基于监测数据的可解释AI驱动的隧道腐蚀维护可靠性感知决策支持

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Explainable AI-Driven Reliability-Aware Decision Support for Tunnel Corrosion Maintenance Using Monitoring Data

　　

摘要：地下隧道衬砌结构受多种耦合因素影响，导致钢筋腐蚀和耐久性退化日益严重。在运营期间基于多源监测数据对隧道失效风险实现精准维护和动态优化决策，仍是一项紧迫的问题。本文提出了一种基于监测数据驱动的隧道衬砌钢筋腐蚀维护理论方法。该方法将腐蚀质量损失预测、不确定性量化、模型可解释性分析、时变可靠性评估以及动态维护决策相结合，构建了条件可靠性评估与更新策略。首先，以运营监测参数作为输入，建立钢筋腐蚀退化与多源信息之间的非线性映射关系。采用改进的COA算法进行超参数选择，并通过重复完整优化实验评估预测精度和运行间变异。其次，利用可解释性分析识别对训练模型有影响的输入变量，并考察其与工程知识的关系。然后，将预测的腐蚀结果纳入结构可靠性分析，利用蒙特卡洛模拟计算隧道结构时变失效概率，并构建腐蚀退化下的风险演化曲线。进一步结合贝叶斯更新策略和马尔可夫链蒙特卡洛模拟，展示了如何利用新增监测信息更新关键参数分布和失效概率曲线。结果表明，所提方法能够为预防性维护提供可量化、可解释、考虑可靠性的依据，为长寿命地下基础设施的协同智能运维提供了理论支持。

引言：隧道是现代交通系统的重要组成部分，在山区和丘陵地区的交通网络中发挥着尤为关键的作用[1-5]。随着交通基础设施建设的不断推进，隧道建设规模和运营隧道数量大幅增加，因此安全运营和耐久性问题日益受到关注[6-8]。在服役期间，隧道结构处于潮湿封闭环境中，承受多种耦合荷载作用。受地下水渗透、氯离子侵入、二氧化碳腐蚀、温湿度循环及交通荷载等因素影响，衬砌混凝土和内部钢筋不可避免地发生腐蚀和性能退化[9-11]。这些劣化现象可能导致结构变形和失效，从而危及隧道结构的安全性和耐久性，甚至对行车安全构成威胁[12]。因此，准确评估和预测隧道结构的时变性能退化，以及确定合适的维护和维修计划，是隧道工程领域重要的科学问题和实际工程需求。

目前，钢筋混凝土结构中钢筋的腐蚀是隧道衬砌耐久性退化的主要原因之一。许多学者对腐蚀相关问题进行了研究，包括管道腐蚀研究[13]、边坡腐蚀研究[14,15]等。关于隧道腐蚀，传统研究主要可分为两大类。第一类是传统经验回归模型，通过对实验数据进行回归，建立输入变量与腐蚀速率之间的数学关系，如基于线性或非线性回归的多因素预测方程。该方法的优点在于简单易用、计算效率高，适用于快速工程估算。但其精度相对较低，预测结果可能存在较大偏差。第二类是数值模型，常用方法包括有限元法（FEM）、有限差分法（FDM）和多物理场耦合模拟，将氯离子传输、电化学反应和力学场统一到一个模型中[16-18]。例如，通过建立混凝土孔隙网络模型，可以数值求解氯离子迁移和腐蚀产物膨胀引起的应力场分布，从而更精细地模拟裂缝扩展和保护层剥落等劣化机理。数值模拟的优点在于能够考虑复杂边界条件和材料非均匀性。但其计算成本较高，对网格划分和参数选取敏感，且长期预测中可能累积误差。

机器学习（ML）作为一种能够从数据中自动学习规律并进行预测的人工智能方法，近年来受到了广泛关注[19-24]。其核心思想是构建数学模型以揭示输入与输出变量之间的复杂关系，无需显式建立机理方程或依赖过度简化的假设。由于能够处理非线性、高维度和强耦合特征，机器学习在大规模数据分析、模式识别和时序预测方面展现出显著优势。在土木工程领域，机器学习已被广泛应用于结构健康监测[25,26]、混凝土强度预测[27-29]、盾构隧道姿态控制[30-32]、地基沉降分析[33-35]、边坡稳定性评估[36-38]以及地震灾害预警[39-41]。这些应用充分证明了机器学习在解决复杂工程问题方面的可行性和有效性。将机器学习引入钢筋混凝土结构耐久性研究，有助于克服传统机理模型的参数众多、假设严格和计算成本高等局限，实现更准确的钢筋腐蚀速率和质量损失趋势预测，从而为制定科学合理维护决策提供数据支持。

