用于结构健康监测的物理信息机器学习
机器学习
2022-07-01 v1
摘要
机器学习在结构健康监测（SHM）中的使用正变得愈发普遍，因为开发基于状态的评估中的许多固有任务（如回归和分类）自然属于其范畴。本章介绍物理信息机器学习的概念，即调整 ML 算法以考虑工程师通常对其试图建模或评估的结构所具有的物理洞察。本章将展示灰盒模型如何将简单的基于物理的模型与数据驱动的模型相结合，从而在 SHM 环境中提升预测能力。此处所展示方法的一个特别优势是模型的泛化能力，在不同工况下具有增强的预测能力。当需要进行寿命评估，或监测数据未涵盖结构将经历的运行条件时，这是一个关键问题。本章将概述物理信息 ML，介绍贝叶斯设定下若干用于灰盒建模的新方法。讨论的主要 ML 工具是高斯过程回归，我们将展示如何通过约束、通过均值函数和核设计，以及最终在状态空间设定中纳入物理假设/模型。将展示一系列 SHM 应用，从离岸和航空航天结构的载荷监测任务，到长跨桥梁的性能监测。
引用
@article{arxiv.2206.15303,
title = {Physics-informed machine learning for Structural Health Monitoring},
author = {Elizabeth J Cross and Samuel J Gibson and Matthew R Jones and Daniel J Pitchforth and Sikai Zhang and Timothy J Rogers},
journal= {arXiv preprint arXiv:2206.15303},
year = {2022}
}