توليد بيانات سلسلة زمنية عالية الدقة بناءً على محاكاة العناصر المحدودة ورسم خرائط فضاء البيانات

يمكن أن توفر الاستجابات الديناميكية معلومات غنية لدعم الدورة الحياتية الكاملة للهياكل، ويمكن قياسها إما من هياكل فعلية أو محاكية باستخدام طريقة العناصر المحدودة (FE). بالنسبة لمحاكاة FE، يمكن أن يؤثر انخفاض دقة بيانات المحاكاة بشكل كبير على ثقة نتائج التحليل، بينما يمكن أن تعالج طرق تحديث نموذج FE هذه المشكلة جزئيًا من خلال تقليل خطأ المحاكاة. ومع ذلك، فإن معظم طرق تحديث نموذج FE لا مفر منها في تحديث المعلمات الفائقة لنماذج FE باستخدام خوارزميات معقدة بحدود حسابية عالية. وبالتالي، تم طرح سؤال: هل هناك رسم خرائط يمكن أن ينقل بيانات محاكاة FE إلى بيانات القياس المقابلة مباشرةً دون إجراء تحديث لنموذج FE؟ لتحقيق ذلك، اقترحنا طريقة لتوليد البيانات باستخدام محاكاة FE ورسم خرائط فضاء التعلم العميق، والتي يمكن استخدامها لتوليد استجابات ديناميكية عالية الدقة ناتجة عن بعض أنماط الأحمال غير المرئية في القياس. تم تصميم شبكة عصبية تلافيفية سببية موسعة (DCCNN) لتحقيق رسم الخرائط الفضائي. تم إجراء تجارب الاهتزاز على كل من شعاع فولاذي على شكل حرف I ونموذج FE المقابل لإنشاء مجموعات بيانات واختبار الطريقة المقترحة. تم تحليل جودة البيانات الاصطناعية في كل من النطاق الزمني والنطاق الترددي. تظهر السعات الدقيقة، والترددات الطبيعية، وأشكال الوضع للبيانات الصناعية بنجاح فعالية طريقة توليد البيانات عالية الدقة المقترحة.