基于裂缝变异机制的Informer预测模型优化方法及其在结构健康监测中的应用

本文提出一种机制引导优化（MGO）框架，通过融合自相关建模、静态门控融合与自适应弹性网络正则化等物理增强机制，显著提升Informer模型在桥梁裂缝预测中的准确性（MAE降低5–60%，RMSE降低10–55%）及可解释性，为结构健康监测（SHM）提供了兼具预测性能与物理一致性的创新范式。

　　

Section snippets

Informer

Informer作为一种新型序列转换架构，利用注意力机制实现时间序列预测中的高效长程依赖建模。该模型采用编码器-解码器结构，在消除传统递归机制的同时，保持了卓越的跨维度交互捕捉能力。其核心创新在于能够处理超长输入序列。

Measurement data processing: temperature vs crack width correlation

本节首先介绍数据来源与清洗方法，随后基于动态裂缝变异机制系统分析温度时程数据与裂缝时程数据间的物理现象与相关性。

Mechanism-guided optimization frame

基于前述对裂缝变异机制的理解，本研究对原始Informer模型架构进行了物理信息增强改造。增强模块明确纳入了源自热力耦合理论和观测现象学的领域特定物理约束，从而在潜在表征与实际裂缝变异机制间建立显式的物理对应关系。

Results and discussion

本节分为三部分：机制引导优化（MGO）效果分析、模型对比、以及普通最小二乘（OLS）优化结果与温度传感器失效分析。MGO效果分析与模型对比部分的模型训练采用相同超参数。我们采用平均绝对误差（MAE）、均方根误差（RMSE）、Diebold-Mariano（DM）检验及p值来系统分析MGO-Informer及经普通最小二乘增强的机制引导优化Informer（OLS-MGO-Informer）的预测性能。

Conclusions

本研究建立了一个用于斜拉桥温度诱发裂缝宽度预测的综合框架。基于具备ProbSparse自注意力机制及长序列建模蒸馏操作的Informer架构，我们利用淮安大桥监测数据实施了稳健的数据预处理（Z-score标准化、IQR异常检测、巴特沃斯滤波及时窗平滑）。