使用图神经网络和频域数据对结构群体进行自动化运行模态分析
计算工程、金融与科学
2025-09-17 v1
摘要
基于群体的结构健康监测(PBSHM)范式最近作为一种有前景的方法出现，它通过促进具有一定相似度的结构之间的迁移学习，来增强工程结构的数据驱动评估。在这项工作中，我们将这一概念应用于结构系统的自动化模态识别。我们引入了一种基于图神经网络(GNN)的深度学习方案，以基于空间稀疏振动测量的功率谱密度(PSD)来识别工程结构的模态属性，包括固有频率、阻尼比和振型。我们进行了系统的数值实验来评估所提出的模型，采用了两个具有相似拓扑特征但几何(尺寸、形状)和材料(刚度)属性不同的桁架群体。结果表明，一旦训练完成，所提出的基于GNN的模型能够以良好的效率和可接受的精度识别同一结构群体中未见过的结构的模态属性，即使在存在测量噪声和稀疏测量位置的情况下也是如此。与经典的频域分解(FDD)方法相比，基于GNN的模型在识别速度上表现出优势，并且与另一种多层感知器(MLP)架构相比，在识别精度上也更优，使其成为PBSHM目的的一种有前景的工具。
引用
@article{arxiv.2407.06492,
title = {Using Graph Neural Networks and Frequency Domain Data for Automated Operational Modal Analysis of Populations of Structures},
author = {Xudong Jian and Yutong Xia and Gregory Duthé and Kiran Bacsa and Wei Liu and Eleni Chatzi},
journal= {arXiv preprint arXiv:2407.06492},
year = {2025}
}