基于粗网格有限元建模与遗传算法特征选择的液罐损伤检测高效计算方法

《Big Data and Cognitive Computing》：Computationally Efficient Damage Detection in Liquid-Containing Tanks Using Coarse Finite Element Modeling and Genetic Algorithm–Based Feature Selection

　　

摘要：数据集驱动损伤检测（Dataset-Based Damage Detection, DBDD）方法适用于具有几何复杂性、强相互作用效应及运行变异性（如液位变化的液罐）的结构。在许多DBDD应用中，准确的损伤识别依赖于高保真数值模型及大量损伤场景仿真，导致高昂的计算成本。尽管有限元建模（Finite Element Modeling, FEM）适用于此类问题，细网格（Fine-Meshed, FM）模型计算昂贵，而粗网格（Coarse-Meshed, CM）模型会引入提取动力特征的误差并降低损伤检测精度。本文提出一种高效的DBDD框架，在保持检测可靠性的同时降低计算需求。研究人员采用遗传算法（Genetic Algorithm, GA）选择一组紧凑且高信息量的动力特征，这些特征从粗网格有限元模型中提取，适用于训练机器学习损伤分类模型。通过结合降成本数值模型与优化特征集，所提方法在保持准确损伤预测的同时，减少了仿真时间与数据库存储需求。该方法在多种液位下的充液圆柱罐上进行了验证，在模拟响应变异性（不同FEM求解器、网格尺寸、±5%材料扰动及SNR 40–10 dB噪声）下表现出稳健的损伤检测性能。结果表明，该框架是复杂工程系统结构健康监测的一种实用且精确的解决方案。

论文解读：基于粗网格有限元与遗传算法特征选择的液罐高效损伤检测

一、研究背景与意义

结构基础设施对各行业的资源持续供应至关重要，确保其完整性关乎社会韧性与应急准备。传统损伤检测（如目视、超声、射线）在危险环境或不停工结构中受限。基于振动的无损检测技术虽可识别结构变化，但环境及运行条件（温度、液位、荷载）的变化会干扰动力响应，造成误报或漏报。数据集驱动损伤检测（DBDD）融合数值模拟与数据驱动技术：利用有限元（FEM）模拟多损伤场景与工况生成数据库，训练机器学习（ML）模型进行识别。然而，高保真FEM模型自由度大，宽频分析生成大规模数据库计算昂贵；自动特征提取常忽略显性敏感特征，且粗网格（CM）与细网格（FM）模型差异对机器学习鲁棒性的影响研究不足，尤其在流固耦合变工况（如变液位储罐）中。因此，本文在《Big Data and Cognitive Computing》发表，提出一种同时兼顾计算效率、特征敏感性及模型差异鲁棒性的优化DBDD框架。

二、主要关键技术方法

研究人员以Chiba等的充液圆柱罐（有实验验证）为对象，建立细网格（FM）与粗网格（CM）耦合流固FEM模型（Fortran基于Skyline法）。将损伤场景划分为训练/验证/测试子集（40%/30%/30%）。从FM模型全频域FRF（1000点）中用CART、RF、XGB及标准差做特征重要性排序，选出敏感特征子集；同时从CM与FM的差异（MSE）中选对离散化不敏感的特征。取两者交集，用遗传算法（GA）以决策树为代理模型优化最终特征集（Genetic_iFr_Set）。训练集部分用FM，部分用CM仅计算选中频点；测试集用FM选中频点模拟实测代理。分别用深度神经网络（DNN）和伪装袋集成预测竖向高度（10类）、角向扇区（8类）及损伤程度（2类），并在合成噪声（SNR 10–40 dB）、材料±5%、多求解器/网格下验证。

三、研究结果

1. Introduction（引言）

研究明确DBDD优势与瓶颈：高精度需FM大模型，效率低；直接用CM牺牲精度。现有方法多单独用降阶模型或特征降维，未显式结合CM与对FM-CM差异鲁棒的特征选择。本文创新在于双策略：CM建库+GA选对FM-CM差异不敏感又损伤敏感的特征，特别针对流固耦合变工况。

2. Related Work（相关工作）

回顾振动法（频率、统计、模态、模型更新、归一化输入功率流）的局限；非数值模型实验成本高。DBDD相关研究常用CNN自动提取特征，难显式复用频点；部分研究用FM做敏感分析再限定仿真频点降成本。降阶模型（如飞机结构）在少工况有效，但未显式选特征。本文填补CM+显式混合特征选用于流固系统的空白。

