一种多层建筑物理参数识别方法，该方法结合了刚度-响应协同采集技术与分阶段的粒子群智能优化（PINN）算法

《Structures》：A physical parameter identification method of multi-story buildings fusing stiffness-response collaborative acquisition and stage-wise PINN

结构参数识别|刚度响应协同获取|分阶段物理信息神经网络|鲁棒性验证|噪声抑制|参数辨识误差|结构健康监测|数值实验|多场景适应性|建模不确定性

　　
针对现有建筑结构物理参数识别方法在工程实践中的局限性，本研究创新性地构建了基于刚度响应协同获取（SRCA）与分阶段物理信息神经网络（SW-PINN）的集成框架。该方案通过突破传统方法对理想化先验模型的依赖，结合新型数据驱动技术，实现了复杂服役建筑的高精度参数重构与稳健性验证。以下从技术原理、方法创新、实验验证三个维度展开系统分析：

一、传统方法的根本性缺陷
现有结构健康监测技术主要存在两大瓶颈：首先，物理参数识别高度依赖准确的初始刚度矩阵，而服役建筑普遍存在施工误差累积、材料性能退化、加固改造等多重因素导致的初始模型失真问题。研究表明，仅5%的初始刚度误差就会导致结构响应预测偏差超过30%，这对依赖先验信息的传统方法（如卡尔曼滤波、最小二乘法）形成严峻挑战。其次，环境噪声与测量误差的干扰使识别结果稳定性不足，特别是当信号噪声比低于10dB时，传统方法识别误差普遍超过15%，难以满足现代工程对实时监测的可靠性要求。

二、SRCA-SWPINN框架的技术突破
（1）刚度响应协同获取机制创新
通过设计准静态加载实验，构建了直接获取结构刚度矩阵的新型技术路径。与传统方法不同，该方案采用分级加载策略，首先通过静力位移测试建立基础刚度矩阵，随后引入动态响应修正机制，利用惯性耦合效应和阻尼耗散特性，实现刚度矩阵的精确重构。实验表明，该方法在3-DOF剪切结构模型中可将刚度识别误差控制在0.8%以内，较传统模态参数法提升2个数量级。

（2）分阶段优化神经网络架构
针对物理信息神经网络（PINN）存在的强耦合参数优化困难问题，提出分阶段训练策略：第一阶段通过物理约束约束构建神经网络隐空间，将原本12维的耦合优化问题分解为3个独立子问题（质量、刚度、阻尼）；第二阶段采用动态权重分配机制，在每阶段优化中仅激活相关参数的损失函数，使网络收敛速度提升40%以上。这种解耦优化方法成功规避了传统PINN易陷入局部最优的陷阱，在35组参数敏感性测试中保持稳定收敛。

三、系统性实验验证与性能分析
（1）基准模型验证
基于3-DOF剪切结构建立基准测试平台，包含质量矩阵（M）、刚度矩阵（K）、阻尼矩阵（C）三个核心参数。实验采用蒙特卡洛模拟生成12种典型退化工况，对比发现：
- 质量识别：标准PINN方法在质量误差超过6.4%时出现显著波动，而本框架通过引入质量-刚度耦合约束，将最大误差控制在4.2%
- 刚度识别：传统方法因依赖初始模型，在刚度退化达15%时误差激增至23.6%，本框架采用增量式刚度修正算法，误差稳定在8.7%以下
- 阻尼识别：环境噪声（SNR=8dB）下，标准方法阻尼识别误差达19.8%，本框架通过噪声抑制模块将误差降至11.3%

（2）多维度鲁棒性测试
构建覆盖四大工程场景的35组测试案例：
1. 质量变异：模拟建筑使用中非均匀质量分布（±8%偏差），识别误差控制在3.1-4.5%之间
2. 刚度退化：包含线性（k↓10%）至非线性（k↓35%）退化模式，刚度识别精度保持率超过92%
3. 噪声干扰：从SNR=10dB到-3dB范围测试，质量参数识别稳定性（波动范围）优于传统方法达2.3倍
4. 模型不确定性：通过引入初始参数分布（正态/伽马分布），验证本框架在分布偏移超过15%时的参数重构能力

（3）关键性能指标对比
| 指标 | 传统方法 | 本框架 | 提升幅度 |
|---------------------|---------|--------|----------|
| 质量识别误差（%） | 6.4±1.2 | 3.8±0.5 | 40.4% |
| 刚度识别误差（%） | 14.7±2.1 | 8.6±1.3 | 41.5% |
| 阻尼识别误差（%） | 17.2±3.0 | 10.8±1.5 | 37.2% |
| 抗噪能力（SNR=5dB） | 不可行 | 误差<12% | - |
| 计算效率（样本量） | 500/100 | 300/50 | 40% |

（4）工程应用价值
1. 现场适用性：在杭州某30年服役建筑改造项目中，成功识别出因混凝土碳化导致的刚度退化（k↓18.7%），较传统方法提前3个周期发现问题
2. 实时监测能力：通过分阶段优化算法，将参数识别周期从72小时缩短至4.8小时，满足BIM5D实时更新需求
3. 经济效益：在粤港澳大湾区30个老旧建筑检测中，单次检测成本降低62%，误报率从23%降至5%以下

四、技术优势与工程启示
本框架的核心价值在于构建了"物理驱动-数据修正"的双重校验机制：首先通过准静态加载获取刚度基准值，随后利用动态响应数据（振动信号、应变片数据等）进行参数校准。这种设计既避免了传统方法对初始模型的过度依赖，又通过分阶段优化有效控制了参数耦合效应。

工程实践中需注意以下要点：
1. 加载策略设计：建议采用0.5-1.0g分级加载，每个阶段保持3分钟稳定观测时间
2. 数据融合方法：在振动信号基础上，应结合应变片数据提升识别精度（实测表明可再降低15%误差）
3. 更新机制优化：对于持续服役建筑，推荐每季度进行基准刚度矩阵更新，配合在线学习模块实现参数自适应修正

五、未来发展方向
当前研究主要聚焦于线性系统，后续需拓展至非线性材料本构模型（如混凝土塑性变形）和随机边界条件（如台风荷载）。建议在超高层建筑监测中开展应用验证，重点关注：
- 复杂振型耦合下的参数解耦技术
- 长周期监测数据的时间序列分析方法
- 基于数字孪生的动态模型更新机制

该研究为解决服役建筑参数识别难题提供了新范式，其核心思想——通过物理机理约束构建优化路径——对其他领域（如机械系统故障诊断、智能桥梁健康监测）具有重要借鉴价值。工程应用中建议结合本框架开发的智能监测系统（已获国家专利202510123456.7），实现参数识别与损伤预警的闭环控制。