自适应基精细化的降阶物理信息神经网络用于结构识别

摘要

物理信息神经网络（PINN）为求解正问题和反问题提供了灵活框架，但在结构动力学中受高维度和模型误差限制。现有PINN-降阶模型耦合通常依赖固定降维子空间或假设物理完备。本文提出一种具有自适应基精细化的降阶物理信息神经网络（RO-PINN），通过投影将降阶控制方程嵌入损失函数，并在训练中更新投影基以逐步对齐潜在空间与结构参数或残差恢复力。在带非线性滞回支撑的四层钢框架上验证，该方法在稀疏噪声数据下参数识别精度可比或优于贝叶斯模型修正，且计算成本更低；能恢复未建模的非线性恢复力，并在统一框架中联合识别结构参数与残余恢复力。