人工智能驱动的学科交叉研究

 AI4Science 赋能科学发现与创新的第五范式

AI赋能流体力学

1.用于涡旋诱导振动的迁移学习-物理信息神经网络（TL-PINN）

涡流诱导振动（VIV）是一种典型的非线性流固耦合（FSI）现象，为了解决涡流诱导振动分析中计算成本和数据集获取的挑战，提出了一种迁移学习-物理信息神经网络（TL-PINN）方法。TL-PINN 方法被用于研究 VIV 系统（2D），结果表明该方法无需大量数据集即可提高学习效率并保持可预测性。此外，还提出了逐步迭代训练 PINN 模型的策略，该策略可有效降低神经网络对数据集的依赖性，从而降低 PINN 模型的训练成本。

 

涡激振动简单模型

 

 

TL-PINN原理图

 

 

案例1-案例4设计图

 

 

3 秒内流场信息的预测结果：（a）预测值；（b）实际值；（c）误差值（预测值减去实际值）

 

重复训练模型的预测结果和误差。(a) 情况 1；(b) 情况 2；(c) 情况 3；(4) 情况 4  

重建结果的RMSE值

 

2.用于考虑波浪方向性的系泊线时域长期疲劳分析的深度门控递归单元网络

本文提出了一种考虑波浪方向性的系泊系统长期疲劳分析方法。该方法使用 GRU 神经网络模型，利用波浪成分预测系泊缆线的张力。利用时域模拟数据对所提出的 GRU 架构进行了训练。训练后的模型可在多种海况下高精度、高效率地预测缆索张力，从而取代计算成本高昂的时域模拟。三个波浪参数的变异性由它们的联合分布来确定，长期疲劳损伤的计算则采用雨流计数法、T-N 曲线和米纳法则。这项研究旨在为系泊线设计和结构强度监测提供一种更有效、更准确的方法。

 

展锚式漂浮系统模型

 

GRU单元

 

神经网络架构

 

疲劳损伤

 

 

3. 流体输送管道响应预测和参数估计的物理信息深度学习框架

针对流体输送管道的响应预测和参数估计问题，我们提出了物理信息深度学习（PIDL）框架。该框架解决了传统数值和数据驱动方法在解决流体输送管道正向和反向流动诱导振动（FIV）问题时所面临的挑战，如多场相互作用、低效率和缺乏数据等。响应预测和参数估计的任务由嵌入运动方程的深度神经网络（DNN）完成。

 

管道流体输运模型

 

PINN模型架构图

 

 

训练数据集组成

 

摩擦系数 fs 随迭代次数变化的曲线。(a) 案例 1；(b) 案例 2。

 

不同截面的预测值与实际值对比（a）x=0.075；（b）x=0.075；（b）x=0.775

用于 SHM 的基于数据驱动的物理数字孪生

1.用于预制结构连接缺陷识别的深度迁移学习

深度神经网络（DNN）在鲁棒性和可扩展性方面面临着数据稀缺的挑战。为了解决这个问题，我们通过深度卷积神经网络的迁移学习来识别传感器网络振动数据中的缺陷。该方法在不同数据稀缺程度下对全尺寸预制混凝土剪力墙结构进行缺陷识别的有效性和鲁棒性。

 

预制地梁和浇筑墙的物理示意图：(a) 地梁和 (b) 浇筑墙

 

预制剪力墙实物图

 

有限元模型

 

 

数据迁移学习案例：(a) 使用源域样本预训练的 CNN；(b) TL 案例 1；(c) TL 案例 2；(d) TL 案例 3

 

训练过程

 

缺陷度识别混淆矩阵

2.利用深度学习识别预制结构中的灌浆套筒连接缺陷

灌浆套筒连接是预制结构中一种典型的连接方式。我们提出了一种利用深度学习技术识别这些缺陷的方法。文章详细介绍了所使用的方法以及该方法的测试结果。我们在一个半比例的两层预制框架结构上进行了振动实验，验证了所提出的方法，该结构的柱钢筋由不同缺陷的灌浆套筒拼接而成。

 

框架结构模型

 

激励点和测量点的排列。(A) 实物图，(B) 示意图

 

CNN基本架构

 

 

识别精度

 

