7.5 任务“粒度”对深度学习模型的影响
前面小节将深度学习模型应用于时变结构振动场重建、时变结构模态参数辨识和时变结构模态验证三个方面，均取得良好的效果。但深度学习模型在这三类任务中的使用要求与效果有所不同，主要是由于这三类任务的“粒度”不同［228］。时变结构振动场重建任务需要准确估计某一自由度上的振动响应，即一个时变结构的局部细节，因此对估计精度要求最高，任务粒度最细。时变结构模态参数辨识任务需要辨识的是结构动力学特性，反映结构整体特性，任务粒度适中。而时变结构模态验证任务只需判断某一个辨识得到的模态是否为结构的真实模态，也反映结构整体特性，但任务粒度最粗。本节通过比较分析时变结构构型参数的使用和时变结构动力学特性的非光滑演化两个因素在三类任务中对深度学习模型的效果，展示任务粒度的影响。
1.时变结构构型参数的使用对深度学习模型结果的影响
由于模态参数与构型参数存在直接的映射关系，所以在本部分只考虑时变结构振动场重建和单模态递推筛选两个任务。在时变结构振动场重建任务中，使用与不使用构型参数对计算精度的影响如表7.7所示。结果表明：测试集10个工况的平均MAE分别为8.24×10-5 m和12.81×10-5 m，平均MSE分别为1.29×10-8 m2和2.70×10-8 m2。
表7.7 构型参数对时变结构振动场递推重建的影响
以工况10的位移振动响应u2［t］为例，图7.16所示为时域响应的估计结果。对比结果表明，在振动场重建任务中不使用构型参数时整体误差增大，虽然仍能反映振动主要趋势，但在局部细节重建上质量显著下降。时域上细节重建的质量下降，对应的是振动信号频域上高频重建质量下降。如图7.17所示，与原始信号的时频谱相比，未使用构型参数的重建信号在高频部分重建精度不足；而使用构型参数的重建信号有效地重建了高频部分，更好地反映了振动细节。上述结果表明，时变结构振动场递推重建作为估计局部物理量的细粒度任务，使用时变结构构型参数可以有效提升估计精度。
图7.16 构型参数对工况10的振动场递推重建的时域影响（书后附彩插）
（a）使用构型参数的完整历程；（b）不使用构型参数的完整历程；（c）使用构型参数的局部1；（d）不使用构型参数的局部1；（e）使用构型参数的局部2；（f）不使用构型参数的局部2
图7.17 构型参数对工况10的振动场递推重建的频域影响（书后附彩插）
（a）原始信号；（b）无构型参数重建；（c）有构型参数重建(https://www.daowen.com)
时变结构单模态递推筛选任务使用或不使用构型参数，其结果在测试集上的表现如表7.8所示，平均准确率分别为99.1%和98.6%，平均召回率分别为99.8%和99.6%，平均精确率分别为96.8%和95.0%。以工况4为例，图7.18所示为模态筛选结果对比情况。可以看出，虽然使用构型参数确实对提升单模态递推筛选模型精度具有一定帮助，但整体效果有限，特别是在召回率方面。
表7.8 构型参数对时变结构模态验证效果的影响
续表
图7.18 构型参数对工况3的模态验证效果的影响（书后附彩插）
（a）原始辨识结果；（b）使用构型参数筛选结果；（c）未使用构型参数筛选结果
由上述对比分析可知，增加输入信息（特别是在研究对象为连续变构型结构时，增加构型参数信息）可以提升深度学习模型在相关结构动力学任务中的表现任务。但是，提升程度与任务粒度有关。任务粒度越细，关注点越局部，其对输入信息的要求就越高，为保证合理有效的精度，深度学习模型相应地需要更多输入信息。在时变结构振动场重建中，除需要振动响应外，还需要已知时变结构构型参数。而在时变结构模态筛选任务中，只需要根据输入结构振动响应，即可对参数化辨识模型获得的辨识结果给出足够精度的判断。
2.时变结构动力学特性的非光滑演化对结果的影响
时变结构动力学特性的非光滑演化对深度学习模型效果的影响已在前文中分析：图7.3为时变结构振动场重建的结果，图6.13为时变结构模态参数辨识的结果，图7.8为时变结构模态参数辨识的结果，不再重复。通过对比可知，任务粒度越细，时变结构动力学特性的非光滑演化对结果的影响越大。
综上所述，通过研究时变结构构型参数的使用和时变结构动力学特性的非光滑演化两个因素在三类任务中对深度学习模型的效果可以看出，将深度学习模型应用于结构动力学任务之前，要对系统的演化特性与任务粒度有一定的认识，以便更好地指导深度学习模型的设计与应用。
