不同结构复杂度下结合集成学习的模型修正方法

林光伟; 张熠

doi:10.6052/j.issn.1000-4750.2021.05.S030

不同结构复杂度下结合集成学习的模型修正方法

林光伟,
张熠^,

清华大学土木工程系，北京 100084

基金项目: 国家自然科学基金项目(51908324，52111540161)

详细信息

作者简介:
林光伟(1999−)，男，宁夏人，博士生，主要从事防灾减灾研究(E-mail: lin-gw19@mails.tsinghua.edu.cn)

通讯作者:
张　熠(1987−)，男，湖北人，副教授，博士，博导，主要从事防灾减灾研究(E-mail: zhang-yi@tsinghua.edu.cn)

中图分类号: TP181；TU31
计量
- 文章访问数: 351
- HTML全文浏览量: 130
- PDF下载量: 64
出版历程
- 收稿日期: 2021-05-29
- 修回日期: 2022-02-21
- 网络出版日期: 2022-03-10
- 刊出日期: 2022-06-05

EFFICIENT MODEL UPDATING APPROACHES INTEGRATING ENSEMBLE LEARNING METHODS FOR DIFFERENT STRUCTURAL COMPLEXITY

LIN Guang-wei,
ZHANG Yi^,

Department of Civil Engineering, Tsinghua University, Beijing 100084, China

摘要

摘要: 模型不确定性不可避免地影响到数值模型分析精度和可靠性，需要找到一种合适的方法，根据实测数据对模型参数值进行修正。该研究采用结合了过渡马尔科夫链蒙特卡罗(TMCMC)方法的贝叶斯模型修正理论对结构模型参数进行修正。采用Kriging法和多项式混沌展开法(PCE)构造代理模型。将该修正方法应用于两个不同结构复杂度的实例，这两个模型分别代表高维线性模型和非线性模型。在两个实例下验证了代理模型的有效性和准确性，讨论了基于代理模型的修正方法在不同结构复杂度下的优缺点。针对代理模型存在的不足，提出了一种代理集成学习框架进行改进。
- 模型修正 /
- 贝叶斯推断 /
- 结构复杂度 /
- 马尔科夫蒙特卡洛采样 /
- Kriging代理模型 /
- 多项式混沌展开 /
- 集成学习
Abstract: Model uncertainty inevitably affects the accuracy and reliability of numerical model-based analysis. It is necessary to obtain an appropriate updating method which could determine the reasonable values of model parameter from measurements. A Bayesian model updating method is proposed combined with the transitional Markov chain Monte Carlo (TMCMC). Kriging predictor and polynomial chaos expansion (PCE) are utilized to construct surrogate models to reduce the computational burden. The proposed model updating methods are applied to two structural examples with different complexity, which stand for the high-dimensional linear model and the high-dimensional nonlinear model, respectively. The validity and accuracy of two surrogate models are investigated in the numerical examples. The advantages and limitations of the surrogate models-based updating approaches are also discussesed for different structural complexity. For the deficiency of surrogate models, it proposes an ensemble learning method to improve the model updating.
- model updating /
- Bayesian inference /
- structural complexity /
- Markov chain Monte Carlo /
- Kriging /
- polynomial chaos expansion /
- ensemble learning

HTML全文

结构分析往往采用数值模型来分析和预测结构响应。但是由于不确定性的存在，数值模型的结构响应预测值和实际测量值之间不可避免地存在差异^[1-3]。针对此问题，近年有很多学者采用模型修正技术来确定结构系统的最可信结构模型，实现对结构的参数识别和后续的损伤诊断^[4-10]。

贝叶斯模型修正方法是一种随机模型修正方法，能够很好地量化不确定性^[11]。在贝叶斯修正框架中，待修正物理参数的后验分布表示为先验分布和似然函数的乘积。然而，对于一些复杂结构，由于物理参数和结构测量输出变量(下文中也称为“结构特征”)之间的关系通常不是显式的^[12]，似然函数很难直接得到，这也造成了贝叶斯模型修正的计算成本往往变得难以承受。因此，某些代理模型，如Kriging法^[13]和多项式混沌展开^[14-15]已被应用于模型修正，作为非常复杂的数值模型的替代。

