏。通过收集和重新排列Abaqus模拟中每个元素的损伤指数，可以得到原始损伤图。
图像后处理：为了将原始损伤图转换为与实际损伤相符的高分辨率真实损伤图，采用了一种四步后处理方法：阈值过滤、调整大小、骨架化和噪声评估。这种方法能够将损伤图的分辨率提高到能够捕捉到小于1毫米宽度的裂缝。
4. 实验设计
实验设置：以伊利诺伊大学厄巴纳-香槟分校测试的钢筋混凝土剪力墙为原型，描述了实验的详细设计，包括加载条件和剪力墙配置。使用Abaqus软件构建了剪力墙的FE模型，并与之前的实验结果进行了比较。
损伤预测：通过修改和实施残差神经网络（ResNet）和条件生成对抗网络（cGANs），预测了结构损伤度量和状况。这些网络在合成数据集上进行训练，该数据集是通过使用提出的FE模型和相关GBDT进行前向预测过程生成的。
5. 实验结果
损伤预测结果：通过使用合成数据集和物理数据集对D2Drift网络进行训练和测试，验证了其在预测最大位移方面的准确性。网络在合成测试集上的平均偏差为5.10%，在物理测试集上的平均偏差为10.41%。此外，D2Stress、D2HStrain和D2VStrain网络在预测应力场、水平应变场和垂直应变场方面也表现出色。
损伤状态评估：通过混淆矩阵评估了提出的损伤状态预测方法的准确性。结果显示，该方法能够准确地估计结构损伤状态，无论是合成数据还是实验数据，都显示出Bi-GBDT框架的鲁棒性和有效性。
6. 总体结论
框架有效性：Bi-GBDT框架能够有效地建立结构状况与地震后无人机摄影测量中识别的损伤模式之间的联系。通过前向预测生成的准确损伤模式与混凝土剪力墙实验数据进行了验证，而后向预测的多尺度结构状况评估也得到了验证。
数字孪生与物理结构的联系：Bi-GBDT框架通过准确预测经过验证的结构损伤度量（包括最大位移、应力和应变场）填补了视觉现象与多尺度损伤状态之间的空白，为数字孪生与物理结构之间建立了实质性的联系。
自动化评估策略：该研究为基于摄影测量的自动化地震后评估策略提供了有价值的参考，标志着向实现全面数字孪生目标迈进的重要一步。
关注公众号，后台回复“论文108”即可下载原文
DigiTwin2025
相关阅读
本公众号致力于分享高质量的数字孪生与数字工程相关学术研究与知识资讯，以促进学术交流与知识传播。推送的论文内容主要来源于公开出版或在线发布的学术资源，版权归原作者所有，仅供学术交流，未经授权不得商用。如有侵权，请联系删除。
如您有优秀论文需推荐，或者成果发布、企业进展、科研交流等需求，请在公众号后台留言，或发送邮件到digitaltwin@buaa.edu.cn，与我们取得联系。感谢您的持续关注与支持！
