《Alexandria Engineering Journal》:Predicting the condition of small and medium-span bridges using hybrid machine learning
编辑推荐:
中小跨径梁桥是现代交通网络的关键组成部分。基于长期检测数据研究其退化规律,对于制定明智的维护与修复决策至关重要。为准确预测中小跨径桥梁的技术状况,本研究提出一种基于混合机器学习算法的桥梁退化预测模型,该模型集成了递归特征消除(Recursive Feature
中小跨径梁桥是现代交通网络的关键组成部分。基于长期检测数据研究其退化规律,对于制定明智的维护与修复决策至关重要。为准确预测中小跨径桥梁的技术状况,本研究提出一种基于混合机器学习算法的桥梁退化预测模型,该模型集成了递归特征消除(Recursive Feature Elimination, RFE)、海鸥优化算法(Seagull Optimization Algorithm, SSOA)、遗传算法(Genetic Algorithm, GA)和自然梯度提升(Natural Gradient Boosting, NGBoost)。首先,利用某省600座桥梁12年的检测数据构建了桥梁技术状况综合数据库。采用RFE筛选出包括桥梁龄期、交通量和支座评分在内的10个关键因素,以优化模型的输入维度。随后,使用SSOA-GA方法优化NGBoost模型的超参数,提高了预测精度和泛化能力。为进一步提高模型的可解释性,进行了SHAP分析,揭示了桥梁龄期、交通量和支座评分等因素对桥梁技术状况的关键影响。结果表明,所提模型在预测精度和泛化能力方面表现出优异性能,R2值达到0.975,均方根误差(RMSE)为0.115。该模型有效捕捉了桥梁状况与多个影响因素之间的非线性关系。此外,借助SHAP分析量化了输入因素的相对贡献,证实了桥梁龄期、交通量和支座评分对桥梁技术状况的关键影响。这显著增强了模型的可解释性和实用性,为制定桥梁维护和修复策略提供了科学依据。
中小跨径梁桥是交通网络的重要组成部分,数量多、分布广,在环境侵蚀、车辆荷载和自然老化等多因素协同作用下,其技术状况易发生退化,直接影响交通安全与经济效益。传统桥梁评估方法主要依赖人工目视检查,无法实时反映动态健康状况,且桥梁劣化是非线性过程,受桥龄、荷载等多因素耦合驱动,传统评估模型难以精确捕捉。规范(JTG/T H21–2011)中基于加权公式的确定性计算只能得到当前状态的评分值,无法预测未来退化趋势。此外,现有常用算法如BPNN、SVM、RF和XGBoost在中小跨径桥梁状况预测中存在超参数敏感、易陷入局部最优、计算开销高和过拟合风险大等局限,且无法输出预测的概率分布,难以量化不确定性。为此,Luo-meng Zhang 等研究人员提出了一种集成递归特征消除(RFE)、海鸥优化算法(SSOA)、遗传算法(GA)和自然梯度提升(NGBoost)的混合机器学习预测模型,论文发表在《Alexandria Engineering Journal》。该模型利用某省600座中小跨径桥梁12年的定期检测数据,构建了包含7200条记录的数据库,通过特征选择、超参数优化和可解释性分析,系统提升了预测精度、鲁棒性和工程适用性,为桥梁维护和修复策略制定提供了科学依据。
研究人员采用的主要技术方法包括:基于12年检测数据(600座桥,7200条记录)构建数据库;数据预处理采用箱线图检测离群值并通过线性插值填补,归一化至[-1,1]区间,再进行Pearson相关性分析;采用RFE结合NGBoost递归消除冗余特征,从13个初始变量中筛选出10个关键特征;提出SSOA-GA混合算法,模拟海鸥觅食迁徙行为与遗传选择交叉变异机制,对NGBoost的超参数(col_sample、learning_rate、mini-batch_frac、n_estimators)进行全局优化;模型训练采用60:20:20划分训练集、验证集和测试集,并以RMSE、MAE、MAPE和R
2评估性能;最后通过SHAP分析量化各特征贡献,并利用独立数据集验证泛化能力。
研究结果部分涵盖特征重要性排序、特征选择、超参数优化及模型精度分析。在输入参数重要性排序中,NGBoost算法评估得到桥龄(B)、交通量(V)、支座评分(BS)、设计荷载(D)、公路等级(G)、维修次数(M)、维修位置(R)、桥梁长度(L)、桥墩基础评分(P)、最大跨径(S)、路床宽度(W)、湿度(H)、温度(T)的降序排列,其中桥龄和交通量影响最大,路床宽度、湿度和温度影响最小。特征选择部分通过RFE结合五折交叉验证发现,当特征子集为10个时RMSE最低且R
2最高,剔除了路床宽度、湿度和温度后模型精度最佳,最终确定最优特征子集为桥龄、交通量、支座评分、设计荷载、公路等级、维修次数、维修位置、桥梁长度、桥墩基础评分和最大跨径。超参数优化部分采用SSOA-GA对NGBoost四个关键超参数进行全局搜索,通过十折交叉验证计算平均MSE,得到最优参数组合。模型训练与预测精度分析表明,在测试集上预测的R
2达到0.975,RMSE为0.115,MAE为0.106,MAPE为2.32%,且预测值与实际值拟合良好。此外,在北方某省275座中小跨径桥梁的独立验证数据集上,2021—2023年各年度测试集的R
2均保持在0.95以上,验证了模型较强的泛化能力。
讨论部分进行了三类对比分析。特征选择对比显示,未进行特征选择时模型R
2下降10.56%,RMSE上升55.65%,证明特征选择可有效提升预测精度。超参数优化方法对比显示,SSOA-GA-NGBoost相比随机搜索、贝叶斯优化、网格搜索和原始NGBoost,RMSE分别降低53.91%、57.39%、84.35%和16.52%,表明SSOA-GA混合优化策略具有明显优势。预测方法对比显示,SSOA-GA-NGBoost相比XGBoost、CatBoost、RF、LSTM和GRU,R
2分别提高20.51%、26.05%、20.72%、10.36%和10.67%,且集成学习方法整体预测精度优于深度学习方法。SHAP可解释性分析进一步揭示,桥龄、交通量和支座评分是对桥梁技术状况影响最大的三个因素,与特征重要性排序一致。局部解释(第500个样本)显示,桥龄和交通量对退化状态呈正相关,而设计荷载、支座评分、维修次数等因素呈负相关,为桥梁管理提供了具体干预依据。
翻译研究结论部分,本研究针对中小跨径桥梁技术状况预测的复杂性和非线性特征,提出了混合机器学习框架,通过集成RFE、SSOA、GA和NGBoost显著提高了预测精度和适用性。主要结论为:(1)基于12年检测数据建立了桥梁状况预测数据库,通过RFE识别出10个关键因素,为桥梁状况管理提供了重要参考;(2)SSOA-GA优化的NGBoost模型有效捕捉了输入变量与桥梁状况间的非线性关系,性能显著优于其他机器学习(如XGBoost、RF)和深度学习模型(如LSTM、GRU),R
2达0.975,RMSE为0.115,表现出优异的预测精度和泛化能力;(3)SHAP分析揭示了桥龄、交通量和支座评分对桥梁状况预测的显著影响,增强了模型透明度和可解释性,为优化桥梁设计和维护策略提供了科学支持。未来工作将扩大数据广度,纳入更多老桥、不同区域和桥型数据,并增加维修类型和成本等细粒度信息,同时集成实时结构健康监测(SHM)数据,实现从静态预测向动态全生命周期智能决策的演进。