3. Materials and Methods（材料与方法）

• •
  数据库构建：建FM（验证）与CM（约1/27单元数）模型。定义损伤场景集SC_Set，分S_Dev(40%)、S_Val(30%)、S_Test(30%)。对S_Dev用FM算FRF得FM_Dataset（频域0.8–2.5f₁，~1000点）。用CART等选前约27.5%敏感特征存FM_iFr_dic。对同样场景用CM算同频点得CM_Dataset，按FM-CM均方误差逆序排，取前k个存CM_iFr_dic。
• •
  GA优化：交集体iFr_dic作基因空间，二进制染色体长gene_size，用带先验概率初始化/变异的GA，以决策树（DT）为代价函数（CM特征训练，FM特征测试），输出Genetic_iFr_Set。
• •
  训练与测试：Train_Dataset = FM(S_Dev, Genetic_iFr_Set) + CM(S_Val, Genetic_iFr_Set)；Test_Dataset = FM(S_Test, Genetic_iFr_Set)。DNN（5隐层×100，ReLU，Adam lr=0.001，早停、L2、Dropout 0.3）分别预测竖向、角向（伪装袋）、严重程度（类别权重平衡）。
• •
  成本公式：对比三法：Method1全FM全频；Method2先FM全频选特征再FM仅选频；Method3用CM补库+GA选频。推导显示Method3额外省时当t_GA+t_CM,βNtrg+t_FM,αNdevβ< t_FM,βNval(1?α)/α。

4. Case Study（案例研究）

• •
  模型与场景：圆柱罐R=250mm, t=2mm, E=206GPa, ν=0.3, ρ_s=7850kg/m³, H=500mm。壳分10高×8角=80组，单/双损伤，减厚30%/60%，4液位，2激励组合，共5120分析。
• •
  数值模型：FM：每5%高288壳S4R+2016声学AC3D8；CM：1/4节点得72壳+504声学。CM比FM快约28倍（79s vs 2210s/千频点），RAM显著低。更粗(ξ≈1/50)降精度。
• •
  特征工程：CART选27.5%（275特征）优。FM_iFr_dic与CM_iFr_dic各取前100交为GA字典。GA调参：Pop=100, Tour=7, MutRate=0.01, 单点交叉, 随机重置变异，200代达91.4%健身。选中特征多离共振峰，抗阻尼。
• •
  成本与库：ξ≈1/27, β=0.25, α=0.4/0.3。Method3总时约2.04×10⁵s，较Method1省约39%，较Method2再省11%；存库减约80%。
• •
  预测结果：
  • •
    垂直高度（10类）：Method3清数据宏F1≈90.12%，SNR=20dB≈88.92%，SNR=10dB仍均衡各类。混淆矩阵显示低液位（有液）更准，Method3各类方差更小。
  • •
    角向扇区（8类，伪装袋）与严重程度（2类）：类似趋势，Method3在高噪下不低于Method1/2。
  • •
    跨求解器/网格/材料扰动：合成噪声下Method3鲁棒性略优，归因于CM数据增广+GA一致性约束。
  • •
    消融与迁移：去掉FM-CM一致性约束的GA仅等于CART；剔除液位0.5/1.0训练后预测全液位，Method3仍相对优但整体降，说明工况外推需更多域泛化。

5. Domain Shift Relative to True Experiments（与真实实验的域差异）

FM仅对完好态实验验证，损伤态用合成噪声（±5%材料、多网格、Abaqus/Fortran、白高斯SNR 10–40dB）近似。未模拟非高斯相关噪声、基线漂移、强非线性边界时变。结果应视为理想不确定下的上限。选中特征偏离共振峰，对低频漂移不敏，但强有色噪声可能影响。框架需在实际储罐、矩形罐/桥梁/海洋平台进一步验证。未来可用域泛化、解耦表示、GAN增广、Transformer/LSTM及异常检测处理分布外损伤。

四、讨论与结论翻译

讨论小结：该方法用CM替代部分FM仿真并通过GA选对模型差异不敏感的特征，在保持精度下降计算与存储。合成噪声与多求解器/网格下鲁棒。局限在数值演示，真实损伤与噪声需实物验证；跨几何与工况外推待研究；未来方向含域泛化与生成式增广。

结论（翻译浓缩）：

本研究提出一种优化DBDD框架，结合粗网格（CM）有限元与特征工程及元启发式选择，在复杂结构中平衡效率与精度。

• •
  框架较传统全FM-DBDD减少约39%计算成本与80%存储，提升大规模监测可行性。
• •
  遗传算法优选对损伤判别强且对FM–CM差异弱的特征，降低开销。
• •
  多液位圆柱罐验证：清数据高度定位精度90.12%，SNR=20dB下88.92%；同时预测角向（8类）与严重程度（2类）实现三维定位定级。
• •
  较前优化法（Method2）再降11%计算成本，高噪下高度与角向略优于全FM法，严重程度接近。
• •
  混合特征与敏感分析得对合成/测量噪声及离散化鲁棒的集合，提升实用性。
• •
  框架尤其利于高自由度结构，其中常规DBDD建库昂贵。
• •
  案例表明CM较FM少约75%单元（ξ≈1/28）仍可保持高预测精度，证实框架适用于流固耦合系统同时大幅减负。