通过网络级的物理信息分层注意力网络和车辆振动技术,实现了对路面结构健康状况的实时监测

《ADVANCED ENGINEERING INFORMATICS》:Network-level pavement structural health monitoring enabled by a physics-informed hierarchical attention network and vehicle vibrations

【字体: 大 中 小 】 时间:2026年05月07日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  袁文志|杨群山东工业大学土木工程与地理信息学院,中国山东淄博255000摘要由于广泛的道路网络状况日益恶化,迫切需要成本效益高、可扩展的结构评估方法来为积极主动的维护提供依据。本研究提出了PhysHA-Net(一种基于物理信息的层次化注意力网络),用于多尺度的健康状况监测,并具有

  
袁文志|杨群
山东工业大学土木工程与地理信息学院,中国山东淄博255000

摘要

由于广泛的道路网络状况日益恶化,迫切需要成本效益高、可扩展的结构评估方法来为积极主动的维护提供依据。本研究提出了PhysHA-Net(一种基于物理信息的层次化注意力网络),用于多尺度的健康状况监测,并具有潜力应用于众包车辆振动数据。当前的实证验证是通过单辆车来展示该方法的可行性和模型的物理合理性。通过将车辆-路面相互作用(VPI)动态嵌入层次化注意力机制中,该框架架起了原始加速度信号与结构性能之间的桥梁。与三个基线模型相比,所提出的PhysHA-Net获得了较高的决定系数(R2 = 0.985)和较低的平均绝对误差(MAE = 0.124)。值得注意的是,与标准的数据驱动注意力机制相比,PhysHA-Net将预测误差降低了88%以上。结果证实,基于物理信息的层有效地限制了注意力权重在机械上可行的范围内,为网络级基础设施管理提供了可靠且可解释的工具。

引言

维护广泛的、老化的道路网络的结构健康是一个紧迫的社会经济挑战,直接影响运输安全、效率和服务寿命成本[1]、[2]。有效的路面资产管理的核心在于获取准确的、覆盖整个网络的状态数据,以指导维护规划和资源分配[3]。然而,在详细的但局部的、昂贵的测量与频繁的系统级覆盖需求之间存在显著差距[4]。虽然车载传感技术提供了一种移动且低成本的替代方案,但其应用主要局限于表面状况筛查,缺乏可靠推断决定长期性能的潜在结构能力的物理深度。
当前的结构评估方法严重依赖于局部的、基于点的测量(例如落锤式弯沉仪),这些方法对于网络级覆盖来说效率低下[5]。尽管新兴的交通速度弯沉仪提供了连续性,但它们高昂的成本和操作复杂性阻碍了其广泛应用。相反,尽管车载振动方法以其低成本和移动性而受到赞誉,但主要用于检测表面级的损坏(例如坑洞、裂缝)或评估乘坐质量[6]、[7],未能探测决定长期性能的潜在结构强度[8]、[9]。缺乏一种能够无缝结合移动传感效率与机械模型物理深度的方法构成了一个关键瓶颈。如图1所示,网络级评估可接受的检测精度、效率和反馈速度理想上应介于永久监测系统和局部损伤检测能力之间。
近年来,人们越来越关注将基于物理信息的机器学习(PIML)和图神经网络(GNN)应用于路面工程。PIML方法将控制物理方程嵌入神经网络损失函数中,提高了可解释性并减少了数据依赖性,包括温度场预测[10]、路面性能退化建模[11]。另一方面,GNN通过将路面网络表示为图来捕捉空间依赖性。它们已被用于缺失数据插补、裂缝检测以及通过因果-时间或基于注意力架构的性能预测[12]、[13]、[14]、[15]、[16]。这些研究共同证明了将物理先验和空间结构纳入数据驱动模型的价值。
尽管取得了这些进展,但现有方法在扩展到网络级路面结构健康监测时仍存在几个限制。首先,大多数方法关注的是组件级或局部尺度的问题,即单个路段的裂缝或响应,而不是整个网络的结构评估。其次,即使是图注意力网络也没有将车辆-路面相互作用(VPI)动态直接嵌入注意力机制中,从而错过了施加机械上有意义的约束的机会。第三,它们缺乏层次化的可解释性:各个段落对整体网络性能的贡献仍然不明确,阻碍了透明的维护优先级排序。第四,许多方法依赖于预先模拟的数据(例如来自有限元分析的数据)或假设定期采样的时间序列,这限制了它们对现实世界众包车辆振动数据的可扩展性。
为了克服上述瓶颈,本研究引入了PhysHA-Net(基于物理约束的层次化注意力网络),这是一种新型框架,它将移动传感的效率与基于物理的建模的深度无缝结合。PhysHA-Net的目标是将物理原理和基于图的学习结合起来,用于网络级路面结构健康监测,从而能够从普遍存在的车辆振动中推断出结构能力。我们的模型不是简单地将物理视为输入,而是将控制车辆-道路动态直接编码到其注意力机制中。这种架构将物理约束硬编码到学习过程中,促进了信息的双向流动:它不仅允许自下而上的数据驱动表示,还施加了自上而下的基于物理的反馈。此外,多尺度的图结构自然反映了道路网络的层次结构(分段-路段-网络),确保分析在这些尺度上仍然是可解释的。
因此,PhysHA-Net对工程信息学领域做出了重要贡献,提供了一种基于物理信息的解决方案,用于网络级路面结构健康监测。该框架结合了物理建模和基于图的学习技术,实现了多尺度分析和可解释性。此外,我们采用了稳健且可复制的训练方案,并进行了网络稳定性分析,以确保模型的可靠性能。总的来说,这些创新克服了传统方法的局限性,为基础设施健康监测提供了新的范式。

章节片段

理论与数值基础

PhysHA-Net的设计基于车辆-路面相互作用(VPI)的基本力学原理。本节建立了车辆振动对路面结构属性的理论敏感性,并利用数值模拟来证明层次化注意力机制的必要性。

基于物理信息的层次化注意力网络(PhysHA-Net)

为了具体实现第2.3节提出的理论框架,本研究开发了基于物理信息的层次化注意力网络(PhysHA-Net)。该框架将基于物理信息的注意力机制嵌入图学习架构中,通过直接将车辆-道路动态嵌入学习过程中,打破了传统数据驱动方法的局限性。这种设计不仅增强了模型的预测能力,还

系统架构和模块设计

本研究使用了自主研发的车载多点振动测试系统作为测试设备(图7)。该系统由五个功能模块组成:振动传感模块、数据采集模块、高精度定位模块、视频验证模块以及基于计算机的数据处理和显示模块。

传感器选择和最佳放置策略

振动传感模块包含两个加速度计。在初始开发阶段,传感器被放置在车辆的

振动数据预处理

与由表面损伤引起的自发性车辆振动不同,路面结构信息通常嵌入在深层信号特征中。使用过滤或去噪技术可能会损害这种结构信息的完整性。因此,本研究采用原始信号进行分析。

特征计算

根据模拟结果,车辆振动加速度信号的概率密度峰值能有效表征路面结构强度。
为了使

训练目标和实施细节

在本研究中,PhysHA-Net的训练是通过基于优化的学习(校准)来实现的,即物理-注意力/段落权重的优化。从段落级的概率密度估计(PKDE)到道路级的概率密度估计(PKDE)的聚合是在简单约束下的线性操作。这个低维的凸问题可以通过约束优化(例如内点法)高效准确地解决。使用具有梯度反向传播的深度神经网络会引入不必要的复杂性,并导致黑箱行为

路段-段落性能耦合特性

基于训练得到的PhysHA-Net输出的段落级注意力权重,本节揭示了不同段落如何影响整体结构性能的耦合模式。
如图17所示,网络B中各个段落的PKDE权重显示了两种典型分布:
U形分布:在段落B1、B3和B4中,总体权重值介于[0.002, 0.006]之间。权重值集中在两端

结论

本研究开发了一种新的基于物理信息的层次化注意力网络(PhysHA-Net),用于利用众包车辆振动数据解决网络级路面结构健康监测的挑战。通过将车辆-路面相互作用(VPI)动态嵌入层次化注意力机制中,PhysHA-Net有效地弥合了局部振动信号和全局结构性能指标之间的差距。虽然当前的实证验证是使用单辆车进行的

CRediT作者贡献声明

袁文志:撰写——审阅与编辑,撰写——原始草稿,可视化,验证,监督,软件,资源,项目管理,方法论,调查,资金获取,形式分析,数据整理,概念化。杨群:撰写——审阅与编辑,监督,软件,项目管理,数据整理。

资金支持

本文得到了教育部道路与交通工程重点实验室、同济大学(资助编号:K202503)的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号