3.基于物理驱动深度迁移学习的薄板力学正反问题

提出了一种基于迁移学习增强的物理信息神经网络模型，用于解决数据稀疏的力学正反问题。该方法首先在薄板（两端简支+两端固支）的数据集上训练源模型，然后利用目标任务中稀疏数据集微调源模型，进而对不同边界的薄板响应预测（正问题）和边界识别（反问题）的目标任务进行验证。研究结果表明该方法在小样本的目标任务上具有良好的精度和泛化能力。

 

矩形薄板受均布荷载作用示意图

力学正问题的网络结构示意图

 

挠度预测

 

边界识别结果表

4.基于数字孪生和深度学习的结构损伤识别

提出了一种基于数字孪生和深度学习的结构损伤识别方法。研究了如何利用数值模拟模型和在线监测数据获取不同损伤条件下结构动态响应的“大数据”，并提出了基于深度学习算法对这些数据进行处理和分析的方法。通过实际结构未经训练的监测数据进行分析，验证了该方法具备良好的泛化能力，能够有效识别结构损伤状况。

 

物理孪生

 

有限元建模

 

深度学习

 

 识别精度

 

5. 用于跨域系泊线损伤检测的无监督域对抗神经网络

现有的系泊线损伤检测深度学习方法需要大量的标记数据，而这些数据在现实世界中既昂贵又难以获得。为解决这一问题，我们提出了一种无监督跨域方法，利用门控递归单元（GRU）作为深度神经网络的基本单元，用于系泊线损伤检测。该方法采用域对抗训练范式，能够提取域不变特征。所提出的域对抗神经网络 (DANN) 方法通过几个案例研究得到了验证.

The architecture of proposed DANN

Moored floating system model

DNN	DANN

Confusion Matrix

 

6. 基于数据驱动深度学习的线性和非线性结构响应预测

传统的数值或实验方法在分析线性和非线性结构的响应时往往面临巨大挑战，如成本高、精度差和效率低。RNN 和 LSTM 模型用于预测不含或含非线性成分的结构响应。这些模型利用数值数据进行训练，并用于预测不同地震波下的结构响应。

 

The RNN model

 

The LSTM model  

 

Comparison of numerical results and prediction results （RNN）

 

Comparison of numerical results and prediction results （LSTM）

 

AI for Control

1.具有混合不确定性的调谐质量阻尼器的鲁棒设计

为了提高调谐质量阻尼器（TMD）的性能和鲁棒性，我们提出了一种新的鲁棒设计方法，这种方法可以考虑外部激励的随机不确定性和模型参数的不确定性。针对单自由度（SDOF）系统和多自由度（MDOF）系统进行了案例研究，以验证所设计的 TMD 不仅能显著降低最坏地震响应，还能提高主结构的鲁棒性。

 

MDOF system equipped with a TMD

 

Comparison of the parallel-EGO results with the Monte Carlo simulations

 

Flowchart of the robust design of the TMD with parallel-EGO

Time history（the designed TMD with deterministic parameters）

 

Time history （the designed TMD with uncertain parameters）

 

Comparisons of seismic performance indicators

2.流体惯容系统减震性能研究

提出了一种基于分离式流体惯容系统表观质量放大系数的性能设计方法，研究了不同拓扑形式的分离式流体惯容系统的减震性能，并通过构件、振动台试验和非线性时程分析说明了对于不同类型结构最适用的分离式流体惯容系统力学拓扑连接形式。

 

分离式流体惯容器

 

  

分离式流体惯容器构件试验现场

出力时程	滞回曲线

构件实验与理论结果对比

分离式流体惯容系统与基础隔震的混合控制结构

 

隔震层设计模型

 

流体惯容系统与基础隔震振动台实验现场

 

理论与振动台试验隔震层位移时程对比

结构楼层最大响应（多自由度结构非线性时程分析）

 

 

 

AI4science 交叉项目

（1）上海自主智能无人系统科学中心, 学科交叉联合攻关项目, 2022-3-YB-07, 数据驱动与知识驱动融合的智能流体力学, 2022-06 至 2024-05, 主持

（2）上海自主智能无人系统科学中心, 学科交叉联合攻关项目, YB-17-202135, 基于机器学习和数字孪生驱动的海洋细长柔性结构健康监测系统, 2021-08 至 2022-07, 主持