Mejora del rendimiento de la predicción de la respuesta sísmica utilizando el método híbrido LSTM-PINN

Área de la Ciencia:

• Ingeniería estructural
• Inteligencia artificial
• Análisis sísmico

Sus antecedentes:

• La predicción precisa de las respuestas estructurales a la carga sísmica es crucial para la seguridad.
• Los modelos de aprendizaje profundo como las redes neuronales informadas por la física (PINNs) y las redes de memoria larga a corto plazo (LSTM) son prometedores, pero tienen limitaciones.
• Los PINN carecen de captura de dependencia temporal a largo plazo en sistemas no lineales, mientras que los LSTM carecen de interpretabilidad física.

Objetivo del estudio:

• Desarrollar un modelo híbrido LSTM-PINN que integre las fortalezas de ambos LSTM y PINN.
• Para mejorar la predicción del comportamiento estructural dinámico bajo carga sísmica.
• Mejorar la consistencia física y la captura de la dependencia temporal en el modelado de la respuesta estructural.

Principales métodos:

• Se desarrolló un modelo híbrido que combina LSTM para el aprendizaje temporal y PINN para las restricciones basadas en la física.
• El modelo se evaluó en sistemas de un solo grado de libertad (SDOF) y de varios grados de libertad (MDOF) sometidos al movimiento del suelo de El Centro.
• El rendimiento se evaluó utilizando el error medio y el error cuadrado medio (MSE) para el desplazamiento, la velocidad y la aceleración, en comparación con los modelos solo con PINN.

Principales resultados:

• El modelo híbrido LSTM-PINN logró predicciones más estables y precisas en todo el dominio temporal.
• Demostró un rendimiento superior a los PINN de referencia, logrando hasta un 50% menos de MSE con menos épocas de entrenamiento (10.000 frente a 50.000).
• El modelo mostró mejores capacidades de generalización a través del aprendizaje de secuencias temporales.

Conclusiones:

• El modelo híbrido LSTM-PINN combina efectivamente el aprendizaje temporal y la consistencia física para la predicción de la respuesta estructural sísmica.
• Este enfoque de IA de series temporales guiadas por la física ofrece ventajas significativas en precisión y eficiencia.
• Los hallazgos apoyan el potencial para la estimación de la respuesta en tiempo real, el monitoreo de la salud estructural y la evaluación del rendimiento sísmico.