一种桥梁数字孪生场生成方法及装置与流程

摘要: 本说明书涉及土木工程,尤其涉及一种桥梁数字孪生场生成方法及装置。背景技术:1、桥梁作为交通生命线工程,其高保真数字孪生体的构建对于服役期内的安全评估至关重要。目...
一种桥梁数字孪生场生成方法及装置与流程

本说明书涉及土木工程,尤其涉及一种桥梁数字孪生场生成方法及装置。

背景技术:

1、桥梁作为交通生命线工程,其高保真数字孪生体的构建对于服役期内的安全评估至关重要。目前,实现桥梁动态响应表征的方案主要分为两类:一是基于传统计算力学的有限元(finite element method,fem)建模,通过隐式或显式积分求解高维弹性动力学偏微分方程组,以机理驱动方式模拟结构在复杂工况下的应力场分布。二是基于纯数据驱动的深度学习代理模型,利用卷积神经网络(convolutional neural network,cnn)、循环神经网络(recurrent neural network,rnn)等架构直接建立传感器监测数据与结构响应的端到端映射关系,试图绕过繁琐的物理方程求解过程。

2、然而,上述方案在实时化与精准化时存在显著缺陷。首先,基于fem的机理模型自由度极高,瞬态动力学求解耗时严重,难以满足高频感知数据的毫秒级实时同步需求,导致孪生体状态滞后。其次,纯数据驱动模型缺乏物理可解释性,易受环境噪声干扰,且在遭遇未见荷载时预测结果往往违背能量守恒定律,产生物理幻觉。另外,现场传感器布设稀疏且伴随噪声,传统滤波算法在高维空间状态估计时极易发散,无法利用局部带噪数据准确反演全桥连续的位移与应力场。生成桥梁数字孪生场的方案有待改进。

技术实现思路

1、有鉴于此,本说明书提供了一种桥梁数字孪生场生成方法及装置。

2、根据本说明书实施例的第一方面,提供一种桥梁数字孪生场生成方法,所述方法包括:

3、获取部署在桥梁上的至少一个传感器采集到的实时监测数据;

4、加载预先训练好的目标神经网络模型,并基于所述实时监测数据,对所述目标神经网络进行在线参数调整;其中,所述目标神经网络模型具有基于空间符号距离函数构建的硬约束输出结构,且所述目标神经网络模型的输出结果满足桥梁几何边界条件;

5、通过参数调整后的目标神经网络模型的前向传播计算,输出所述桥梁的连续位移场和应力场,以得到所述桥梁的数字孪生场。

6、根据本说明书实施例的第二方面,提供一种桥梁数字孪生场生成装置,所述装置包括:

7、获取模块,用于获取部署在桥梁上的至少一个传感器采集到的实时监测数据;

8、调整模块,用于加载预先训练好的目标神经网络模型,并基于所述实时监测数据,对所述神经网络进行在线参数调整;其中,所述目标神经网络模型具有基于空间符号距离函数构建的硬约束输出结构,且所述目标神经网络模型的输出结果满足桥梁几何边界条件;

9、生成模块,用于通过参数调整后的目标神经网络模型的前向传播计算,输出所述桥梁的连续位移场和应力场,以得到所述桥梁的数字孪生场。

10、根据本说明书实施例的第三方面,提供一种桥梁数字孪生场生成装置,所述装置包括:一个或多个处理器;其中,所述处理器用于执行如第一方面中任一项所述方法的步骤。

11、根据本说明书实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如第一方面中任一项所述方法的步骤。

12、根据本说明书实施例的第五方面,提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如第一方面中任一项所述方法的步骤。

13、本说明书的实施例提供的技术方案可以包括以下有益效果:

14、本说明书实施例中,通过获取桥梁实时监测数据并加载预训练目标神经网络模型,利用基于空间符号距离函数构建的硬约束输出结构进行在线参数调整,克服了传统有限元瞬态求解耗时严重难以满足高频同步需求以及常规数据驱动模型易违背物理边界条件的缺陷,使得模型输出在数学结构上强制满足桥梁几何支撑边界约束,有效消除了边界处的数值渗透与物理失真。在此基础上通过参数调整后的模型执行快速前向传播计算,无需重复求解高维偏微分方程即可直接生成全域连续的位移场与应力场,实现了以极低算力代价将局部稀疏实测数据实时映射为高保真全场物理响应,显著提升了桥梁数字孪生体的状态同步时效性、全域场重构精度与物理合规性。

15、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。

1.一种桥梁数字孪生场生成方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述基于所述实时监测数据,对所述目标神经网络模型进行在线参数调整,包括:

3.根据权利要求1所述的方法,其特征在于,所述目标神经网络模型采用以下方式训练得到:

4.根据权利要求3所述的方法,其特征在于,所述方法还包括:

5.根据权利要求4所述的方法,其特征在于,所述方法还包括:

6.根据权利要求3所述的方法,其特征在于,所述方法还包括:

7.根据权利要求3所述的方法,其特征在于,所述按照所述联合损失泛函对所述初始神经网络模型的权重参数进行迭代更新,包括:

8.根据权利要求7所述的方法,其特征在于,所述确定当前迭代周期对应的配点集合,包括:

9.根据权利要求8所述的方法,其特征在于,所述确定当前迭代周期对应的新增配点,包括:

10.一种桥梁数字孪生场生成装置,其特征在于,所述装置包括: