适用于盾构隧道多任务振动损伤评估的领域自适应数字孪生技术

《AUTOMATION IN CONSTRUCTION》：Domain-adaptive digital twins for multi-task vibration-based damage assessment of shield tunnels

　　常向宇|范宏云|杨伯铮|傅玉光|王浩
新加坡南洋理工大学土木与环境工程学院

**摘要**
确保在役盾构隧道的安全至关重要，然而诸如空洞和隐藏的混凝土剥落等缺陷往往难以通过视觉检查发现。虽然基于振动的监测提供了一种非侵入性的替代方案，但其应用受到数据匮乏和高计算需求的限制。本文提出了一种适用于多任务的基于振动的数字孪生框架。开发了一种可转移的多任务振动融合网络（Trans-MTVFNet）用于损伤检测、定位和表征。该框架利用大规模数值模拟进行预训练，并结合两种领域适应策略以提高对实验数据的迁移能力。通过实验室规模的测试验证，结果表明预训练提供了有用的初始化，而领域适应显著提高了细粒度任务的跨领域泛化能力。与CNN和Transformer基准相比，Trans-MTVFNet在保持较高准确性的同时大幅降低了计算成本。所提出的框架实现了高效且自适应的基于数字孪生的隧道损伤评估，为未来基于振动的盾构隧道监测提供了有前景的方案。

**引言**
盾构隧道是城市交通基础设施的关键组成部分，需要长期安全运行。然而，在长期使用过程中，隧道不可避免地会遭受各种形式的结构退化，如裂缝、渗漏、节段后的空洞和混凝土剥落。如果这些缺陷未能及时检测和评估，可能会危及结构完整性和运行安全。因此，对在役盾构隧道进行可靠的损伤检测和状况评估对于现代基础设施管理变得越来越重要。

数字孪生（DT）技术作为一种结构健康监测的有前景的方法，能够将物理资产与虚拟模型集成起来，以支持实时状况感知和决策制定[1]。近年来，基于深度学习的数据驱动方法被广泛用于隧道损伤检测和状况评估，为DT的发展提供了必要的数据和模型[2]。现有研究主要集中在可见隧道缺陷的图像识别上，例如表面裂缝[3]、[4]和衬砌劣化[5]，这些缺陷具有丰富的视觉特征可以直接提取。然而，许多关键的隧道缺陷是不可见或难以观察的，包括隧道节段中的隐藏混凝土剥落、断裂以及衬砌后的空气或水填充空洞。这些类型的损伤无法通过视觉检查可靠地识别，需要采用其他传感方式，如基于振动的测量[6]、[7]或探地雷达[8]来进行有效检测和评估。基于这些传感技术，最近的研究越来越多地探索深度学习模型来分析实验和现场获取的数据，以评估不可见的隧道损伤。由于CNN具有分层特征提取能力和相对较低的计算开销，通常被用于计算资源受限的工程应用[9]、[10]。此外，基于Transformer的架构也被引入来捕捉振动响应中的长距离依赖性和全局相关性，在某些损伤识别任务中实现了更高的准确性[11]。然而，这些性能提升通常伴随着计算成本的显著增加、更长的训练时间和更高的内存消耗。这种精度与计算效率之间的权衡在需要频繁高效模型更新的DT框架中带来了挑战。此外，大多数现有方法隐含地假设有足够的标记实验数据进行训练和验证。然而，在实际在役隧道环境中，受损样本相对于未受损数据来说非常稀少，因为损伤事件发生频率低且在受控条件下难以测量。虽然仅基于数值模拟训练诊断模型似乎是一个可行的解决方案，但当应用于实际结构时，由于理想化模拟与复杂物理现实之间的“领域差距”，其性能通常会显著下降。在多任务损伤评估场景中，这一挑战更加明显，因为模型不仅需要检测损伤的存在，还需要同时进行损伤定位、严重程度估计或多类型损伤分类[5]、[12]。这些实际限制进一步限制了现有方法的鲁棒性和泛化能力。

与实验或现场数据相比，数值模拟可以在受控损伤场景下生成大规模数据集，为丰富训练数据并提供多样化的损伤模式提供了实际手段。通过在模拟数据上预训练模型，可以在适应实际测量之前学习到可转移的损伤相关表示，从而减少对大量标记实验数据的依赖[13]。然而，由于简化建模假设、传感噪声和环境变化等因素，将基于模拟数据训练的模型直接应用于实际条件并非易事[14]。因此，引入了领域适应（DA）技术来弥合这一差距，通过跨领域对齐特征表示。在机械故障诊断等领域提出了多种DA策略，包括特征级对齐[15]、对抗性DA[16]和类条件适应[17]，旨在减少源域和目标域之间的分布差距，同时保留与任务相关的信息。然而，将这些DA技术直接应用于大型基础设施（如盾构隧道）带来了独特的挑战。与在相对紧凑的组件内进行高频周期性激励的旋转机械不同，盾构隧道是嵌入在复杂地质环境中的巨大结构，受到高度非平稳的低频动态列车荷载的影响。因此，它们的振动信号受到混凝土衬砌中的复杂波衰减和不可预测的土-结构相互作用的影响而严重失真。为了解决这些结构复杂性，提出了两阶段更新方案。在第一阶段，高保真数值模拟的预训练捕获了波在巨大隧道环中的基本物理传播规律。在第二阶段，双策略DA模块作为跨越现实差距的桥梁：全局对齐机制抑制了由土壤边界引起的宏观差异，而类条件对齐则隔离了由特定结构缺陷引起的微妙且高度局部化的信号变化。