尽管贝叶斯模型修正方法量化了修正结果的不确定性，但所获得的不确定性对结构的复杂性很敏感，这主要体现在参数维数和结构非线性关系上。在这种复杂模型的存在下，修正结果往往是不理想的。模型的高维度和非线性不仅给贝叶斯模型修正过程带来了很大的挑战，而且也为代理模型的应用带来挑战。因此，确定贝叶斯模型修正方法和代理模型在这些复杂情况下的适用性是有意义的。

本文将贝叶斯模型修正框架应用于十层框架和国家体育场模型两个不同复杂程度的结构实例。这两个模型分别代表高维线性模型和小样本下非线性模型。通过实例分析，本文探讨了Kriging模型和多项式混沌展开(PCE)两种代理模型的优、缺点。研究结果为复杂结构模型修正中代理模型的选择提供了参考。此外，为了提高代理模型的性能，本文还提出来一种适用于代理模型的集成学习框架，用以提升模型修正的精度与鲁棒性。

1 研究方法

1.1 贝叶斯模型修正理论

贝叶斯模型修正方法建立在贝叶斯公式的基础上，参数θ的后验分布p(θ|D, M)可表示为：

$p(\theta \left| {D,M} \right.) = \frac{{p(D\left| {\theta ,M} \right.)p(\theta \left| M \right.)}}{{p(D\left| M \right.)}}$

(1)

式中：p(θ|M)为先验分布，表示基于经验和历史数据得到的修正参数的先验知识；p(D|M)为归一化常数；p(D|θ,M)为似然函数，反映在给定参数情况下得到测量值的条件概率。对于服从正态分布的正态参数，似然函数可表示为：

$p(D|\theta ,M) = \exp \left( - \frac{{{J_g}(\theta )}}{{2\sigma _\varepsilon ^2}}\right)$

(2)

式中： $\sigma _\varepsilon ^2$ 为预测误差的度量； ${J_g}(\theta )$ 为拟合优度函数，可表示为：

${J_g}(\theta ) = \sum\limits_{i = 1}^m {\frac{{{{\hat \Omega }^{(i)}}^2 - {\Omega ^{(i)}}{{(\theta )}^2}}}{{{{\hat \Omega }^{(i)}}^2}}}$

(3)

式中： ${\hat \Omega }^{(i)}$ 和 ${ \Omega }^{(i)}$ (θ)为测量特征与模型预测特征；m为参数维数。

后验分布的计算涉及复杂的高维积分，通常难以直接得到，本文使用过渡马尔科夫链蒙特卡洛采样(TMCMC)方法，构造一系列收敛到后验分布的中间分布来完成采样。待修正物理参数与模型预测特征之间的关系通过Kriging和PCE两种代理模型得到。

1.2 集成学习框架

为减少Kriging模型和PCE模型的泛化误差，结合Bootstrap Aggregating (Bagging)和Adaptive Boosting (Adaboost)两种集成学习技术建立了适用于代理模型的集成学习框架，算法总结如下：

1) 选择包括m个点的训练集D，初始化样本权重 ${w_{0,i}}{\text{ = }}{1/ m}$ 。确定需要集成的代理模型个数p。对于j=1, 2,···, p重复步骤2~4；

2) 使用自助采样法生成n个训练子集，并训练n个代理模型 $S_1^{(j)},S_2^{(j)},\cdots,S_n^{(j)}$ ，其均值作为新的代理模型 ${S^{(j)}}$ ；

3) 计算模型预测值相对于真实值的误差 ${e_{j,i}}$ (i=1, 2,···, nm)和模型权重：

${a_j} = \frac{1}{2}\ln \frac{{1 - \displaystyle\sum\nolimits_1^{nm} {{e_{j,i}}/nm} }}{{\displaystyle\sum\nolimits_1^{nm} {{e_{j,i}}/nm} }}$

(4)

4) 更新样本权重：

${w_{j,i}} = \frac{{{w_{j - 1,i}}}}{{{Z_j}}}a_j^{1 - {e_{j,i}}}$

(5)

