面向桁架桥关键失效定位的不确定性感知机器学习框架

《Engineering Structures》：Uncertainty-aware machine learning framework for localization of critical failures in truss bridges

　　

针对桁架桥关键失效定位的不确定性感知机器学习（Machine Learning, ML）框架
• 针对桁架桥构件失效定位的多分类机器学习（ML）框架。
• 全部构件丧失工况均通过经实验验证的有限元（Finite Element, FE）模型进行模拟。
• 机器学习模型在未见荷载作用下有效泛化了损伤敏感行为。
• 预测不确定性与结构敏感性模式一致。
• 物理信息特征表示对性能的影响超过了模型架构。

不确定性感知的机器学习框架在钢桁架桥关键失效定位中的应用

钢桁架桥是交通系统的重要组成部分，长期承受连续荷载、环境侵蚀和材料老化等作用，局部构件失效可能引发灾难性倒塌。近年来，I-35 W桥（明尼阿波利斯，2007）、Tretten桥（?yer，2022）和Francis Scott Key桥（巴尔的摩，2024）等事故均凸显了局部失效的严重后果。构件失效后，结构内部力会发生显著重分布，理解力的传递与重分布机制对评估桥梁的抗倒塌能力至关重要。此外，损伤的及时检测与评估同样是防止失效扩展的关键。传统损伤识别方法包括视觉检查和无损检测（Non-Destructive Evaluation, NDE），而机器学习（Machine Learning, ML）方法，如支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）等传统模型，以及卷积神经网络（Convolutional Neural Network, CNN）等深度学习（Deep Learning, DL）模型，已在损伤检测中展现出潜力。然而，现有框架仍面临高质量损伤数据集稀缺、运行变化和测量不确定性下泛化能力有限，以及复杂任务中可解释性不足等挑战。为此，研究人员提出了一个不确定性感知的ML框架，用于钢桁架桥构件级失效的早期检测和定位。

该研究将任务表述为多分类问题，通过实验验证的有限元（Finite Element, FE）模型生成高保真模拟数据，提取自然频率和节点挠度等物理信息特征。研究评估了两个传统ML模型（SVM和RF）与两个深度神经网络（深度多层感知机（Multilayer Perceptron, MLP）和一维卷积神经网络（1D-CNN）），并系统优化了模型结构和超参数。性能评估涵盖准确率、精确率、召回率、F1分数和认知预测不确定性（互信息，Mutual Information, MI），并进行了逐类分析与扩展评估。结果表明，深度MLP、SVM和1D-CNN表现一致且性能良好，预测和不确定性反映了结构的敏感性和对称性模式；物理信息特征表示比模型架构对性能的影响更大。

在关键技术方法方面，研究人员基于经实验验证的Quisi桥缩尺模型建立FE模型，使用DIANAFEA软件和三维Timoshenko/Mindlin梁单元（L12BEA），考虑几何与材料非线性。模拟覆盖222个单一构件失效场景和40种荷载条件（60–100 kN），提取前五阶自然频率（f₁–f₅）和48个节点挠度（u_z,i）共53维特征；数据添加5%高斯噪声并生成50个增强样本，总计452,880个样本。模型调参采用随机搜索（RF、SVM）和Keras Tuner贝叶斯优化（1D-CNN、深度MLP），数据按荷载条件以70%:15%:15%划分训练、验证和测试集，以避免数据泄漏。预测不确定性通过Deep Ensemble方法（5个模型实例平均）计算。

调优超参数结果显示，RF最优配置为1000棵树、最大深度80、最小分裂样本5和最小叶节点样本2；SVM采用C=200、γ=1×10^-3和RBF核；1D-CNN包含四个卷积层（滤波器尺寸256、64、256、256，核尺寸7、7、3、3），后接512单元密集层并应用0.45的dropout；深度MLP包含四个全连接层（1024、256、256、256单元），dropout率为0.1和0.4，L2正则化系数为3.75×10^-5，使用ReLU激活函数。

在机器学习模型性能评估中，深度MLP测试准确率为70.4%，MI为0.0022，表现最佳；SVM准确率70.1%，MI为0.0072；1D-CNN准确率69.9%，但验证时不确定性较高；RF泛化能力差。三种模型的相近性能表明物理信息特征本身已提供足够的判别信息，卷积特征提取并未带来额外优势。

在逐类预测不确定性分析中，三个表现良好的模型对弦杆、斜杆和竖杆等主承重构件失效具有很低的不确定性，而对水平支撑、竖向支撑、纵梁和横梁等构件表现出较高不确定性；少数峰值对应连接支撑的弦杆和跨中竖杆，这些构件失效不引起显著局部或全局响应变化。这些观察与替代荷载路径（Alternative Load Path, ALP）模式研究一致。

在逐类F1性能分析中，除横梁外，各模型均呈现明显的对称性模式，主承重构件F1分数接近1.0，次级构件波动较大；RF在主承重构件上表现良好，但其他类别中性能严重退化。

在扩展评估中，类别数从98增至148再到222时，测试准确率从99%降至75–79%再到约70%，不确定性持续上升；噪声水平从2%增至5%时，准确率从89%降至约70%；特征集分析显示，仅用自然频率时准确率约25%，仅用节点挠度时约55%，两者结合时达到约70%且不确定性较低。扩展评估中的误分类和不确定性模式与结构对称性保持一致。

在讨论与结论方面，研究观察到预测性能虽受模型架构影响，但主要由物理信息特征的质量和表示主导。逐类不确定性分布与结构敏感性和可区分性相关，主承重构件呈现出较低不确定性和较高定位可靠性，表明不确定性量化可作为可解释的决策支持机制。跨模型的一致趋势验证了框架的可扩展性和泛化能力，为实际结构健康监测（Structural Health Monitoring, SHM）系统的特征选择、传感器布置和不确定性感知决策提供了参考。该研究的局限在于缺乏可直接用于ML评估的实验损伤数据集，但集成实验测量的评估验证了FE模型作为大规模损伤模拟参考的可靠性。未来工作将探索传感器布置优化、迁移学习和领域自适应等混合数值-实验策略，并纳入温度变化和交通荷载的影响，进一步扩展到实时监测和高级深度学习架构。