Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures

要約

従来の数値シミュレーションには多大な計算コストがかかるため、構造メタモデリングに機械学習（ML）手法を活用することへの関心が高まっている。しかし、既存のデータ駆動型手法では、モデルの頑健性や解釈可能性に限界があり、また、豊富なデータに依存するという問題がある。これらの課題に対処するため、本論文では、非線形構造物の地震応答をモデル化するための深層ニューラルネットワークに科学的原理と物理法則を組み込んだ、新しい物理情報機械学習（PiML）手法を紹介する。基本コンセプトは、MLモデルの解空間を既知の物理的境界内に制約することである。これは、モデル次数の削減、長短記憶（LSTM）ネットワーク、ニュートンの第二法則（運動方程式など）という3つの主な特徴によって可能になる。モデル次数の削減は、冗長性を内在する構造システムを扱い、モデルの効率を高めるために不可欠である。LSTMネットワークは時間依存性を捉え、時系列応答の正確な予測を可能にする。運動方程式はシステムの非線形性を学習するために操作され、物理的に解釈可能な結果内に解空間を閉じ込める。これらの特徴により、比較的疎なデータでのモデル学習が可能となり、精度、解釈可能性、ロバスト性の点で利点がある。さらに、DesignSafe-CIデータベースで利用可能な、水平地震荷重下で地震設計されたアーキタイプの延性平面鉄骨モーメント耐力フレームのデータセットを、提案手法の評価のために考慮した。結果として得られたメタモデルは、既存の物理学ガイドLSTMモデルと比較して、より複雑なデータを扱うことができ、他の非物理学データ駆動型ニューラルネットワークを凌駕している。

要約(オリジナル)

There is a growing interest in utilizing machine learning (ML) methods for structural metamodeling due to the substantial computational cost of traditional numerical simulations. The existing data-driven strategies show potential limitations to the model robustness and interpretability as well as the dependency of rich data. To address these challenges, this paper presents a novel physics-informed machine learning (PiML) method, which incorporates scientific principles and physical laws into deep neural networks for modeling seismic responses of nonlinear structures. The basic concept is to constrain the solution space of the ML model within known physical bounds. This is made possible with three main features, namely, model order reduction, a long short-term memory (LSTM) networks, and Newton’s second law (e.g., the equation of motion). Model order reduction is essential for handling structural systems with inherent redundancy and enhancing model efficiency. The LSTM network captures temporal dependencies, enabling accurate prediction of time series responses. The equation of motion is manipulated to learn system nonlinearities and confines the solution space within physically interpretable results. These features enable model training with relatively sparse data and offer benefits in terms of accuracy, interpretability, and robustness. Furthermore, a dataset of seismically designed archetype ductile planar steel moment resistant frames under horizontal seismic loading, available in the DesignSafe-CI Database, is considered for evaluation of the proposed method. The resulting metamodel is capable of handling more complex data compared to existing physics-guided LSTM models and outperforms other non-physics data-driven neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL