图/表详细信息

面向结构静力试验监测的高精度数字孪生方法

田阔, 孙志勇, 李增聪

航空学报 2024, 45 (7): 429134-429134. DOI: null

摘要（61）

HTML （5）

PDF（pc）（5692KB）（54）

试验验证和数值仿真是评估结构强度的两种典型方法，然而基于离散传感器的试验验证方法难以保证结构应力监测覆盖度，数值仿真方法又因为对物理实体的简化和理想化处理而导致应力结果精度不足，如何综合利用两种强度评估方法的优势并进行数据融合以实现结构应力场监测是一个具有挑战性的问题。提出一种面向结构静力试验监测的数字孪生（DT-SSTM）方法，可获得高精度的结构静力试验数字孪生模型，以实现结构应力场的实时监测与强度评估。DT-SSTM方法包括离线、在线2个阶段。离线阶段，采用梯度提升树（GBDT）算法对仿真数据进行训练，建立预训练模型。在线阶段，基于集成学习理论，采用Stacking算法对试验数据响应值与预训练模型响应值之间的残差进行训练并建立残差模型。通过叠加预训练模型与残差模型实现多源数据融合，建立高精度的数字孪生模型。最后，开展了开口矩形壁板轴向拉伸试验来验证DT-SSTM方法的有效性。结果表明，DT-SSTM方法能够建立高精度的结构静力试验数字孪生模型，且相比同类数据融合方法具有更高的全局、局部预测精度以及融合效率，为结构应力场实时监测提供了一种新颖的解决方案。

方法	RRMSE	R²	RE_max	训练时间/s
有限元分析	0.349	0.809	17.53%
Co-Kriging （12 HF+3 000 LF）	0.279	0.915	11.52%	2 191
ASF-RBF （12 HF+54 013 LF）	0.288	0.909	12.99%	2
TL-VFSM （12 HF+54 013 LF）	0.242	0.936	9.32%	5
DT-SSTM （12 HF+54 013 LF）	0.174	0.960	9.04%	1

View table in article

表 3 各方法预测精度和训练时间（22 000 N轴向拉力）

正文中引用本图/表的段落

式中：

{\hat{y}}_{i} (x)

表示第i个基学习器在样本点 x 上的预测值；

{\hat{y}}_{e n} (x)

表示一级学习器的预测值。

式中：

y_{G B D T} (x)

表示基于GBDT算法的预训练模型；

δ_{S t a c k i n g} (x)

表示基于Stacking算法的残差模型；

y_{M S D F}

表示多源数据融合的数字孪生模型。

式中：N代表样本总数；

y_{i}

表示真实值；

{\hat{y}}_{i}

表示预测值；

{\overset{?}{y}}_{i}

表示真实值的均值。

式中：

y_{*}

代表结构最大试验值；

{\hat{y}}_{*}

代表数字孪生模型相应的预测值。

为了验证所提方法在不同加载载荷幅值下的适用性，开展了开口矩形壁板在轴向拉力为22 000 N时应力场预测的算例研究。所提出方法与ASF-RBF、Co-Kriging、TL-VFSM 3种融合方法针对开口矩形壁板应力场的全局和局部预测精度结果如表3所示，壁板应力场分布结果如图7所示。由表3可见，DT-SSTM方法的RRMSE值比ASF-RBF方法减小了39.58%，比Co-Kriging方法减小了37.63%，比TL-VFSM方法减小了28.10%。DT-SSTM方法的RE_max值比ASF-RBF方法降低了30.41%，比Co-Kriging方法降低了21.53%，比TL-VFSM方法降低了3.00%。从在线阶段的训练时间也可以看出，提出方法仅需1 s，相比其他3种方法具有更高效率。综上，所提出方法在不同加载载荷幅值下较其他方法仍具有更高的全局与局部预测精度、更少的训练耗时，验证了所提出方法的适用性。

2）开展了开口矩形壁板轴向拉伸试验验证，试验结果表明，DT-SSTM方法比ASF-RBF、Co-Kriging以及TL-VFSM 3种经典数据融合方法RRMSE值分别减小了44.83%、31.75%、31.10%，RE_max值分别减小了56.79%、45.22%、13.93%，DT-SSTM方法具有最高的全局和局部精度，并且可实时准确监测结构的应力场变化，验证了方法的有效性。

本文的其它图/表