深度解读：面向海上风电塔筒监测的合成可靠性感知 PINN 基准

背景

海上风力涡轮机（Offshore Wind Turbine, OWT）支撑结构的可靠结构健康监测（Structural Health Monitoring, SHM）是确保能源基础设施安全运行的关键。然而，这一领域面临着严峻的计算与数据挑战。

传统的状态估计方法依赖于高保真有限元分析（Finite Element Analysis, FEA）或气动弹性分析。虽然这些方法精度高，但计算成本极其高昂，难以直接嵌入到需要实时响应的在线监测循环中。另一方面，纯粹的数据驱动代理模型（Surrogate Models）虽然计算速度快，但通常需要海量的训练数据，而在实际工程场景中，获取如此大规模的高质量标注数据往往是不现实的。

因此，业界急需一种能够在稀疏测量数据下实现快速状态估计，且兼具物理一致性与计算效率的新型方法论。物理信息神经网络（Physics Informed Neural Network, PINN）因其能够将物理定律嵌入损失函数而成为潜在解决方案，但如何在实际工程应用中确保其可靠性，尤其是处理不确定性量化问题，仍是一个未完全解决的难题。

核心内容

本文提出并介绍了一个名为 Digi Turbine 的合成基准（Benchmark），旨在解决上述痛点。这是一个“可靠性感知”（Reliability-Aware）的 PINN 框架，专门针对 OWT 单桩支撑结构（Monopile Support Structure）的监测任务设计。

该研究的核心工作流程包含以下三个关键层面的整合：

1. 物理方程嵌入： 在训练目标函数中，嵌入了简化的欧拉-伯努利梁方程（Euler Bernoulli beam equation），并耦合了温克尔地基模型（Winkler soil foundation）。这种物理约束确保了神经网络的学习过程符合基本的力学原理，从而在数据稀疏的情况下也能保持合理的预测能力。

2. 贝叶斯先验反演识别： 框架将物理嵌入与贝叶斯先验信息（Bayesian-prior-informed）相结合，用于反演识别（Inverse Identification）。这意味着模型不仅是在拟合数据，而是在利用先验知识来推断未知的物理参数（如土壤刚度、材料属性等），从而提高了参数估计的鲁棒性。

3. 一阶可靠性方法筛选： 为了量化预测的可靠性，研究引入了第一阶可靠性方法（First Order Reliability Method, FORM）进行筛选。这一步骤旨在评估模型预测结果的不确定性，确保监测结果在工程安全范围内是可信的。

验证环境与数据来源： 所有验证均基于合成配置（Synthetic Configurations）。研究团队利用解析解或有限差分法生成的“地面真值”（Ground Truth）对模型进行测试。这些合成数据的设计灵感来源于 NREL 5MW 参考风力涡轮机的上下文背景，确保了测试场景的工程相关性。

关键要点

• Digi Turbine 基准：这是一个专门为海上风电单桩监测设计的合成可靠性感知 PINN 基准，填补了现有基准在物理-数据混合建模及可靠性评估方面的空白。
• 物理-数据混合架构：通过结合简化的欧拉-伯努利梁方程和温克尔地基模型，模型在训练阶段就融入了物理约束，避免了对大规模纯数据训练的依赖。
• 不确定性量化：引入贝叶斯反演识别和第一阶可靠性方法（FORM），使得模型不仅能给出状态估计，还能提供结果的可信度评估，这对于工程安全至关重要。
• 合成数据验证：由于真实世界的全量标注数据稀缺，研究采用基于 NREL 5MW 参考涡轮机背景生成的合成数据，通过解析解或有限差分法获得真值进行严格验证。
• 解决在线监测瓶颈：该框架旨在克服高保真有限元分析计算慢和纯数据驱动模型数据需求大的双重缺陷，为实时在线监测提供了一种可行的替代方案。

意义与影响

这项研究在结构健康监测和工程人工智能领域具有重要的理论和应用价值：

1. 推动 PINN 在工程中的落地：通过将 PINN 与可靠性评估（FORM）和贝叶斯推断相结合，该研究展示了如何将“黑盒”式的深度学习模型转化为具有可解释性和安全性保证的工程工具。
2. 降低监测成本与门槛：通过减少对高保真仿真和大规模训练数据的依赖，Digi Turbine 框架为海上风电场提供了一种低成本、高效率的健康监测方案，有助于延长基础设施寿命并预防灾难性故障。
3. 提供标准化基准：作为一个公开的合成基准，Digi Turbine 为学术界和工业界提供了一个标准化的测试平台，促进了不同算法在相同物理约束和不确定性评估标准下的公平比较。
4. 增强决策信心：在关键基础设施监测中，知道“预测结果有多可靠”往往比“预测结果是什么”更重要。引入可靠性感知机制，使得运维人员能够基于风险等级做出更明智的维护决策。

尽管目前验证基于合成数据，但该框架为未来整合真实传感器数据、处理更复杂的多物理场耦合问题奠定了坚实的基础。