尽管前述研究解决了许多问题，但不幸的是，在钢筋腐蚀预测及其工程决策应用中仍存在若干关键挑战。首先，在多种环境因素耦合效应下，构建高精度、强泛化能力的基于机器学习的腐蚀预测模型仍然困难，难以有效捕捉复杂服役环境中钢筋腐蚀的非线性演化过程。其次，深度学习模型通常表现出明显的"黑箱"特性，内部决策机制难以让工程师直观理解。这一局限性降低了工程师对模型输出的信心和接受度，特别是在安全关键基础设施应用中。此外，现有研究往往侧重于静态预测模型的开发，而较少关注如何利用运营期间收集的实时监测数据动态更新预测结果，从而持续降低不确定性并提高风险评估的可靠性。对于隧道等安全关键基础设施，维护决策不仅依赖于数据驱动模型产生的预测，还取决于工程经验、风险感知和现场监测信息。因此，开发一种能够同时实现高预测性能、强可解释性，并能利用实时监测数据动态更新预测的智能预测框架，同时提供可量化的风险信息以支持工程师决策，仍然是实现隧道结构耐久性管理中有效人机协同的关键研究挑战。

针对上述研究挑战，本研究提出了一种面向人机协同决策的隧道钢筋腐蚀演化预测与维护决策支持框架。所提方法将改进的Coati优化算法（ICOA）与深度神经网络（DNN）相结合，以提高复杂环境条件下钢筋腐蚀预测的精度和稳定性。在模型开发过程中，采用ICOA自动优化DNN的关键超参数，减少对手动超参数调优的依赖以及陷入局部最优的风险。引入自适应步长策略和莱维飞行机制以平衡全局探索与局部开发，并通过完整重复优化实验评估收敛行为和预测性能。为增强模型在工程应用中的透明度和可解释性，进一步采用SHapley可加性解释方法（SHAP）对训练后的ICOA-DNN模型进行解释。通过量化服役时间、氯离子浓度、混凝土保护层厚度、温度和湿度等变量对预测结果的贡献，工程师可以考察模型所学到的关系，并与已有的工程知识进行比较。该分析有助于解释各个输入变量的贡献。此外，为明确考虑维护决策中的不确定性和风险，将钢筋腐蚀演化预测与基于蒙特卡洛模拟的结构可靠性分析相结合，构建隧道结构的时变失效概率曲线。随后引入贝叶斯更新以提供一种纳入额外监测或检查信息并更新关键参数概率分布的机制。本研究中利用假设观测值演示更新过程，展示了当新的监测信息可用时，降低参数不确定性和细化可靠性评估的一种潜在方法。

本研究将监测数据分析、超参数优化、神经网络预测、可解释性分析、概率可靠性评估和贝叶斯更新整合为一个评估框架，旨在支持隧道维护中的工程判断。图1展示了整体工作流程及其主要组件之间的关系。首先，在隧道运营期间收集环境和结构监测参数。随后，利用ICOA优化DNN的关键超参数，建立监测变量与钢筋质量损失之间的非线性映射关系。进行模型性能分析以评估预测精度，同时利用基于SHAP的可解释性分析考察各个监测变量对预测结果的贡献。在此基础上，对随机输入变量进行概率分布拟合，并通过蒙特卡洛模拟生成输入样本。这些样本随后输入训练好的ICOA-DNN模型中，预测相应的钢筋腐蚀质量损失，并将其纳入结构极限状态函数以计算时变失效概率。通过比较计算得到的失效概率与规定风险阈值，确定相应的维护时机。然后引入假设的额外观测值，演示正态分布变量参数的共轭贝叶斯更新和非正态分布变量参数的基于MCMC的贝叶斯更新。最后，使用更新后的参数分布重复进行蒙特卡洛抽样、神经网络预测和可靠性分析，以展示额外监测信息如何修正失效概率曲线和维护评估结果。

