Machine learning applied to non-deterministic actions affecting slender structures and their active cancellation.

Abstract

Vibration problems in slender structures pose a significant challenge in modern structural engineering, leading to problems such as structural fatigue, discomfort and safety risks. These undesired vibrations arise from various nondeterministic sources such as dynamic loads, turbulent winds, human activities, and machinery. Understanding and characterizing these actions is crucial for structural design and safety and represents a central research topic in structural engineering. In this context, data-driven methods have emerged as a valuable addition to traditional structural engineering techniques. They use extensive data collection, sensor networks and advanced analytics to provide real-time insights into structural behaviour and accurate forecasts of potential excitations, etc.

This doctoral thesis aims to develop and apply data-driven techniques to address vibration challenges in slender structures. Its objectives involve identifying, predicting and characterizing non-deterministic actions affecting these structures by means of data-based non-parametric models as Machine Learning, as well as developing methods to actively mitigate them based on evolutionary computation.

The doctoral thesis encompasses three works, where various issues related to different facets of structural vibration analysis have been successfully addressed following the subsequent methodologies.

In first place, the focus is on the prediction and characterizing stochastic forces that dynamically influence structures, with particular emphasis on extreme events with potentially significant impacts. Specifically, the work involves the prediction of extreme wind speeds. An intrinsic challenge in predicting such extreme events lies in dealing with highly unbalanced datasets. To address this, in addition to the application of conventional data balancing techniques, a novel three-level Hierarchical Classification/Regression methodology was developed, yielding highly satisfactory results in forecasting extreme wind events while minimizing false alarms. The prediction of stochastic events was conducted across various time prediction horizons, spanning short to long term, ensuring the methodology's robustness and optimal performance across different scenarios.

The second work is focused on characterizing non-deterministic forces impacting structures, specifically emphasizing the reproducibility of their temporal series using an electrodynamic shaker. This approach facilitates standardized testing of structural responses to dynamic loads in an objective and repeatable manner. The challenge of dealing with a naturally nonlinear electro-mechanical system, represented by a non-invertible model, was addressed in this work, where the goal was to derive an inverse model for replicating time series signals. To overcome this hurdle, an iterative neural network framework for replicating human-induced ground reaction forces was developed. Within this framework, an inversion-free offline control approach was applied to the electrodynamic shaker, ensuring repeatability and accuracy in dynamic load tests. This proposal was successfully validated, achieving reliable reproduction of ground reaction forces produced by different types, amplitudes, and frequencies of human motion or locomotion activities.

The final work involves the successful development, implementation, and experimental validation of an Active Mass Damper control system for a full-scale structure. A genetic evolutionary algorithm was utilized to optimize both the state estimator gain and the feedback gain controlling the actuator in the active control methodology. This demonstrated that the data-based optimization of the control law serves as a viable alternative to classical methods. Various optimization criteria were assessed for this purpose. Additionally, the validation of the control system was carried out by evaluating different parameters in both the time and frequency domains.

In terms of the obtained results, the accomplishments achieved throughout the development of this doctoral thesis represent notable contributions to the research field in which it is framed. Developing and successfully applying machine learning and artificial intelligence methods to address challenges arising from structural engineering.

Los problemas causados por vibraciones suponen un desafío significativo en la ingeniería estructural moderna, donde las estructuras son cada vez más ligeras y esbeltas. Estas vibraciones dan lugar a a problemas como fatiga estructural, disconfort y potenciales riesgos de seguridad. Las vibraciones no deseadas surgen de diversas fuentes no determinísticas como cargas dinámicas, vientos turbulentos, actividades humanas y maquinaria. Comprender y caracterizar estas acciones es crucial para el diseño y la seguridad estructural, representando un tema central de investigación en ingeniería estructural. En este contexto, los métodos basados en el análisis de datos han surgido como un valioso complemento a las técnicas tradicionales de ingeniería estructural. Estos métodos utilizan una amplia recopilación de datos, redes de sensores y análisis avanzado para proporcionar información en tiempo real sobre el comportamiento estructural y pronósticos precisos ante posibles excitaciones.

Esta tesis doctoral tiene como principales objetivos el desarrollo y aplicación de técnicas basadas en el análisis de datos y el aprendizaje máquina para resolver problemas causados por las vibraciones en estructuras esbeltas. La tesis doctoral abarca tres trabajos, donde se han abordado con éxito varios problemas relacionados con diferentes facetas del análisis de vibraciones estructurales. Para ello, se han implementado diversas metodologías relacionadas con el aprendizaje máquina que se resumen a continuación.

En primer lugar, el enfoque del primer trabajo se centra en la predicción y caracterización de fuerzas estocásticas que influyen dinámicamente en las estructuras, con especial énfasis en eventos extremos con impactos potencialmente significativos. En concreto, el trabajo implica la predicción de velocidades extremas del viento. Un desafío intrínseco en la predicción de este tipo de eventos extremos radica en trabajar con conjuntos de datos altamente desbalanceados. Para lidiar con este inconveniente, se ha desarrollado una metodología de clasificación y regresión jerárquica de tres niveles, que ha proporcionado resultados altamente satisfactorios en la predicción de eventos extremos de viento minimizando el ratio de falsas alarmas. La predicción de eventos estocásticos se realizó considerando diferentes horizontes de predicción temporal, desde el corto hasta el largo plazo, asegurando la robustez y el rendimiento óptimo de la metodología presentada en diferentes escenarios.

El segundo trabajo se centra en la caracterización de las fuerzas no determinísticas que impactan en las estructuras, haciendo hincapié en la reproducibilidad de sus series temporales mediante un shaker electrodinámico. Este enfoque facilita la estandarización de los tests dinámicos estructurales, permitiendo su realización de manera objetiva y repetible. En este trabajo se abordó el desafío de lidiar con un sistema electromecánico no lineal, donde el objetivo era obtener un modelo inverso para replicar las señales de series temporales. Para superar este obstáculo, se desarrolló una arquitectura iterativa de redes neuronales para replicar las fuerzas de reacción al suelo (GRF) inducidas por humanos. Dentro de esta metodología, se aplicó un esquema de control offline al shaker electrodinámico, logrando una reproducción fiable de las series temporales de fuerzas de reacción al suelo producidas por diferentes tipos, amplitudes y frecuencias de movimiento o actividades de locomoción humana.

El trabajo final presentado consiste en el desarrollo, la implementación y la validación experimental de un sistema de amortiguador de masa activa para mitigar las vibraciones en una estructura a escala real. Se utilizó un algoritmo genético evolutivo para optimizar tanto la ganancia del estimador de estado como la ganancia de retroalimentación que controla el actuador en la metodología de control activo. Esto enfoque demostró que la optimización de la ley de control utilizando algortimos evolutivos es una alternativa válida a los métodos de control clásicos. Se evaluaron diversos criterios de optimización con este propósito tanto en el dominio del tiempo como en el de la frecuencia.