综述：基于机器学习的桥梁损伤表征方法与研究进展

这篇综述系统阐述了利用机器学习（ML）技术解析桥梁挠度（deflection）与损伤状态的关联机制，创新性提出融合物理定律的级联集成模型（Physics-Based Cascade Ensemble），突破传统有限元分析（FEM）在时效性和多因素耦合分析（如徐变creep、收缩shrinkage与腐蚀corrosion交互作用）的局限，为基础设施健康监测（SHM）提供可解释性AI解决方案。

　　

桥梁挠度：解码结构损伤的密钥

桥梁作为交通网络的枢纽，其安全性日益受到老化、极端气候和超载的威胁。近年欧洲多起桥梁坍塌事故（如意大利Morandi桥、希腊Polyfytos桥）暴露出传统检测方法的不足——肉眼检查难以捕捉内部损伤，而数值模拟又面临多物理场耦合的计算瓶颈。

挠度分析的复杂迷宫

国际设计规范（如Eurocode 2、AASHTO）虽设定挠跨比限值（如L/250），却未建立挠度与损伤状态的直接关联。究其原因，挠度是多重非线性机制共同作用的结果：

• •

  时间效应：混凝土徐变和收缩导致预应力损失，典型案例是帕劳Koror桥因徐变预测失误而坍塌

• •

  材料退化：CO₂碳化引发钢筋腐蚀，使预应力筋截面积减少（?降低）

• •

  裂缝网络：弯曲裂缝改变截面刚度（E值下降），与徐变形成正反馈循环

机器学习破局之道

传统有限元分析虽能模拟单一机制，但对大型桥梁群组评估效率低下。研究提出四级创新框架：

1. 1.

   多源数据融合：通过激光雷达（LiDAR）获取毫米级位移场，结合温湿度等环境参数

2. 2.

   挠度解耦算法：用粒子群优化（PSO）分离总挠度Δ_tot为徐变收缩分量Δ_cs和腐蚀分量Δ_co

3. 3.

   物理约束建模：在神经网络损失函数中嵌入材料本构方程，确保预测符合力学原理

4. 4.

   级联预测系统：第一级GRNN网络处理材料参数，第二级分析几何损伤分布

临床启示与未来方向

该框架在希腊Polyfytos桥验证中，成功通过挠度反演出预应力损失程度。未来需突破三大瓶颈：

• •

  建立涵盖不同桥型的基准数据库

• •

  开发轻量化模型适配边缘计算设备

• •

  推动ML算法纳入规范体系（如CS455标准）

这项研究标志着基础设施诊断从"经验驱动"迈向"数据-物理共驱"的新纪元，为应对气候变化下的基建韧性挑战提供关键技术支撑。