新论文：基于开源程序的模型更新程序框架

论文：Cluster Computing-Aided Open-Source Programming Framework for Model Updating of Civil Structures. Structural Control and Health Monitoring. 2024. 

DOI: https://doi.org/10.1155/2024/9331705

大型结构的设计优化和模型更新需要消耗大量计算资源。实现上述目标依赖可靠的模型更新技术和高效的优化算法，但是，已有研究多依赖于商业软件平台，由于其不同软件之间接口复杂、版权限制等因素限制了软件推广和相关研究的深入开展。因此，本文基于开源平台OpenSees和Python，开发了适用于复杂工程结构模型更新与优化设计的开源程序框架。

首先，通过开源分布式计算框架dispy搭建高性能计算（High Performance Computing, HPC）集群，开发适用于集群计算的粒子群优化算法；进一步编写不同功能模块的软件接口，连接模型分析平台与开源集群计算平台，将模型更新过程中的大量数值分析工作分配到HPC集群的每个线程（Thread）上，实现复杂工程结构模型的集群分析和模型更新。通过4个算例（框架结构的损伤识别、空间网架结构的优化、大跨斜拉桥的线性与非线性更新）来介绍本程序的实现方式、计算效率与精度。

为了便于大家使用和交流，相关程序代码和示例已开源，详见以下链接：

https://github.com/zhengjunhao11/Cluster-computing-aided-model-updating-program-framework

为了实现大型结构的精细有限元模型更新，本文基于OpenSees和Python编写了相关的模型更新程序，程序计算流程如图1所示。

图1 程序计算流程

（1）集群计算辅助的粒子群优化（PSO）算法

本文采用PSO算法作为更新算法，对其进行二次开发，集成集群计算辅助技术，实现利用网络计算资源的PSO计算加速。该算法的使用和实现如图2所示，具体可以参考我们的论文。

图2 创建计算集群的流程

（2）程序开发

基于Python编写了主程序main.py、高性能计算集群cluster_env.py和分析计算optimization.py三个模块，连接集群优化算法cluster_pso.py和有限元分析平台OpenSees，实现集群计算辅助的复杂结构模型更新与优化，不同模块间的数据传递及相互关系如图3所示。在optimization.py里定义相关函数即可实现在其他工程领域的应用。

图3 基于集群计算的模型更新程序框架

（1）结构设计优化

图4 结构设计优化过程

表1 优化结果对比

（2）基于模态响应的大跨斜拉桥线性更新

图5 基于OpenSees的桥梁精细化数值模型

以试验的模态识别结果构建线性更新的目标函数，如下所示。选取包括材料弹模、几何尺寸等11个参数，开展上述桥梁的线性更新。

表2 计算节点信息

图6 基于模态分析的模型更新过程

表3 桥梁模态结果对比

（3）基于时程响应的大跨斜拉桥非线性更新

此外，在结构的服役过程，受强震作用可能进入塑性状态，因此，有必要开展非线性模型更新，以评估结构的损伤状态。以苏通大桥试验模型在PGA=1.1g人工波下的时程响应构建目标函数，如下所示，开展了基于时程分析的大跨斜拉桥非线性模型更新。

图7 模型更新后部分测点的时程响应对比

（1）不同算法的效率对比

以上述斜拉桥模型的线性更新为例，选取了部分常用的算法，与本文所开发的算法对比了计算效率和精度，如表4所示。结果表明：PSO算法具有较高的精度，借助计算集群可以有效实现模型更新过程的加速，例如，采用60个线程的计算集群开展上述桥梁的线性更新时，计算速度可以提升约49倍。

表4 算法效率对比

（2）与基于代理模型的模型更新方法对比

同样以上述斜拉桥模型的线性更新为例，以代理模型中最常用的Kriging模型为例，对比了直接采用有限元模型与基于Kriging代理模型的两种线性更新方法，模态计算对比结果如表5所示。结果表明本文的方法计算精度明显更高。

表5 频率对比

（3）不同更新方式对比

选取基于不同更新方式（线性/非线性更新）的模型预测桥梁在强震下各测点的响应，如图8所示。结果表明，虽然基于时程分析的非线性更新方法需要耗费更多的时间和计算资源，但该方法可以充分考虑结构的非线性模型参数，更新后的模型能更准确表征桥梁的损伤特征，从而大幅提升模型的计算精度。

图8 不同更新方式精度对比