5) 最终模型为 $\displaystyle\sum\nolimits_{j = 1}^p {{a_j}{S^{(j)}}}$ 。

2 算例

2.1 十层框架结构

考虑十层框架，楼层质量初始值m=11170 kg，楼层刚度初始值K₀=46.08 MN/m。选取待修正参数为各层的无量纲抗侧刚度，定义为修正后的楼层刚度与初始楼层刚度之比(θ_i=K_i/K₀, i=1, 2, ···, 10)。参数的具体信息见表1。在该算例的模型修正中，采用了2种代理模型和1种解析模型，并对修正结果进行了比较。本例同时研究探讨了小样本下的模型修正，代理模型的训练样本空间采用概率配点法和稀疏网格积分方法进行配置，10个参数所对应的训练点数目是21。在本例中，与被测特征对应的不确定参数值有多个组合(此时参数是局部可识别的)。在这种高维情况下，后验分布难以可视化，因此采用K-means聚类分析来消除局部最优解。聚类前、后的参数修正值见表2。聚类前，解析模型和PCE模型的修正结果存在一定误差；聚类后，误差均降低到10%以下，表明聚类显著提高了代理模型的预测精度。聚类前的频率修正结果见表3。可以看到，误差都在5%以内。图1反映了不同方法中有代表性的部分结构特征的修正值。Kriging模型在初始步骤中比其他方法波动更容易受到影响。但这三种方法均收敛得很快，且几乎在相同的迭代步骤收敛。这意味着无论采用哪种方法，收敛速度都是可以接受的。

表 1 十层框架中待修正参数的描述

Table 1. Description of updated parameters in ten-storey frame

参数	真实值	变异系数	先验分布	区间
θ₁	1.5	0.01	均匀分布	[0,3]
θ₂~θ₉	1.0	0.01	均匀分布	[0,3]

下载: 导出CSV

| 显示表格

表 2 十层框架的待修正参数(括号内为误差百分比)

Table 2. Updated parameters in ten-storey frame (% errors in parenthesis)

参数	聚类前			聚类后
参数	解析法	Kriging法	PCE法	解析法	Kriging法	PCE法
θ₁	1.92 (28.0)	1.68 (12.8)	1.97 (38.1)	1.60 (6.5)	1.48 (2.5)	1.55 (3.4)
θ₂	1.15 (15.0)	0.96 (−3.7)	1.09 (8.6)	0.94 (−5.5)	0.93 (6.6)	1.07 (6.8)
θ₃	1.02 (1.9)	1.00 (0.1)	0.97 (−2.6)	1.12 (11.7)	0.98 (2.1)	0.91 (−8.8)
θ₄	0.90 (−10.1)	1.01 (0.7)	1.06 (−5.9)	0.93 (−6.7)	1.05 (4.3)	0.97 (−3.2)
θ₅	1.04 (3.6)	1.05 (4.7)	1.06 (6.4)	1.01 (1.0)	1.04 (4.4)	0.97 (−2.7)
θ₆	1.00 (0.2)	1.06 (6.1)	1.15 (15.4)	0.99 (−0.8)	1.01 (1.1)	0.89 (−9.6)
θ₇	0.98 (−2.4)	1.02 (2.7)	1.11 (10.5)	0.99 (−0.8)	1.03 (2.6)	0.93 (−6.8)
θ₈	1.03 (3.2)	1.06 (5.9)	1.22 (22.5)	0.94 (−6.4)	1.04 (3.8)	0.90 (−9.7)
θ₉	1.00 (−0.3)	1.06 (6.2)	1.03 (3.0)	0.91 (−9.2)	1.08 (7.6)	1.06 (5.7)
θ₁₀	0.96 (−3.8)	1.24 (23.5)	1.25 (24.5)	0.96 (−3.5)	1.07 (6.6)	1.11 (10.7)

下载: 导出CSV

| 显示表格

表 3 十层框架中的特征修正结果

Table 3. Updated features in ten-storey frame

参数	实测值	解析模型		Kriging模型		PCE模型
参数	实测值	修正值	误差/(%)	修正值	误差/(%)	修正值	误差/(%)
f₁	1.58	1.57	−0.2	1.60	0.4	1.59	0.2
f₂	4.70	4.69	−0.1	4.85	3.3	4.73	0.7
f₃	7.71	7.78	1.1	7.72	0.2	7.84	1.9
f₄	10.51	10.57	0.6	10.67	1.5	10.76	2.3
f₅	13.08	13.40	2.5	13.35	2.2	13.36	2.2
f₆	15.31	15.72	2.7	16.07	5.0	15.75	3.0
f₇	17.16	17.23	0.3	17.70	3.1	17.71	3.2
f₈	18.62	18.92	1.6	19.25	3.5	19.14	2.8
f₉	19.65	19.76	0.6	20.44	4.0	20.30	3.3
f₁₀	20.24	20.11	−0.7	20.69	2.1	20.40	1.3

下载: 导出CSV

| 显示表格

同时将1.2节中提出的集成学习框架应用于该十层框架，代理集成模型和单一代理模型修正结果的比较在表4给出。PCE模型和Kriging模型的权重为 ${a_{\rm P}}{\text{ = }}0.3673,$ ${a_{\rm K}}{\text{ = }}0.6327$ 。模型权重也表明了Kriging模型比PCE模型更适用于线性高维情形。

图 1 不同方法下结构特征的对比

Figure 1. Comparison of features in different methods

下载: 全尺寸图片幻灯片

表 4 十层框架中集成前后的修正参数(括号内为误差百分比)

Table 4. Updated parameters before and after ensemble in ten-storey frame (% errors in parenthesis)

待修正参数	Kriging模型	PCE模型	集成模型
θ₁	1.68 (12.8)	1.97 (38.1)	1.55 (3.4)
θ₂	0.96 (−3.7)	1.09 (8.6)	1.07 (6.8)
θ₃	1.00 (0.1)	0.97 (−2.6)	0.91 (−8.8)
θ₄	1.01 (0.7)	1.06 (−5.9)	0.97 (−3.2)
θ₅	1.05 (4.7)	1.06 (6.4)	0.97 (−2.7)
θ₆	1.06 (6.1)	1.15 (15.4)	0.89 (−9.6)
θ₇	1.02 (2.7)	1.11 (10.5)	0.93 (−6.8)
θ₈	1.06 (5.9)	1.22 (22.5)	0.90 (−9.7)
θ₉	1.06 (6.2)	1.03 (3.0)	1.06 (5.7)
θ₁₀	1.24 (23.5)	1.25 (24.5)	1.07 (6.8)

下载: 导出CSV

| 显示表格

2.2 国家体育场

分析非线性结构国家体育场，有限元模型如图2所示。待修正参数为钢材弹性模量的修正值与初始值之比。考虑小样本情形，代理模型的样本空间采用概率配点法和稀疏网格积分方法进行配置。训练点数量为5。此时先验分布对结果影响很大，故本例对先验分布的均值取5个不同的值来研究小样本情况下先验分布对后验分布的影响。表5给出了参数的详细信息。结构特征选为前五阶模态频率。

图 2 国家体育场有限元模型

Figure 2. Finite element model of the National Stadium

下载: 全尺寸图片幻灯片

表 5 鸟巢中待修正参数的描述

Table 5. Description of updated parameters in the National Stadium

参数	先验分布	区间	备注	真实值
θ₁	均匀分布	[μ−0.5, μ+0.5]	μ ϵ {1.05, 1.30, 1.50, 1.75, 2.00}	1.75
θ₂	均匀分布	[μ−0.5, μ+0.5]	μ ϵ {1.05, 1.30, 1.50, 1.75, 2.00}	1.75

下载: 导出CSV

| 显示表格

由表6可知，θ的先验均值对修正精度有明显影响。表7给出了先验均值等于真实值时参数和频率的修正结果。同时可以看出，频率的预测精度高于参数的预测精度。另外，PCE模型对待修正参数和结构特征的修正结果优于Kriging模型。PCE模型的另一个优点是，迭代步骤几乎只有Kriging模型的1/2，这说明PCE模型比Kriging模型更适用于低维小样本情况。表8同时给出了1.2节中提出的代理集成模型的修正结果，代理集成模型在不降低时间复杂度的情况下有效改善了修正精度。在此算例中，PCE模型和Kriging模型的模型权重分别为 ${a_{\rm P}}{\text{ = }}0.4288,$ ${a_{\rm K}}{\text{ = }}0.5712$ 。模型权重也表明了PCE模型比Kriging模型更适用于非线性低维情形。

表 6 鸟巢中待修正参数(括号内为误差百分比)

Table 6. Updated parameters in the National Stadium (% errors in parenthesis)

先验均值μ	1.05		1.30		1.50		1.75		2.00
参数	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂
Kriging模型	1.89 (8.0)	1.80 (2.8)	1.85 (5.6)	1.83 (4.5)	1.85 (5.6)	1.81 (3.4)	1.83 (4.5)	1.82 (4.0)	1.93 (11.2)	1.94 (10.9)
PCE模型	1.87 (6.8)	1.70 (−3.1)	1.82 (4.1)	1.67 (−4.6)	1.85 (5.7)	1.66 (−5.1)	1.72 (−1.5)	1.74 (−0.6)	1.94 (11.3)	1.72 (−1.6)

下载: 导出CSV

| 显示表格

表 7 鸟巢中特征修正结果(括号内为误差百分比)

Table 7. Updated features in the National Stadium (% errors in parenthesis)

变量	初始值	Kriging模型	PCE模型	集成模型
f₁/Hz	1.118	1.109 (−0.81)	1.113 (−0.45)	1.114 (−0.37)
f₂/Hz	1.133	1.129 (−0.48)	1.128 (−0.44)	1.129 (−0.35)
f₃/Hz	1.270	1.271 (0.06)	1.265 (−0.37)	1.272 (−0.16)
f₄/Hz	1.838	1.823 (−0.81)	1.830 (−0.44)	1.829 (−0.49)
f₅/Hz	1.964	1.948 (−0.79)	1.956 (−0.43)	1.962 (−0.10)

下载: 导出CSV

| 显示表格

表 8 鸟巢中集成前后的修正参数(括号内为误差百分比)

Table 8. Updated parameters before and after ensemble in the National Stadium (% errors in parenthesis)

变量	Kriging模型	PCE模型	集成模型
θ₁	1.83 (4.5)	1.72 (−1.5)	1.75 (0.4)
θ₂	1.82 (4.0)	1.74 (−0.6)	1.74 (−0.6)

下载: 导出CSV

| 显示表格

3 结论

本文结合过渡马尔科夫链蒙特卡罗(TMCMC)算法和K-means聚类分析提出了一种贝叶斯结构模型修正框架。通过2个不同结构复杂度的算例验证了该方法的有效性。在这3个例子中，对Kriging模型和PCE模型进行了研究和比较，显示了他们的优点和局限性。得到的结论如下：

(1) 对于高维线性情形下的10层框架，解析方法和两种代理模型均适用，Kriging模型的精度优于PCE模型。对于高维非线性情形的国家体育场，PCE模型的精度高于Kriging模型。

(2) 为了提高代理模型在模型修正中表现，结合Bagging和Adaboost，提出了一种适用于代理模型的集成学习算法。结果表明，该集成学习方法提升了代理模型的精度与鲁棒性，同时可以减少计算工作量。

图 1 不同方法下结构特征的对比

Figure 1. Comparison of features in different methods

下载: 全尺寸图片幻灯片

图 2 国家体育场有限元模型

Figure 2. Finite element model of the National Stadium

下载: 全尺寸图片幻灯片

表 1 十层框架中待修正参数的描述

Table 1 Description of updated parameters in ten-storey frame

参数	真实值	变异系数	先验分布	区间
θ₁	1.5	0.01	均匀分布	[0,3]
θ₂~θ₉	1.0	0.01	均匀分布	[0,3]

下载: 导出CSV

表 2 十层框架的待修正参数(括号内为误差百分比)

Table 2 Updated parameters in ten-storey frame (% errors in parenthesis)

参数	聚类前			聚类后
参数	解析法	Kriging法	PCE法	解析法	Kriging法	PCE法
θ₁	1.92 (28.0)	1.68 (12.8)	1.97 (38.1)	1.60 (6.5)	1.48 (2.5)	1.55 (3.4)
θ₂	1.15 (15.0)	0.96 (−3.7)	1.09 (8.6)	0.94 (−5.5)	0.93 (6.6)	1.07 (6.8)
θ₃	1.02 (1.9)	1.00 (0.1)	0.97 (−2.6)	1.12 (11.7)	0.98 (2.1)	0.91 (−8.8)
θ₄	0.90 (−10.1)	1.01 (0.7)	1.06 (−5.9)	0.93 (−6.7)	1.05 (4.3)	0.97 (−3.2)
θ₅	1.04 (3.6)	1.05 (4.7)	1.06 (6.4)	1.01 (1.0)	1.04 (4.4)	0.97 (−2.7)
θ₆	1.00 (0.2)	1.06 (6.1)	1.15 (15.4)	0.99 (−0.8)	1.01 (1.1)	0.89 (−9.6)
θ₇	0.98 (−2.4)	1.02 (2.7)	1.11 (10.5)	0.99 (−0.8)	1.03 (2.6)	0.93 (−6.8)
θ₈	1.03 (3.2)	1.06 (5.9)	1.22 (22.5)	0.94 (−6.4)	1.04 (3.8)	0.90 (−9.7)
θ₉	1.00 (−0.3)	1.06 (6.2)	1.03 (3.0)	0.91 (−9.2)	1.08 (7.6)	1.06 (5.7)
θ₁₀	0.96 (−3.8)	1.24 (23.5)	1.25 (24.5)	0.96 (−3.5)	1.07 (6.6)	1.11 (10.7)

