用于风力结构健康监测的 Transformer 自注意力编码器解码器及其多模态深度学习响应时间序列预测与数字孪生
机器学习
2026-04-03 v1 人工智能
信号处理
计算物理
摘要
本文检验了一种新型 Transformer 方法的风力诱导结构响应预测能力。该模型还为桥梁结构健康监测提供了数字孪生组件。首先，该方法利用系统的时间特征来训练预测模型。其次，将振动预测值与实际测量值进行比较，以检测较大偏差。最后，将识别出的案例用作结构变化的早期警报指示器。该基于人工智能的模型在响应预测方面优于传统方法，无需对风场的平稳性或结构正常振动行为作出假设。具体而言，风力激发的动态行为因获取较差预测而不确定，这与环境或交通条件变化的结果，使得对什么构成正常振动行为的区分变得困难。为此，本文在挪威科技大学监测的 Hardanger 桥的真实世界测量数据上严格检验了该方法。该方法在真实条件下准确捕捉结构行为，并能够准确反映系统激励的变化。重要的是，结果表明，基于 Transformer 的数字孪生组件有望作为韧性基础设施管理、持续学习和适应性监测的下一代工具，能够在系统生命周期内针对时间特征进行持续的监测。
引用
@article{arxiv.2604.01712,
title = {Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring},
author = {Feiyu Zhou and Marios Impraimakis},
journal= {arXiv preprint arXiv:2604.01712},
year = {2026}
}
备注
21 pages, 22 figures, 9 tables. This version corresponds to the published article in Computers & Structures. https://doi.org/10.1016/j.compstruc.2026.108216