基于數字孿生和深度學習的結構損傷識別

唐和生,王澤宇,陳嘉緣

（同濟大學 土木工程學院，上海 200092）

結構物在建成使用后，由于長期暴露于操作荷載、環境影響及各種意外事件中，不可避免地會受到一些破壞。大型工程結構的性能退化作為大部分突發性災難事故的導火索，使得采用科學的方法對大型工程結構進行健康監測的重要性不斷提升[1]。結構損傷識別是結構健康監測系統的核心，是健康監測領域具有挑戰性的課題[2]。隨著大數據技術的發展，基于數據驅動的結構損傷識別方法逐漸成為研究熱點。在基于數據的結構損傷識別領域中，機器學習由于其卓越的數據處理能力，為許多研究者所青睞[3]。如邵會辰[4]選取平面單元模態應變能變化率作為識別指標，應用徑向基神經網絡和廣義回歸神經網絡識別4 層框架模型的損傷狀態，識別誤差率在5%左右，驗證了該方法的有效性。駱勇鵬等[5]提出采用單傳感器數據結合格拉姆角場和卷積神經網絡的結構損傷識別方法，對一榀鋼框架結構完成損傷識別任務，在測試樣本上的準確率達100%。Dang 等[6]通過將多個加速度傳感器采集到的數據作為輸入，分別訓練多層感知器、長短記憶神經網絡和卷積神經網絡，實現了地震動下二維鋼框架的損傷識別，其中，卷積神經網絡方法相較于前兩者展示了極高的可靠性。

然而，缺乏足夠龐大的標簽數據來訓練和測試模型成了限制基于數據驅動機器學習的損傷識別方法應用于實際工程的一個關鍵因素。雖然得益于傳感器的發展，來自結構健康監測系統的數據量正在增長，但也只是數據規模的一小部分。在結構的全生命周期中，有85%～90%的時間是處正常工作運營狀態，特別缺少極端條件下出現損傷模式的信息特征[7]。此外，通過人工直接從實體模型中獲取數據的成本高昂、耗時，且獲取的數據集質量直接影響著識別準確率。隨著第4 次工業革命的開展，人工智能、物聯網等技術快速發展[8]，數字孿生成為實現智慧建造的重要途徑，為解決上述問題提供了新的范式，為工程系統開發數字孿生以用于健康監測的興趣正在迅速增長[9]。Karve 等[10]開發了一個包括損傷診斷、損傷預測和任務優化的數字孿生智能規劃方法，利用數字孿生進行GP 模型訓練后誤差為1.19%，證明了該方法可以成功用于執行任務優化，在保證安全的前提下實現預期系統性能的目標。Kapteyn 等[11]利用實際飛機部件和傳感器數據構建了該飛機結構的數字孿生，說明了基于數據驅動的數字孿生使得飛機能夠動態地重新規劃安全任務，以監測結構損傷和退化情況。Gardner等[12]通過本構關系構建3 層剪切鋼框架的初始驗證模型作為數字孿生數值模型，來預測結構每層的加速度響應，構建好的數字孿生模型各層加速度響應與實際加速度響應的均方誤差為{0.260,2.428,2.939},實現了對加速度響應的預測。

數字孿生的概念模型最早出現于2003 年，由Gieves 教授在美國密歇根大學的產品全生命周期管理課程上提出，并在2010 年由美國國家航空航天局（National Aeronautics and Space Administration,NASA）在太空技術路線圖中首次引入。自此以后，數字孿生便迸發出生機與活力[13]。雖然數字孿生的定義沒有被明確下來，但研究者們一致認為，數字孿生的優勢在于它作為物理實體的虛擬表示，能夠反映物理實體的服役情況，使得工程師能夠遠程監控其運行狀態，提供了實時反饋和預測潛在故障的能力。不難看出，數字孿生與傳統基于物理實體構建的有限元模型不同，后者在建模過程中會受到相當大不確定因素的影響，例如，參數取值不確定、物理過程不明確等，即傳統有限元模型難以擬合物理實體全生命周期的表現，導致無法使用基于物理模型輸出的數據來完成結構健康監測任務。而數字孿生則通過從物理角度收集的實測數據來連接孿生體和物理部分，從而對基于物理模型進行校準，提高模型對物理實體的表示能力。以此構建的數字孿生模型在確保了物理可解釋性的同時，能夠輸出結構在各種工況下的大量可靠數據，解決了基于機器學習的損傷識別方法數據匱乏的問題。目前，許多研究都矚目于將數字孿生技術與機器學習結合，Xu 等[14]提出了基于深度遷移學習和數字孿生的故障診斷方法，以某汽車車身側部生產線為例，驗證了該方法相較于傳統的損傷識別方法能夠獲得更大的數據集和更可靠的識別準確率。Ritto 等[9]通過建立6 個自由度的離散數值模型來構建懸臂梁的數字孿生模型，并將其與支持向量機、K 近鄰、二次判別器等結合應用于懸臂梁健康監測中，以選擇結合數字孿生后識別準確率更高的機器學習算法。張勝文等[15]構建了全生命周期的離心泵機數字孿生映射模型，應用深度雙向長短時記憶網絡完成故障診斷過程的數字化、自動化和智能化。將數字孿生和機器學習共同賦能于結構健康監測，無疑可以推動工程領域向更高效的方向發展。