下载: 导出CSV

表 3 十层框架中的特征修正结果

Table 3 Updated features in ten-storey frame

参数	实测值	解析模型		Kriging模型		PCE模型
参数	实测值	修正值	误差/(%)	修正值	误差/(%)	修正值	误差/(%)
f₁	1.58	1.57	−0.2	1.60	0.4	1.59	0.2
f₂	4.70	4.69	−0.1	4.85	3.3	4.73	0.7
f₃	7.71	7.78	1.1	7.72	0.2	7.84	1.9
f₄	10.51	10.57	0.6	10.67	1.5	10.76	2.3
f₅	13.08	13.40	2.5	13.35	2.2	13.36	2.2
f₆	15.31	15.72	2.7	16.07	5.0	15.75	3.0
f₇	17.16	17.23	0.3	17.70	3.1	17.71	3.2
f₈	18.62	18.92	1.6	19.25	3.5	19.14	2.8
f₉	19.65	19.76	0.6	20.44	4.0	20.30	3.3
f₁₀	20.24	20.11	−0.7	20.69	2.1	20.40	1.3

下载: 导出CSV

表 4 十层框架中集成前后的修正参数(括号内为误差百分比)

Table 4 Updated parameters before and after ensemble in ten-storey frame (% errors in parenthesis)

待修正参数	Kriging模型	PCE模型	集成模型
θ₁	1.68 (12.8)	1.97 (38.1)	1.55 (3.4)
θ₂	0.96 (−3.7)	1.09 (8.6)	1.07 (6.8)
θ₃	1.00 (0.1)	0.97 (−2.6)	0.91 (−8.8)
θ₄	1.01 (0.7)	1.06 (−5.9)	0.97 (−3.2)
θ₅	1.05 (4.7)	1.06 (6.4)	0.97 (−2.7)
θ₆	1.06 (6.1)	1.15 (15.4)	0.89 (−9.6)
θ₇	1.02 (2.7)	1.11 (10.5)	0.93 (−6.8)
θ₈	1.06 (5.9)	1.22 (22.5)	0.90 (−9.7)
θ₉	1.06 (6.2)	1.03 (3.0)	1.06 (5.7)
θ₁₀	1.24 (23.5)	1.25 (24.5)	1.07 (6.8)

下载: 导出CSV

表 5 鸟巢中待修正参数的描述

Table 5 Description of updated parameters in the National Stadium

参数	先验分布	区间	备注	真实值
θ₁	均匀分布	[μ−0.5, μ+0.5]	μ ϵ {1.05, 1.30, 1.50, 1.75, 2.00}	1.75
θ₂	均匀分布	[μ−0.5, μ+0.5]	μ ϵ {1.05, 1.30, 1.50, 1.75, 2.00}	1.75

下载: 导出CSV

表 6 鸟巢中待修正参数(括号内为误差百分比)

Table 6 Updated parameters in the National Stadium (% errors in parenthesis)

先验均值μ	1.05		1.30		1.50		1.75		2.00
参数	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂	θ₁	θ₂
Kriging模型	1.89 (8.0)	1.80 (2.8)	1.85 (5.6)	1.83 (4.5)	1.85 (5.6)	1.81 (3.4)	1.83 (4.5)	1.82 (4.0)	1.93 (11.2)	1.94 (10.9)
PCE模型	1.87 (6.8)	1.70 (−3.1)	1.82 (4.1)	1.67 (−4.6)	1.85 (5.7)	1.66 (−5.1)	1.72 (−1.5)	1.74 (−0.6)	1.94 (11.3)	1.72 (−1.6)

下载: 导出CSV

表 7 鸟巢中特征修正结果(括号内为误差百分比)

Table 7 Updated features in the National Stadium (% errors in parenthesis)

