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

要約

従来のシミュレーションでは膨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) 手法を使用することへの関心が高まっています。
純粋にデータ駆動型の戦略は、多くの場合、モデルの堅牢性、解釈可能性、および広範なデータへの依存性において制限に直面します。
これらの課題に対処するために、この論文では、科学原理と物理法則をディープ ニューラル ネットワークに統合して非線形構造の地震応答をモデル化する新しい物理情報機械学習 (PiML) 手法を紹介します。
このアプローチでは、モデル次数削減とウェーブレット解析を組み合わせた次元削減、長短期記憶 (LSTM) ネットワーク、およびニュートンの第 2 法則という 3 つの主な機能を通じて、ML モデルの解空間を既知の物理的境界内に制限します。
次元削減は構造システムの冗長性に対処し、ウェーブレット解析を通じて重要な特徴を抽出しながら効率を高めます。
LSTM ネットワークは、正確な時系列予測のために時間的な依存関係をキャプチャします。
運動方程式を操作すると、システムの非線形性を学習し、物理的に解釈可能な結果内に解決策を限定するのに役立ちます。
これらの属性により、スパース データを使用したモデルのトレーニングが可能になり、精度、解釈可能性、堅牢性が向上します。
さらに、DesignSafe-CI データベース [1] で利用可能な、地震荷重下の原型鋼モーメント耐性フレームのデータセットが評価の対象となります。
結果として得られるメタモデルは、既存の物理ガイド付き LSTM モデルよりも複雑なデータをより適切に処理し、他の非物理データ駆動型ネットワークよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

There is growing interest in using machine learning (ML) methods for structural metamodeling due to the substantial computational cost of traditional simulations. Purely data-driven strategies often face limitations in model robustness, interpretability, and dependency on extensive data. To address these challenges, this paper introduces a novel physics-informed machine learning (PiML) method that integrates scientific principles and physical laws into deep neural networks to model seismic responses of nonlinear structures. The approach constrains the ML model’s solution space within known physical bounds through three main features: dimensionality reduction via combined model order reduction and wavelet analysis, long short-term memory (LSTM) networks, and Newton’s second law. Dimensionality reduction addresses structural systems’ redundancy and boosts efficiency while extracting essential features through wavelet analysis. LSTM networks capture temporal dependencies for accurate time-series predictions. Manipulating the equation of motion helps learn system nonlinearities and confines solutions within physically interpretable results. These attributes allow for model training with sparse data, enhancing accuracy, interpretability, and robustness. Furthermore, a dataset of archetype steel moment resistant frames under seismic loading, available in the DesignSafe-CI Database [1], is considered for evaluation. The resulting metamodel handles complex data better than existing physics-guided LSTM models and outperforms other non-physics data-driven networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google