筆者以一棟裝有長期健康監測系統的8 層油阻尼器鋼框架結構為研究對象（物理孿生體），結合數字孿生概念和深度學習技術，建立對大型土木工程結構損傷識別的新方法。首先，根據結構設計參數建立有限元模型，然后利用在線監測數據進行結構模型參數更新，構建該結構的數字孿生。依據該數字孿生模型構建結構不同損傷工況下的“大”數據?？紤]到實際工程應用，避免依賴外激勵信息，將對此數字孿生數據和部分監測數據進行預處理后再來訓練深度學習，實現損傷分類。最后，利用結構真實損傷情況下的數據進行驗證。

1 數字孿生框架

數字孿生理論發展至今，共整合得出了13 個主要特征[16]。結合實際工程情況，將其中最為重要的5 個特征列在表1 中。

表1 數字孿生的主要特征Table 1 Key features of digital twin

在這5 個特征中，“狀態”彰顯了數字孿生與物理孿生之間的緊密聯系：數字孿生相較于傳統基于物理構建的計算模型，能夠使用從物理角度收集的數據來校準自身，即數字孿生為模型和數據相融合所形成的虛擬副本，從而度量計算模型由于參數取值的不確定、物理過程不明確等不確定因素，以提高其對物理孿生的表示能力，擬合物理孿生在物理環境下的表現。因此，有限元建模、模型參數更新、貝葉斯統計推斷等技術都可以應用在數字孿生理念內，并將彼此進行協調共同構建數字孿生，以提供支持特定物理孿生目標決策、提高預測能力。

如上所述，建立數字孿生需要一個發揮功用的計算模型并使用物理孿生測量的數據對其進行校準。而后，可以利用構建好的數字孿生進行諸多操作，這些操作可能由于成本高昂等因素難以在物理環境中完成。對于結構損傷識別的目標，則通過在計算機上人為破壞數字孿生的構件模型，生成多種結構損傷工況，以提供大量結構損傷狀況下的可靠數據，補充健康監測數據庫中損傷信息的缺乏，解決了傳統基于數據驅動的損傷識別方法受限于數據集的大小和質量的問題。對于數據庫中“大”數據的處理，則非常適合將其與機器學習相結合，利用機器學習優秀的特征處理能力，為結構損傷識別賦能，補充健康監測系統對結構的監控能力，針對性地指出損傷的發生，指導研究人員對兩個孿生體針對性地做出更新。圖1 展示了基于數字孿生和機器學習的結構損傷識別框架，以最大程度地發揮數字孿生和機器學習的效用。

圖1 基于數字孿生和機器學習損傷識別框架示意圖Fig.1 Framework of structural damage identification based on digital twin and deep learning

2 數字孿生的構建

2.1 物理孿生

以一棟油阻尼器鋼框架建筑結構為研究對象（圖2）。該結構東西向長48 m，南北向寬9.6 m，總高度34.2 m。其中，底層為挑空層，包含了層高為4 m的1 層和2 層，形成了結構高度8 m 的底部大空間，在后文中稱為第1 層，其余各層的結構高度均為3.8 m。為提高抗震性能，在結構在長短邊方向均布置了阻尼器，共計56 組，安裝的油阻尼器包括兩種型號，第1 層采用同一型號的阻尼器，后文稱ModelⅠ，3 至8 層采用另一型號阻尼器，后文稱ModelⅡ。健康監測系統在第1、4、8 層布置了雙向加速度計（共3 個），并于2016 年9 月完成了監測系統外部裝置監視器的安裝。圖3、圖4 分別為加速度計與油阻尼器在結構中的布置圖和油阻尼器實景圖，圖5 為該建筑健康監測系統的監測界面。

圖2 油阻尼器鋼框架建筑結構Fig.2 A steel-framed building structure with oil dampers

圖3 加速度計與油阻尼器布置圖Fig.3 Figure of accelerators and oil dampers,distribution

圖4 油阻尼器實景圖Fig.4 Reality images of oil dampers

圖5 健康監測系統監測界面Fig.5 The interface of structural health monitoring system

在2011 年3 月11 日日本大地震的作用下（后文簡稱311 大地震），位于結構1 層的8 組油阻尼器被完全破壞；位于3 層和4 層的油阻尼器雖然沒有完全破壞，但油液已發生了泄漏，無法再提供阻尼恢復力；5～8 層的阻尼器仍處于正常工作狀態，保持良好。由于地震當時全樓的電力系統失效，計算機沒有記錄下該結構的地震數據。圖6 給出了一組采集于2011 年3 月9 日（311 大地震前震）的結構東西向實測的加速度響應數據及其傅里葉幅值譜。在此次地震下，結構屬于完好狀態，使用該組數據來更新計算模型，用以構建結構的初始狀態數字孿生。

圖6 東西向加速度數據及其傅里葉幅值譜Fig.6 Acceleration measurements and Fourier amplitude spectrum of east-west

2.2 有限元模型構建

首先構建油阻尼器鋼框架結構的計算模型，而后利用311 大地震前震的實測數據進行校準。圖7為利用SAP2000 軟件創建的結構初始有限元模型，梁柱定義為線單元中的框架單元，樓板定義為面單元中的殼單元，阻尼器定義為連接單元，各構件的尺寸與材料性能參數均按照標準設計參數定義。

圖7 SAP2000 有限元模型Fig.7 Finite element model constructed by SAP2000

由于量測的結構加速度響應數據僅與平動模態相關，且初始有限元模型模態分析表明結構的平動和轉動模態相互分離，故可將初始有限元模型簡化處理為平面模型[17]，在保證計算模型有效性的同時便于后續的更新操作。忽略構件的豎向變形，考慮模型側向變形及節點轉動，并假定樓板為剛性[18]，以此簡化的有限元模型僅包含7 個自由度，與結構樓層相對應，簡化模型的質量矩陣（單位：t）和剛度矩陣（單位：MN/mm）分別為

結構阻尼考慮經典的阻尼模型，阻尼比為0.02。阻尼器計算模型基于文獻[17]的識別結果，采用Maxwell 模型，其參數如表2 所示。

表2 計算模型各層阻尼器參數取值Table 2 Damper parameters of the computational model

采用Newmark-β 法預測簡化有限元模型的各層加速度響應，圖8 為簡化有限元模型預測與實際監測數據（311 大地震前震）在強震階段（30～60 s）的加速度時域及頻域的對比?？梢园l現，結構簡化有限元模型不能準確模擬結構真實的動力行為，存在較大的誤差，無法作為可操作的數字孿生體為后續損傷識別提供“大”數據，需要對簡化有限元模型進行修正以獲取更精確的響應預測。

圖8 實際監測和模型預測響應數據對比Fig.8 Comparison of measured and predicted responses by simplify finite element model

2.3 不確定性度量

將不確定性考量為結構參數的不確定性?？紤]到簡化模型具有較少的自由度，采用模型修正方法識別結構模態參數[18]，使得修正后的簡化有限元模型響應可以很好擬合實際結構響應，完成對計算模型的不確定性分析。

采用文獻[18]中Berman-Baruch 法，假設結構的真實質量矩陣和剛度矩陣為

式中：Ma∈Rn×n為結構簡化模型的質量矩陣（R為實數集；n為模型自由度個數，下同）；Ka∈Rn×n為剛度矩陣；Ma,Δ∈Rn×n、Ka,Δ∈Rn×n分別為質量矩陣和剛度矩陣的未知誤差矩陣，用以表征建模誤差。

模型修正方法即在獲取結構模態參數的實測值的基礎上依次修正質量和剛度矩陣：首先，利用311 大地震前震的監測數據獲取結構系統的模態參數，對于估計振型的不完整問題，采用經典振型擴階技術擴展振型，而后通過施加模態正交性和特征方程的約束，利用拉格朗日乘子算法，得到質量矩陣和剛度矩陣的最優解，Berman 方法給出的質量矩陣修正表達式為

