沿海钢筋混凝土(RC)基础设施(如码头和桥墩)的管理在可靠性工程和系统安全方面面临重大挑战。这些结构的长期安全性和适用性主要受到氯离子引起的钢筋腐蚀的威胁[1,2]。准确预测腐蚀开始的时间及其相关的时变可靠性对于实现主动维护和优化生命周期成本至关重要[3,4]。
在现实世界中,对关键耐久性参数(包括混凝土保护层厚度(d)、氯离子扩散系数(D)和表面氯离子浓度(Cs)的全面测量通常成本高昂或在物流上不可行,无法针对每个结构元素进行[5,6]。这种数据稀缺性和异质性导致了对局部风险的严重低估以及过于乐观的可靠性评估。近期文献强调的一种范式转变指出,认知不确定性——源于知识不完整和数据有限——在整个结构的使用寿命中常常占据可靠性预测总不确定性的主导地位,超过了材料属性固有的随机变异性[[7], [8], [9], [10], [11], [12], [13], [14]]。这种主导地位意味着,提高耐久性评估的主要限制不是材料本身的随机性,而是高价值、有针对性的信息的稀缺性。
认知不确定性的普遍存在提出了一个核心问题:在检查预算有限的条件下,应该在哪里测量什么,才能最有效地获取新知识并最大化数据在风险管理中的价值?传统的检查规划通常依赖于启发式方法,如均匀采样或过往经验,这些方法缺乏对信息价值的严格评估基础,可能导致资源分配效率低下[[13], [14], [15], [16]]。
信息价值(VoI)分析是一种来自经济学和运筹学的成熟决策理论框架,为在做出决策前量化获取额外信息的经济效益提供了正式的方法[17,18]。尽管具有潜力,但在土木基础设施管理中,尤其是在耐久性评估中的应用仍然有限。现有研究经常依赖于简化的均匀模型或合成数据,无法充分捕捉真实海洋环境中复杂的空间变异性和严重的数据稀缺性[[17], [18], [19], [20], [21], [22]]。一个常见的限制是依赖于计算效率较高但缺乏稳健不确定性量化的模型,或者那些在VoI计算中需要大量评估时变得成本过高的模型[23]。
因此,存在一个核心的技术缺口:需要一个计算上可行的可靠性引擎,既能融合异构的现场数据,又能在小样本条件下提供稳健且物理上一致的预测。
纯数据驱动的替代模型,如标准贝叶斯神经网络(BNN)或高斯过程回归(GP),在训练数据不足时可能会出现不稳定性和非物理预测,从而削弱了所得VoI估计的可信度[[24], [25], [26], [27], [28], [29]]。虽然其他方法(如多项式混沌展开(PCE)在不确定性传播方面表现良好,但它们可能难以处理高维输入或作为强约束的复杂物理定律。相反,高保真物理模型结合蒙特卡洛模拟(MCS)虽然能确保物理一致性,但在需要数千次可靠性评估的VoI框架中计算上难以实现。
为了填补这一空白,本研究采用了物理信息贝叶斯神经网络(PI-BNN)。PI-BNN的一个显著优势是将控制物理方程(即菲克第二定律)直接编码到损失函数中。这种基于物理的约束作为一个强大的正则化器,确保模型在数据稀缺区域或外推过程中仍然稳定,并产生物理上合理的预测[30,31]。这种方法保留了VoI分析中所需的数千次迭代计算的效率,同时避免了纯数据驱动模型的不稳定性。该框架的核心是集成了一种混合层次贝叶斯模型-物理信息贝叶斯神经网络-子集模拟(HBM-PI-BNN-SuS)方法,旨在实现稳健的知识表示、同化和估值。
主要目标是将“认知不确定性主导”的抽象概念转化为实用的、可量化的决策支持工具。具体目标有三个:(1)量化不同环境暴露区域和耐久性参数之间的差异性VoI,证明价值受知识稀缺性的驱动;(2)生成空间明确的检查优先级热图,指导资源向知识关键区域的战略性分配;(3)实施并验证一种自适应的闭环策略,实现基于持续学习的动态长期检查规划。这项工作基于现实世界的多区域现场测量和物理信息学习范式,为将检查数据转化为可操作的智能提供了途径,从而有助于更灵活和经济地管理关键沿海基础设施。