基于潜在力模型和贝叶斯神经网络的概率数字孪生体：面向模型错误的结构动力系统
机器学习
2025-12-01 v1 应用统计
机器学习
摘要
本 work 提出了一种用于由模型错误控制的动力系统响应预测的概率数字孪生框架。该方法将高斯过程潜在力模型（GPLFM）与贝叶斯神经网络（BNN）相结合，实现端到端的不确定感知推理与预测。在诊断阶段，将模型形式误差（MFE）视为名义线性动力系统的潜在输入力，并通过 GPLFM 从传感器测量数据中联合估计系统状态。随后，在后验样本上训练 BNN，以学习从系统状态到 MFE 的概率非线性映射，同时捕获诊断不确定性。对于预测，利用该映射生成伪测量值，借助卡尔曼滤波实现状态预测。该框架实现了从诊断到预测的不确定性系统传播，这是可信赖数字孪生体的关键能力。该框架通过四个非线性示例进行演示：单个自由度（DOF）振子、多 DOF 系统，以及两个已建立的基准——Bouc-Wen hysteretic 系统和 Silverbox 实验数据集——展示了其在模型误差下的预测精度和鲁棒性。
引用
@article{arxiv.2511.22133,
title = {Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks},
author = {Sahil Kashyap and Rajdip Nayek},
journal= {arXiv preprint arXiv:2511.22133},
year = {2025}
}