式中：I∈Rm×m為對角單位矩陣；ma=ФTMaФ∈Rm×m；m為實測模態個數；Ф=[?1…?m]∈Rm×m為實測完備振型矩陣。

基于式（2）修正質量矩陣后，亦采用Baruch 方法修正結構剛度矩陣，即

式中：Ω=diag{ω1,ω2…ωm}∈Rm×m為實測頻率矩陣。

圖9 給出了在強震階段模型修正后的預測和實測加速度響應對比及頻域對比。表3 給出了實測、初始模型和Berman-Baruch 法修正模型的前兩階模態參數?？梢园l現，經修正后的模型預測響應與實際監測數據的擬合程度很好。由此，針對實體結構的原始狀態數字孿生構建完成。

圖9 實際監測和修正后模型預測響應數據對比Fig.9 Comparison of measured and predicted responses by updated finite element model

表3 實測、初始模型、修正模型的模態參數Table 3 Model parameters of monitored,finite element model and updated model

對實際監測和有限元模型預測數據的對比說明僅依靠有限元模型不能滿足數字孿生的需要。在輔以模型修正方法后，修正后的有限元模型可以很好地擬合物理孿生在物理環境下的表現，由此利用構建好的數字孿生擬合結構不同損傷工況，可以提供不同損傷狀態的“大”數據集，補充健康監測數據庫中損傷信息的缺乏，為機器學習提供“大”數據支撐。

3 基于數字孿生和深度學習的損傷識別

3.1 損傷工況的定義

根據311 大地震對實際結構的破壞情況，基于以下假設，將實際結構損傷情況分為如表4 所示的4 類。

表4 損傷工況定義Table 4 Definition of damage conditions

假設1：由311 大地震后對結構實際的檢修結果表明，實際結構僅發生首3 層油阻尼器油液泄露的情況，未產生剛度損傷，因此，僅考慮阻尼器損壞的工況。

假設2：對于安裝在同一層的阻尼器，假定所有阻尼器工作時的位移、速度均相同，且所有阻尼器本身的屬性也完全一致。因此，如果某層的單個阻尼器已經破壞，則其余的阻尼器也均考慮遭受了破壞。

假設3：對于一般的結構，阻尼器安裝的層數越低，其發揮的效用也越大，并考慮安裝在高層的阻尼器發揮的阻滯作用有限。

假設4：基于假設3，考慮除了1、2、3 層的阻尼器被完全破壞，4 層及以上的阻尼器工作狀態安全無虞。

3.2 數據預處理

結構動力響應時頻信息包含了豐富的結構狀態特征[19]，同時考慮到實際工程應用，將采用經驗模態分解時頻信息和振動傳遞率函數，構建不依賴于外激勵的深度學習訓練數據集。

3.2.1 經驗模態分解

結構的振動信號千變萬化，其中，大部分信號為非平穩、非高斯分布和非線性的隨機信號，如地震動信號等。并且當工程結構出現損傷時上述情況顯得更為突出。而基于傅里葉變換的譜分析方法主要適用于平穩信號（時不變信號），對非平穩信號進行傅里葉變換只能分別給出時域或頻域的統計平均結果，無法滿足結構損傷識別的要求。經驗模態分解（Empirical Mode Decomposition，EMD）作為一種自適應的信號處理方法，能把復雜的信號分解為有限的固有模態函數（Intrinsic Mode Function，IMF）之和，非常適合處理非線性和非平穩信號[20]。信號x(t)經EMD 分解后可以表示為

式中：ci為第i個固有模態函數；rn為殘余函數。c1,c2…cn分別包含了信號從高到低不同頻率段的成分，每個IMF 分量(ci)都反映了分析信號在一個時間尺度上內在的模態特性。綜上，可以首先對數字孿生輸出的加速度信號進行EMD 分解，而后基于文獻[19]和文獻[20]的研究，選取對損傷程度敏感且更能體現原信號趨勢走向的高階IMF 分量進行后續分析。

3.2.2 傳遞率函數

傳遞率函數的概念來源于自動控制理論，其實質上是用零初始條件下的輸入信號的拉普拉斯變換和輸出信號的額拉普拉斯變換作比，對系統本身的固有屬性進行描述。傳遞率函數囊括了系統的諸多信息，又與輸入信號本身無關，因此，對于系統本身的變化具有很好的描述性。

