基于高斯过程潜在力模型的数字孪生虚拟感知渡轮码头

渡轮码头因暴露于恶劣海洋环境和渡轮冲击而经历快速恶化。振动基准的结构健康监测提供了评估结构完整性和理解这些冲击结构含义的有价值方法。然而，实际限制常常限制在关键位置的传感器安装。因此，虚拟感知技术对于建立数字孪生体和估计结构响应变得至关重要。本研究探讨了高斯过程潜在力模型 (GPLFM) 用于渡轮码头虚拟感知的应用，将在渡轮冲击期间收集的运行中的实验数据与详细的基于物理的模型相结合。该提出的物理编码机器学习模型将简化的结构模型与数据驱动的 GPLFM 结合起来，后者通过其模态贡献表示未知的冲击力。针用于开发渡轮码头的数字孪生体，解决了包括未知冲击特征（位置、方向、强度）、时变边界条件和稀疏传感器配置在内的显著挑战。结果表明，GPLFM 在大多数位置提供了准确的加速度响应估计，即使在冲击阶段采用线性时不变行为的简化建模假设也能做到。结果显示，在冲击区区域的准确性较低。对进行数值研究，以探索用于优化实际传感器布置策略的反向顺序传感器布置方法。进行了敏感性分析，以检验传感器类型、采样频率和错误假设的阻尼比率的影响。结果表明，GP 潜在力可以在各种情景下保持可接受的估计精度，帮助容忍建模和测量不确定性。