摘要
本研究提出了一种面向地铁隧道结构智能状态评估的新型物理信息混合深度学习（PI-HDL）算法。该算法集成了最先进的深度学习模型，包括自编码器和卷积神经网络（CNN）模型。源自结构动力学的物理启发约束已被嵌入这些模型的损失函数中。通过有效的学习、融合与训练方法，所设计的模型以无监督方式重建一维时域振动响应信号的高层次特征。随后，这些具有物理一致性的高层次特征被输入一个基于复合损失函数训练的有监督二维CNN中，该损失函数同时纳入了数据保真度和源于刚度-频率关系以及移动荷载特征的物理残差。所提出的方法通过数值采集的混凝土地铁隧道结构在多种移动列车荷载和损伤情景下的振动信号进行了评估。所提出的PI-HDL框架将波动传播和结构动力学的底层物理规律直接嵌入学习过程中。这使得即使在有有限训练数据和含噪测量的条件下，仍能在十个结构情景的闭集中准确识别预定义的损伤状态并量化刚度衰减。对比证明，与纯粹数据驱动的HDL方法相比，PI-HDL算法在闭集分类性能方面表现更优。