對于一般的n自由度結構，其運動微分方程可以表達為

式中：x(t)為n維的位移向量；M為n維質量矩陣；C為n維阻尼矩陣；K為n維剛度矩陣；f(t)為n維外力激勵向量，均為實對稱矩陣。

運用傅里葉變換，式（5）變化為

稱為振動系統的頻響函數矩陣。

加速度列陣為

設外部激勵產生的加速度響應由i處向j處傳遞，定義加速度傳遞率函數為兩處響應的比值

式中：Hk(ω)是H(ω)的第k列;Fk(ω)同理。

根據式(9)可以發現，振動傳遞率函數是頻響函數的函數，在反映結構動力學特性的同時，地震激勵只作為動力源而沒有參與運算，從而避免了在未來應用中對其進行量測。研究關注的是監測樓層之間的傳遞率函數，因此，可以通過監測樓層之間的頻域相應比值來獲取結構響應傳遞率函數。

3.2.3 IMF 與傳遞率函數的結合

基于經驗模態分解和傳遞率函數在結構響應信號處理時的優點[19]，采用將固有模態函數和傳遞率函數相結合的方法來構建數據集。首先求解結構監測樓層加速度響應信號經EMD 分解后的固有模態函數IMF，然后取每層的前3 個IMF 分量進行時頻變換，最后按IMF 分量的順序，依次求得在該IMF 分量下結構各相鄰層的IMF 傳遞率函數。具體求解流程如下。

1）在地震波的作用下，結構監測樓層（1、4、8層）的加速度時域響應為

2）對加速度響應信號進行EMD 分解，并取其前3 個IMF 分量

3）對IMFi(t)做時頻變換，得到

4）基于式（9）和式(12)，得到IMF 傳遞率函數Ti(ω)

式中:i=1、2、3。

至此，完成數字孿生輸出的結構監測樓層加速度響應數據的預處理。

3.3 訓練數據集構建

為了在天然地震波的基礎上得到更多組訓練數據來充分訓練后文的機器學習分類器，采用對天然地震波人工加噪的數據增強方法，以此法共生成的42 條地震波作為不同的地震激勵進行輸入，如表5 所示。

表5 42 條地震波及其描述Table 5 34 seismic waves and their descriptions

對于表5 中每一條地震波輸入，均模擬表4 中的4 種工況，計算每種情況下的IMF 傳遞率函數，最終可以得到168 組IMF 傳遞率函數矩陣?？紤]到地震波的頻率分量較低，造成的結構響應也多為低頻振動，因此，僅保留IMF 傳遞率函數的0～10 Hz 段。圖10 是在0309AccEW 激勵下1、2、3 層阻尼器均被完全破壞情況下的傳遞率函數矩陣。

圖10 IMF 傳遞率函數矩陣圖Fig.10 Figures of intrinsic mode function vibration transmissibility

3.4 基于卷積神經網絡的損傷識別

機器學習發展至今，深度學習展現出了優異的對樣本數據內在規律的學習性能，與支持向量機、決策樹等傳統的機器學習方法相比，在語音、圖像識別等方面的效果得到了很大的提升。在深度學習中，卷積神經網絡（Convolutional Neural Network，CNN）更是成為研究的熱點，最常用于分析視覺圖像。選用AlexNet 網絡進行IMF 傳遞率函數矩陣圖的分類，完成損傷識別的目的。

AlexNet 網絡由8 層組成，包括5 層卷積層和3層全連接層（圖11）。首先，在輸入層將IMF 傳遞率函數矩陣圖歸一化至227×227×3 像素大小，然后在第1 個卷積層使用96 個卷積核提取邊緣特征，并將卷積層得到的特征圖放入激活函數層，激活函數選用ReLU 函數進行非線性映射。然后將ReLU 層的輸出輸入進池化層，池化層通過最大池化算法提取顯著特征。這些步驟在以下4 個具有不同內核和填充大小的卷積層中重復執行。隨著卷積層數的增加，提取的特征數量也顯著增加。之后，將特征圖連接到全連接層。Dropout 層以50%的概率將神經元從網絡中移除，從而避免過擬合的發生。在輸出層使用Softmax 函數對每個分類的可能性進行歸一化，得到分類結果。

圖11 AlexNet 網絡架構Fig.11 Architecture of the AlexNet network

3.5 訓練過程與結果

將168 組IMF 傳遞率函數矩陣數據集分為4 類混合輸入到AlexNet 網絡中，設置學習速率為0.001，共設置120 個epoch。在每個epoch 中，圖像被隨機分成訓練集和驗證集，其中訓練集占總圖像的70%，驗證集占總圖像的30%（圖12）。