变量	初始值	Kriging模型	PCE模型	集成模型
f₁/Hz	1.118	1.109 (−0.81)	1.113 (−0.45)	1.114 (−0.37)
f₂/Hz	1.133	1.129 (−0.48)	1.128 (−0.44)	1.129 (−0.35)
f₃/Hz	1.270	1.271 (0.06)	1.265 (−0.37)	1.272 (−0.16)
f₄/Hz	1.838	1.823 (−0.81)	1.830 (−0.44)	1.829 (−0.49)
f₅/Hz	1.964	1.948 (−0.79)	1.956 (−0.43)	1.962 (−0.10)

下载: 导出CSV

表 8 鸟巢中集成前后的修正参数(括号内为误差百分比)

Table 8 Updated parameters before and after ensemble in the National Stadium (% errors in parenthesis)

变量	Kriging模型	PCE模型	集成模型
θ₁	1.83 (4.5)	1.72 (−1.5)	1.75 (0.4)
θ₂	1.82 (4.0)	1.74 (−0.6)	1.74 (−0.6)

下载: 导出CSV

参考文献(15)

[1]	Mottershead J E, Friswell M I. Model Updating In Structural Dynamics: A Survey [J]. Journal of Sound & Vibration, 1993, 167(2): 347 − 375.
[2]	Liang Y, Feng Q, Li H. Damage detection of shear buildings using frequency-change-ratio and model updating algorithm [J]. Smart Structures and Systems, 2019, 23(2): 107 − 122.
[3]	Zhang F L, Yang Y P, Ye X W. Structural modal identification and MCMC-based model updating by a Bayesian approach [J]. Smart Structures and Systems, 2019, 24(5): 631 − 639.
[4]	Ching J, Muto M, Beck J L . Structural model updating and health monitoring with incomplete modal data using Gibbs sampler [J]. Computer‐Aided Civil and Infrastructure Engineering, 2006, 21(4): 242 − 257. doi: 10.1111/j.1467-8667.2006.00432.x
[5]	Yu E, Lan C. Seismic damage detection of a reinforced concrete structure by finite element model updating [J]. Smart Structures & Systems, 2012, 9(3): 253 − 271.
[6]	姜东, 吴邵庆, 史勤丰, 费庆国. 基于薄层单元的螺栓连接结构接触面不确定性参数识别[J]. 工程力学, 2015, 32(4): 220 − 227. doi: 10.6052/j.issn.1000-4750.2013.10.0920 Jiang Dong, Wu Shaoqing, Shi Qinfeng, Fei Qingguo. Contact interface parameter identification of bolted structure with uncertainty using thin layer element method [J]. Engineering Mechanics, 2015, 32(4): 220 − 227. (in Chinese) doi: 10.6052/j.issn.1000-4750.2013.10.0920
[7]	韩建平, 骆勇鹏, 郑沛娟, 刘云帅. 基于响应面的刚构-连续组合梁桥有限元模型修正[J]. 工程力学, 2013, 30(12): 85 − 90. doi: 10.6052/j.issn.1000-4750.2012.04.0276 Han Jianping, Luo Yongpeng, Zheng Peijuan, Liu Yunshuai. Finite element model updating for a rigid frame-continuous girders bridge based on response surface method [J]. Engineering Mechanics, 2013, 30(12): 85 − 90. (in Chinese) doi: 10.6052/j.issn.1000-4750.2012.04.0276
[8]	翁顺, 朱宏平. 基于有限元模型修正的土木结构损伤识别方法[J]. 工程力学, 2021, 38(3): 1 − 16. doi: 10.6052/j.issn.1000-4750.2020.06.ST02 Weng Shun, Zhu Hongping. Damage identification of civil structures based on finite element model updating [J]. Engineering Mechanics, 2021, 38(3): 1 − 16. (in Chinese) doi: 10.6052/j.issn.1000-4750.2020.06.ST02
[9]	刘纲, 罗钧, 秦阳, 张建新. 基于改进MCMC方法的有限元模型修正研究[J]. 工程力学, 2016, 33(6): 138 − 145. doi: 10.6052/j.issn.1000-4750.2014.10.0887 Liu Gang, Luo Jun, Qin Yang, Zhang Jianxin. A finite element model updating method based on improved mcmc method [J]. Engineering Mechanics, 2016, 33(6): 138 − 145. (in Chinese) doi: 10.6052/j.issn.1000-4750.2014.10.0887
[10]	夏志远, 李爱群, 李建慧, 陈鑫. 基于GMPSO的有限元模型修正方法验证[J]. 工程力学, 2019, 36(10): 66 − 74. doi: 10.6052/j.issn.1000-4750.2018.09.0506 Xia Zhiyuan, Li Aiqun, Li Jianhui, Chen Xin. Validation of finite element model updating methodology based on GMPSO [J]. Engineering Mechanics, 2019, 36(10): 66 − 74. (in Chinese) doi: 10.6052/j.issn.1000-4750.2018.09.0506
[11]	Ewins D J . Modal Testing, Theory, Practice and Application [M]. New York: John Wiley & Sons, 2009.
[12]	Feng Z, Y Lin, Wang W, et al. Probabilistic Updating of Structural Models for Damage Assessment Using Approximate Bayesian Computation [J]. Sensors (Basel, Switzerland), 2020, 20(11): 3197.
[13]	Zhou Y, Lu Z. An enhanced Kriging surrogate modeling technique for high-dimensional problems [J]. Mechanical Systems and Signal Processing, 2020, 140: 106687. doi: 10.1016/j.ymssp.2020.106687
[14]	Jacquelin E, Friswell M I, Adhikari S, et al. Polynomial chaos expansion with random and fuzzy variables [J]. Mechanical Systems and Signal Processing, 2016, 75: 41 − 56. doi: 10.1016/j.ymssp.2015.12.001
[15]	He W, Hao P, Li G. A novel approach for reliability analysis with correlated variables based on the concepts of entropy and polynomial chaos expansion [J]. Mechanical Systems and Signal Processing, 2021, 146: 106980.