为了在连续的DT框架内有效实施这种定制的DA方案，底层特征提取框架必须能够在不带来过高计算负担的情况下解析这些复杂的空间-频谱特征。幸运的是，卷积神经网络设计的最新进展表明，现代ConvNets可以实现与基于Transformer的模型相当的性能[18]。通过采用大核深度卷积、简化的块结构以及受Transformer启发的训练策略，这些现代ConvNets实现了更强的表示学习和改进的全局上下文建模，同时保持了卷积操作的固有效率。基于这些考虑，本研究采用了一种高效的卷积网络作为框架，并结合了基于模拟的迁移学习和DA来支持强大的模型更新。所提出的框架旨在在数字孪生导向的隧道损伤评估环境中平衡准确性、效率和适应性。

**总结**
本文提出了一种适用于在役盾构隧道基于振动的多任务损伤检测和评估的领域适应DT框架。该框架结合了基于模拟的迁移学习、高效的卷积建模和领域适应驱动的模型更新，以实现强大且实用的DT部署。在本研究的背景下，真正的DT不仅仅是一个静态的数值模拟或独立的机器学习模型；它需要一个基于物理的虚拟实体、一个物理资产以及它们之间的动态同步机制。这里，高保真有限元（FE）模型作为虚拟实体，提供了结构力学的全面基线。所提出的DA驱动的深度学习网络（Trans-MTVFNet）作为关键的计算桥梁。DA模块作为动态同步机制，不断将虚拟特征空间与实时物理监测数据对齐，确保状况评估随时间保持准确性。

**本文的主要贡献如下：**
1. 提出了一种可转移的多任务振动融合网络（Trans-MTVFNet），用于联合损伤存在识别、环级定位和损伤表征。基于现代且计算效率高的ConvNet框架，Trans-MTVFNet在表示能力和效率之间取得了良好的平衡，非常适合DT应用。
2. 开发了一种适用于隧道损伤评估的领域适应DT框架，该框架在统一的两阶段更新方案中系统地整合了数值模拟数据和实验测量，以支持在真实隧道环境中的强大模型迁移和性能提升。
3. 引入了一种基于模拟的迁移学习和DA策略，以在跨领域迁移过程中显式提高任务性能。通过结合全局特征对齐和类条件DA，所提出的方法提高了跨领域泛化能力，对于细粒度任务（如环级损伤识别）具有明显的好处。
4. 通过涉及不同隧道损伤场景（包括空洞和混凝土剥落）的实验室规模测试进行了全面的实验验证。结果表明，所提出的框架的有效性、鲁棒性和计算效率。

**方法论**
本节详细介绍了用于隧道损伤评估的领域适应DT框架。首先概述了两阶段方法论，然后介绍了具体的数据处理程序、Trans-MTVFNet的架构以及用于模型更新的领域适应策略。

**案例研究**
为了验证所提出的领域适应DT框架的有效性和鲁棒性，进行了全面的案例研究。本节介绍了实验室规模的测试设置和用于数据生成的相应数值建模，随后在两种常见的盾构隧道缺陷场景（节段后的空洞和混凝土剥落）下进行了详细评估。

**结论**
本文提出了一种适用于基于振动的盾构隧道损伤检测和评估的领域适应数字孪生（DT）框架。通过结合基于模拟的预训练、高效的多任务可转移网络（Trans-MTVFNet）和领域适应驱动的模型更新，所提出的框架为基于振动的盾构隧道监测提供了有前景的方案。本文的主要结论如下：
(1) 基于模拟的预训练提供了有用的初始化...

**作者贡献声明**
常向宇：概念化、方法论、软件、验证、写作 - 原始草稿。
范宏云：概念化、方法论、软件、验证、写作 - 审阅与编辑。
杨伯铮：概念化、方法论、软件、写作 - 审阅与编辑。
傅玉光：监督、资金获取、方法论、调查、写作 - 审阅与编辑。
王浩：监督、调查、写作 - 审阅与编辑。

**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

**致谢**
本研究/项目得到了新加坡国家研究基金会在其AI Singapore计划（AISG Award No: AISG2-TC-2021-001）、CoE Dean's Interdisciplinary Grant 2024（No. 025010-00001）和MOE Tier 1（No. RG146/23）的支持。作者还要感谢梁瑞华博士在技术上的协助和对这项工作的贡献。