圖12 訓練集與驗證集的劃分Fig.12 Distribution of training and validation datasets

隨著迭代次數的增加，預測精度也在逐步提高，當迭代次數超過300 次時，預測精度接近恒定值。圖13 展示了這一訓練過程。在驗證集的表現上，圖14 展示了在驗證集上分類的混淆矩陣?；煜仃囍械拿恳涣写砹朔诸惼黝A測樣本的類別，每一行代表了樣本的真實歸屬類別。其中，綠色色塊表示真實樣本被分類器正確預測，紅色色塊表示真實樣本被分類器錯誤預測?；煜仃囉蚁陆菫樽R別準確率，表示所有預測正確的樣本占所有樣本的比例?；煜仃囎畹撞康男斜硎揪_率，最右側的列表示召回率。圖14 展示了最終識別準確率達92.3%，其中，Ⅰ類的精確率和召回率最高，其次為Ⅱ、Ⅳ類，Ⅲ類的精確率和召回率均較低。造成上述結果的可能原因為：首先，I 類為未損傷工況，Ⅱ、Ⅲ、Ⅳ類均為損傷工況，因此，分類器對于I 類的分類效果最好；其次，Ⅲ類損傷程度介于Ⅱ類和Ⅳ類之間，會出現將Ⅲ類誤分類為Ⅱ類和Ⅳ類，或將Ⅱ類和Ⅳ類誤分類為Ⅲ類兩種情況。又因為對于一般結構，阻尼器安裝的層數越低，其發揮的效用也越大，且結構第1 層為8 m 大空間，其余各層均為3.8 m。綜上，分類器將Ⅲ類誤分類為Ⅱ類和Ⅳ類，造成了Ⅲ類的精確率和召回率均較低的分類結果。

圖13 訓練進度Fig.13 Training process

圖14 驗證集混淆矩陣Fig.14 Confusion matrix of the validation dataset

3.6 實際工程結構驗證

為評價分類器的泛化能力，驗證方法的有效性，將未訓練過的實際結構響應數據經數據預處理后構建測試集，輸入至已訓練好的深度學習分類器中。用于構建測試集的實際結構響應數據描述如表6 所示。由于篇幅限制，僅展示在地震波record20100613 作用下，結構第1、4、8 層加速度響應數據（圖15）。

圖15 地震波record20100613 作用下東西向實測加速度Fig.15 Acceleration measurements of east-west under record20100613 earthquake

表6 用于構建測試集的實測響應數據Table 6 Measured responses for testing datasets

圖16 為根據表6 構建的測試集的訓練結果混淆矩陣，在測試集中，深度學習分類器準確識別出了實際結構的損傷情況，測試集上識別準確率為100%。展現該深度學習分類器良好的泛化能力，驗證了該方法在實際結構進行實時損傷識別的有效性。

圖16 測試集混淆矩陣Fig.16 Confusion matrix of the testing dataset

結合實際結構發生的損傷對構建的數字孿生定義4 種損傷工況，并對4 種損傷工況下輸出的數據集進行基于IMF 振動傳遞率函數的數據預處理，處理好的數據集輸入到卷積神經網絡中進行訓練，最終在驗證集上識別準確率達92.3%。通過對未訓練過的數據構建測試集，驗證了基于IMF 振動傳遞率函數的數據預處理方法可以擺脫對激勵信息的依賴，深度學習分類器泛化能力良好，將二者結合可以滿足對實際工程損傷識別的需要。

4 結論

數字孿生作為健康監測、故障診斷的新范式，使得工程結構的監測和管理更為主動、可靠、高效。

提出了將數字孿生和深度學習相結合的結構損傷識別方法，并將其應用到土木工程大型結構中。主要結論如下：

1）數字孿生技術可以充分利用物理模型、健康監測系統傳感器數據更新、運行歷史等數據，在虛擬空間中實現物理實體結構的映射。利用此技術，可以通過仿真獲取物理實體結構不同服役狀態的“大”數據。該技術突破了傳統基于數據驅動的結構損傷識別方法中數據缺乏的瓶頸，使數字孿生和深度學習的結合更廣泛地在實際工程結構損傷識別中的應用成為可能。

2）采用基于IMF 的傳遞率函數構建的深度學習訓練集數據可以有效擺脫對激勵信息的依賴，適合實際工程應用。以此數據訓練好的卷積神經網絡魯棒性良好，面對未知地震激勵時仍能給出準確的識別結果。