施引文献(15)

期刊类型引用(10)

1.	代和树，李龙起. h型桩加固边坡动力响应特性及破坏模式研究. 三峡大学学报(自然科学版). 2025(01): 50-56 . 百度学术
2.	林宇亮，李澳华，邢浩，李丽华，宋宣儒，杨果林. 群桩加固可液化地基的地震响应特性研究. 中南大学学报(自然科学版). 2025(01): 123-137 . 百度学术
3.	王知扬，贾科敏，许成顺，杜修力. 桩-土相互作用弹簧对倾斜液化场地-群桩-上部结构体系的影响. 地震科学进展. 2024(02): 125-134 . 百度学术
4.	范晓雪，贾科敏，许成顺，潘汝江. 混凝土碎石复合桩加固倾斜可液化场地的数值模拟研究. 地震工程与工程振动. 2024(01): 194-204 . 百度学术
5.	曹志鹏，王晓磊，刘历波，刘润，刘理腾，许登钰. 竖向荷载对高承台群桩基础侧向位移影响规律的振动台试验. 中国科技论文. 2024(06): 660-667+694 . 百度学术
6.	李典庆，单晟治，王顺，杜文琪. 考虑土体空间变异性的液化区埋地管道上浮反应与易损性分析. 工程力学. 2024(09): 31-41 . 本站查看
7.	许晓帅，贾科敏，许成顺，杜修力. 基于易损性分析的可液化场地单桩基础抗震性能研究. 防灾减灾工程学报. 2024(05): 1094-1105 . 百度学术
8.	秦悠，杜歆宇，马维嘉，吴琪，陈国兴. 各向异性固结下饱和珊瑚砂超静孔压增长的能量模式. 工程力学. 2024(12): 158-166 . 本站查看
9.	张小玲，房丽净，许成顺，贾科敏. 上覆土层对倾斜液化场地-桩基-结构地震反应的影响研究. 振动工程学报. 2024(12): 2055-2065 . 百度学术
10.	张正哲，贾科敏，许成顺，潘汝江. 倾斜液化场地-桩基-结构体系在近场脉冲与非脉冲地震动下地震响应差异分析. 岩土力学. 2023(12): 3629-3638 . 百度学术

其他类型引用(5)

资源附件(0)

图(2) / 表(8)

计量

文章访问数: 351
HTML全文浏览量: 130
PDF下载量: 64
被引次数: 15

1 研究方法
1.1 贝叶斯模型修正理论
1.2 集成学习框架
2 算例
2.1 十层框架结构
2.2 国家体育场
3 结论

不同结构复杂度下结合集成学习的模型修正方法

作者简介: 林光伟(1999−)，男，宁夏人，博士生，主要从事防灾减灾研究(E-mail: lin-gw19@mails.tsinghua.edu.cn)

通讯作者: 张 熠(1987−)，男，湖北人，副教授，博士，博导，主要从事防灾减灾研究(E-mail: zhang-yi@tsinghua.edu.cn)

计量

出版历程