论文标题：Application of Machine Learning for Real-Time Structural Integrity Assessment of Bridges

论文链接：https://doi.org/10.3390/civileng6010002

期刊名：CivilEng

期刊主页：https://www.mdpi.com/journal/civileng

桥梁作为基础设施的关键组成部分，对社会、工业和经济的发展至关重要。然而，由于桥梁的老化和使用频率增加，其结构完整性逐渐退化，若缺乏适当的监测和维护，可能导致灾难性后果。传统的桥梁检测和维护方法成本高、耗时长，且存在安全隐患。因此，研究者们致力于开发更智能的远程检测方法，以实时监测桥梁结构的变化并及时提出维护建议。数字孪生技术 (Digital Twins, DTs) 因其能将实际结构与虚拟模型相结合而备受关注。皇家墨尔本理工大学的Mojtaba Mahmoodian博士及其团队探索了机器学习算法在桥梁实时结构完整性评估中的应用，特别是作为有限元分析 (FEA) 的替代模型，以实现数字孪生技术的实时性。

基于有限元建模的数字孪生桥梁

研究过程与结果

研究选择了随机森林 (Random Forest, RF)、极端梯度提升 (Extreme Gradient Boosting, XGBoost) 和多层感知器 (Multi-Layer Perceptron, MLP) 三种机器学习模型，并在实验室规模的桥梁上进行了测试。实验使用了位于澳大利亚墨尔本RMIT大学的STR8销接对称桁架桥模型，该模型由13根直径为6毫米的钢构件组成，杨氏模量约为193 GPa。通过在桁架上安装10个应变计来测量结构响应，并将数据传输至计算机进行实时分析。

为了训练机器学习模型，研究者基于验证过的有限元模型生成了包含6000种随机加载模式的数据集，涵盖了各种可能的结构行为。三种机器学习模型均在该数据集上进行了训练和验证。RF模型配置了100个估计器，采用5折交叉验证，以均方根误差 (RMSE) 作为评估指标。XGBoost模型通过贝叶斯优化调整超参数，以最小化均方误差 (MSE)。MLP模型则采用了4层架构，包括3个隐藏层，使用ReLU激活函数和Adam优化器进行训练。结果显示，RF模型在测试和验证集上的均方根误差最低，分别为0.000350和0.000341，训练时间为13.60秒。XGBoost模型的均方根误差稍高，但训练时间最短，仅为1.10秒。MLP模型的均方根误差最高，训练时间也最长，为20.99秒。

最后，研究将训练好的模型应用于实验室规模桥梁的实时数字孪生模型中。通过将传感器测量的应变值输入训练好的机器学习模型，模型能够实时输出结构的位移和应力分布。实验结果表明，所有模型的推理时间均小于1秒，满足实时性要求。其中，XGBoost模型的推理时间最短，仅为1毫秒，而MLP模型的推理时间最长，为44毫秒。这表明，尽管MLP模型在某些情况下可能需要更复杂的优化，但树模型 (如RF和XGBoost) 在实时性方面更具优势。

方法流程图

研究总结

本研究通过将机器学习算法与有限元建模相结合，成功开发了用于桥梁实时结构完整性评估的数字孪生模型。实验结果表明，随机森林、极端梯度提升和多层感知器三种模型均能在实时条件下准确预测桥梁的位移和应力分布。其中，XGBoost模型在准确性、训练时间和推理速度方面表现最佳，显示出其在处理复杂结构数据和实时预测任务中的巨大潜力。尽管如此，研究也指出了当前方法的一些局限性，如对非线性行为的处理、模型对数据集大小的敏感性以及在传感器数据不完整或不准确情况下的鲁棒性等。未来的研究将致力于进一步优化这些模型，探索更多先进的神经网络架构，并将这些技术应用于更复杂的实际桥梁结构中，以提高其在实际工程中的适用性和可靠性。

CivilEng 期刊介绍

主编：Angelo Luongo, University of L’Aquila, Italy

期刊专注于土木工程领域的最新研究进展，研究主题包括但不限于：结构工程、地震工程、建筑材料、建筑施工管理、建筑信息化、风险管理、交通工程、水资源与海岸工程等。期刊目前已被Scopus、ESCI (Web of Science)、Ei Compendex等数据库收录。