与主要关注腐蚀状态预测、单个模型精度改进或静态可靠性评估的现有研究相比，本研究的主要贡献可概括为三个方面。首先，开发了面向隧道衬砌钢筋腐蚀演化的监测数据驱动框架，将腐蚀预测与可解释性分析相结合。通过将ICOA与DNN结合并引入自适应步长策略和莱维飞行机制，建立了钢筋腐蚀质量损失的预测模型。通过完整独立优化运行评估其预测精度和运行间变异。同时，利用SHAP量化服役时间、氯离子浓度和混凝土保护层厚度等关键因素的贡献，使数据驱动预测能与既有劣化过程工程知识进行比较。其次，将腐蚀演化预测纳入时变结构可靠性分析。通过概率分布拟合和蒙特卡洛模拟，将确定性腐蚀预测转化为时变失效概率，将分析从腐蚀状态预测扩展到定量结构风险评估。第三，为解决基于固定参数分布和静态监测信息的可靠性评估局限性，建立了监测数据驱动的贝叶斯更新机制。利用假设的额外观测值演示关键不确定参数概率分布和相应条件失效概率曲线如何更新。该数值演示建立了参数更新与基于可靠性的维护评估之间的联系。通过这三个相互关联的组成部分，开发了涵盖状态预测、可解释性分析、可靠性量化和动态维护决策支持的集成评估框架。该框架提供了一种定量、可解释、信息可更新的途径，支持隧道基础设施预防性维护的人机协同决策。

本文其余部分组织如下。第2节介绍理论基础和ICOA-DNN预测模型。第3节介绍工程背景、监测数据、数据处理流程和评估指标。第4节分析模型预测结果，并通过结构可靠性评估隧道失效概率和维护时机。第5节利用假设观测值演示参数分布的贝叶斯更新及由此引起的条件失效概率变化。第6节讨论研究结果，第7节总结主要结论和未来研究方向。

章节摘要——深度神经网络：深度神经网络（DNN）[42]是一种人工神经网络模型，通过多个隐藏层模拟人脑神经元的结构。

DNN能够从输入数据中自动提取复杂特征，并通过多层非线性映射增强模型的表达能力。其基本架构由输入层、多个隐藏层和输出层组成，每层包含多个神经元。神经元之间通过加权连接相连。

**工程背景**

本研究使用的数据来源于中国某大型隧道的运营监测项目。该隧道位于山区，地质条件复杂，地下水丰富，对施工环境提出了极高要求。为确保施工安全和长期服役性能，项目团队在隧道不同区段安装了各类传感器，在施工期和运营期持续监测环境与结构参数。

**实现细节**

本研究中，DNN模型的训练在本地硬件环境的笔记本电脑上进行。具体配置包括：第13代Intel? Core? i5-13500HX处理器（14核20线程）、NVIDIA GeForce RTX 4060 Laptop GPU以及16 GB系统内存。在神经网络架构设计方面，模型由输入层、多个隐藏层和输出层组成。隐藏层采用ReLU（修正线性单元）激活函数。

**利用贝叶斯更新提高失效曲线精度**

在第4章中，我们讨论了使用各种概率密度函数拟合数据的方法，并获得了每个参数的最优分布。在此基础上，本研究进一步引入贝叶斯更新方法，以动态更新参数不确定性。贝叶斯方法是一种概率推理框架，通过将先验信息与新观测数据相结合，持续完善对未知参数的认知，从而实现动态更新。

**长期外推的适用性与不确定性**

本研究的预测模型基于10年的月度监测数据构建，而可靠性分析则延伸至约60-61年。这种时间尺度的差异需要明确说明，因为长期结果并不等同于60年的实地验证。ICOA-DNN并非作为递归时间序列模型使用，而是学习监测到的环境与材料变量、服役时间与加固之间的关系。

**结论**

本研究聚焦于隧道运营期间加固腐蚀演变的预测与维护决策支持，开发了一种人机协作的决策方法，集成了数据驱动预测、可解释性分析、概率风险评估和动态更新机制。所提出的方法不仅强调预测精度，还突出预测结果的可解释性、风险信息的量化以及

**CRediT作者贡献声明**

Yaoqi Nie：撰写——初稿、验证、方法论、调查、形式化分析、概念构思。Qian Zhang：撰写——审阅与编辑、验证、监督、资源、数据整理。Siyu Ma：验证、调查、概念构思。

Yaoqi Nie | Qian Zhang | Siyu Ma