Modeling uncertainty or modeling error has been widely recognized as one major challenge in structural model updating for structural identification and damage detection. It renders model updating inherently ineffective in converging to the real structural model because of the physical bias present in establishing the numerical model. This study aims to minimize the influence of modeling uncertainty during model updating so that the updated model can accurately indicate the damage state. To this end, this study proposes a methodology that applies pattern recognition methods to guide Bayesian model updating (BMU) and supervise the identification of structural damage. In detail, the transfer learning (TL) technique realized by domain adaptation is used to bridge the gap between the biased numerical model and the real structure and to guide the model updating process. Numerical and experimental studies have been implemented to validate the efficiency of domain adaptation in identifying the correct damage locations and the advantage of TL-guided BMU over the traditional method in identifying damage severities when modeling error exists. Moreover, this study proposes applying domain adaptation to bridge the gap between model-based and data-driven structural health monitoring (SHM) that are realized via model updating and pattern recognition, respectively. The proposed methodology is valuable and instructive for future work in this area.

建模不确定性或建模错误已被广泛认为是结构识别和损伤检测的结构模型更新中的一项主要挑战。由于建立数值模型时存在物理偏差，它使得模型更新在收敛到真实结构模型方面本质上无效。本研究旨在最大限度地减少模型更新过程中建模不确定性的影响，使更新后的模型能够准确地指示损坏状态。为此，本研究提出了一种应用模式识别方法来指导贝叶斯模型更新（BMU）并监督结构损伤识别的方法。详细，通过领域自适应实现的迁移学习（TL）技术用于弥合有偏差的数值模型与真实结构之间的差距，并指导模型更新过程。已经实施了数值和实验研究，以验证域适应在识别正确损坏位置方面的效率，以及当存在建模错误时，TL 引导的 BMU 在识别损坏严重性方面优于传统方法的优势。此外，本研究建议应用领域适应来弥合分别通过模型更新和模式识别实现的基于模型和数据驱动的结构健康监测（SHM）之间的差距。所提议的方法对这一领域的未来工作很有价值和具有指导意义。已经实施了数值和实验研究，以验证域适应在识别正确损坏位置方面的效率，以及当存在建模错误时，TL 引导的 BMU 在识别损坏严重性方面优于传统方法的优势。此外，本研究建议应用领域适应来弥合分别通过模型更新和模式识别实现的基于模型和数据驱动的结构健康监测（SHM）之间的差距。所提议的方法对这一领域的未来工作很有价值和具有指导意义。已经实施了数值和实验研究，以验证域适应在识别正确损坏位置方面的效率，以及当存在建模错误时，TL 引导的 BMU 在识别损坏严重性方面优于传统方法的优势。此外，本研究建议应用领域适应来弥合分别通过模型更新和模式识别实现的基于模型和数据驱动的结构健康监测（SHM）之间的差距。所提议的方法对这一领域的未来工作很有价值和具有指导意义。本研究建议应用领域适应来弥合分别通过模型更新和模式识别实现的基于模型和数据驱动的结构健康监测 (SHM) 之间的差距。所提议的方法对这一领域的未来工作很有价值和具有指导意义。本研究建议应用领域适应来弥合分别通过模型更新和模式识别实现的基于模型和数据驱动的结构健康监测 (SHM) 之间的差距。所提议的方法对这一领域的未来工作很有价值和具有指导意义。