Bayesian Structural Model Updating with Multimodal Variational Autoencoder

📄 arXiv: 2406.09051v2 📥 PDF

作者: Tatsuya Itoi, Kazuho Amishiki, Sangwon Lee, Taro Yaoyama

分类: stat.ML, cs.LG, stat.AP

发布日期: 2024-06-07 (更新: 2024-06-20)

备注: 44 pages, 21 figures

期刊: Computer Methods in Applied Mechanics and Engineering,Volume 429, 1 September 2024, 117148

DOI: 10.1016/j.cma.2024.117148

💡 一句话要点

提出基于多模态VAE的贝叶斯结构模型更新框架，提升小样本观测下的似然近似精度。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 贝叶斯模型更新 多模态VAE 结构健康监测 似然函数近似 小样本学习

📋 核心要点

  1. 现有贝叶斯结构模型更新方法在小样本观测下，似然函数近似精度不足，尤其是在高维相关观测数据中。
  2. 利用多模态VAE的单峰编码器作为代理模型，近似似然函数，从而提升小样本条件下的贝叶斯更新精度。
  3. 数值实验表明，该方法在保持精度的前提下，比原始VAE具有更高的计算效率，适用于动态分析模型。

📝 摘要（中文）

本研究提出了一种新颖的贝叶斯结构模型更新框架。该方法利用多模态变分自编码器（VAE）的代理单峰编码器，以便在处理少量观测数据时近似似然函数。该方法特别适用于各种动态分析模型中的高维相关同步观测。通过单层框架结构的数值模型，结合加速度和动态应变测量数据，对所提出的方法进行了基准测试。此外，一个涉及三自由度集总质量模型非线性模型参数贝叶斯更新的例子表明，与使用原始VAE相比，该方法在保持足够的实际应用精度的同时，具有更高的计算效率。

🔬 方法详解

问题定义：论文旨在解决贝叶斯结构模型更新中，当观测数据量较少时，似然函数难以准确估计的问题。尤其是在结构动力学分析中，往往需要处理高维且相关的观测数据（如加速度、应变等），这使得传统的贝叶斯更新方法面临计算复杂度和精度不足的挑战。现有方法，如直接使用VAE，计算成本高昂，难以在实际工程应用中推广。

核心思路：论文的核心思路是利用多模态变分自编码器（VAE）学习到的潜在空间表征，并使用VAE的单峰编码器作为代理模型来近似似然函数。多模态VAE能够处理多种类型的数据输入，而其单峰编码器则可以提供更简洁、更易于处理的潜在空间表示。通过这种方式，可以在小样本情况下更有效地估计似然函数，从而提高贝叶斯更新的精度和效率。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 使用多模态VAE对观测数据进行训练，学习数据的潜在空间表征。2) 利用训练好的VAE的单峰编码器，将新的观测数据映射到潜在空间。3) 在潜在空间中，使用高斯分布或其他合适的分布来近似似然函数。4) 使用贝叶斯公式，结合先验知识和近似的似然函数，更新模型参数的后验分布。

关键创新：该方法最重要的技术创新点在于使用多模态VAE的单峰编码器作为代理模型来近似似然函数。与直接使用原始VAE或传统的似然函数估计方法相比，该方法能够更有效地利用小样本数据，并降低计算复杂度。此外，多模态VAE能够处理多种类型的观测数据，使其具有更广泛的适用性。

关键设计：在具体实现中，需要选择合适的VAE结构，包括编码器和解码器的网络结构、潜在空间的维度等。损失函数通常包括重构损失和KL散度损失，用于保证VAE能够有效地学习数据的潜在空间表征。此外，还需要选择合适的先验分布和似然函数形式，以及合适的优化算法来训练VAE和更新模型参数。

📊 实验亮点

该方法在单层框架结构的数值模型上进行了验证，使用了加速度和动态应变测量数据。实验结果表明，与使用原始VAE相比，该方法在保持足够的精度下，计算效率显著提高。此外，在三自由度集总质量模型的非线性参数贝叶斯更新中，也验证了该方法的有效性和计算优势。

🎯 应用场景

该研究成果可应用于桥梁、建筑等结构的健康监测与损伤识别。通过融合多种传感器数据（如加速度、应变），利用少量观测数据即可实现对结构模型参数的精确更新，从而评估结构的安全性与可靠性。该方法还可扩展到其他需要进行模型校准和参数估计的领域，如航空航天、机械工程等。

📄 摘要（原文）

A novel framework for Bayesian structural model updating is presented in this study. The proposed method utilizes the surrogate unimodal encoders of a multimodal variational autoencoder (VAE). The method facilitates an approximation of the likelihood when dealing with a small number of observations. It is particularly suitable for high-dimensional correlated simultaneous observations applicable to various dynamic analysis models. The proposed approach was benchmarked using a numerical model of a single-story frame building with acceleration and dynamic strain measurements. Additionally, an example involving a Bayesian update of nonlinear model parameters for a three-degree-of-freedom lumped mass model demonstrates computational efficiency when compared to using the original VAE, while maintaining adequate accuracy for practical applications.