基于数据驱动的方法用于桥梁群体的状态预测与劣化机制分析
《Structures》:A data-driven approach for condition prediction and deterioration mechanism characterization in bridge populations
【字体:
大
中
小
】
时间:2026年07月09日
来源:Structures 4.9
编辑推荐:
雷晓明|叶霞|孙立民
中国上海200092,同济大学桥梁工程系
摘要
预测桥梁的劣化状况对于维护安全且耐用的交通基础设施至关重要。尽管机器学习模型能够准确预测桥梁劣化,但其“黑箱”特性限制了其在工程决策中的应用。为解决这一问题,本研究提出了一种可解释的框架,结合XG
雷晓明|叶霞|孙立民
中国上海200092,同济大学桥梁工程系
摘要
预测桥梁的劣化状况对于维护安全且耐用的交通基础设施至关重要。尽管机器学习模型能够准确预测桥梁劣化,但其“黑箱”特性限制了其在工程决策中的应用。为解决这一问题,本研究提出了一种可解释的框架,结合XGBoost与SHapley加性解释方法,用于预测桥梁的结构状况并解释其劣化机制。该框架利用包含结构、几何和环境属性的历史检测数据,精准预测桥面、上部结构、下部结构以及整体状况的时空评估等级。除了具备出色的预测性能外,SHAP还能提供关于各特征贡献的透明全局和局部解释。分析表明,桥梁的年龄、建造年份以及交通流量是影响劣化的最关键因素,同时揭示了传统线性模型无法捕捉的复杂非线性关系与交互效应。最终,这种可解释的方法将难以理解的预测结果转化为可操作的见解,帮助资产管理者了解具体薄弱环节,并制定有针对性的主动维护策略。
引言
桥梁是交通基础设施的重要组成部分,其结构完整性直接影响公共安全、经济活力以及灾害抵御能力。随着桥梁网络老化,加之交通负荷和环境影响日益加剧,及时准确的状况评估对于维护规划及全生命周期管理至关重要[1][2][3]。虽然基于传统检查方法的评估方式被广泛采用,但这类方法往往耗时费力、主观性强,且检测频率有限。因此,引入数据驱动的预测模型已成为一种高效、客观评估桥梁状况的有效途径[4][5][6][7]。
然而,国家桥梁清单并非源自传感器的数据真值。其评估等级是由检查人员根据标准化但部分依赖主观标准的准则来确定的,因此可能存在检查人员之间的差异、报告延迟、字段缺失或编码错误,以及不同地区检查方式的差异。这些局限性使得预测任务既面临海量数据的问题,又需考虑不确定性,这就需要一种不仅能预测状况等级,还能揭示驱动这些预测结果的特征的框架。
检查数据在预测桥梁劣化方面起着关键作用,尤其是在不同结构的桥梁群体中[8][9]。这类数据集能够提供对桥梁状况的直接、定期评估,反映在实际使用环境下的可见损伤及长期劣化趋势[10][11][12]。丰富的检查记录,包括结构、几何、交通相关以及环境属性等信息,为开发数据驱动模型、识别复杂的劣化模式提供了有力支持[13][14][15]。
近年来,机器学习的进步使得人们能够构建强大的预测模型,从而捕捉高维数据中的复杂非线性关系[16][17][18]。刘和张[19]开发了一种神经网络模型,用于挖掘国家桥梁清单中各特征之间的潜在关联,并能高精度预测桥梁结构状况。拉菲克等人[20]则构建了动态贝叶斯网络用于整体层面的桥梁劣化建模,但该方法过度依赖专家定义的条件概率,限制了其扩展性。冯等人[21]提出了一种结合自然语言处理与机器学习的方法,可通过检查报告以89%的准确率自动评估桥梁状况。兰迪等人[22]利用无监督学习将桥梁分为不同脆弱性组,但未能充分探究导致劣化差异的根源。阿卜杜勒马克苏德等人[23]提出了用于维护计划制定的参数化逻辑模型,但这些模型缺乏基于实际数据的验证。尽管这些研究都展现了良好的预测性能,却未能充分解释数据驱动模型得出结论的依据,从而影响了人们的信任度及其实际应用前景。
尤其是集成学习方法,通过整合多种学习器的优势,在高效准确的分类任务中表现出更优异的性能[24]。何等人[25]提出了一种两步式损伤识别方法,利用随机优化增强的集成学习处理含噪声的损伤状态数据,但他们假设的是理想化的基于截面的损伤场景,而非现实中的渐进式劣化过程。戈利扎德等人[26]则结合集成学习与基于SHAP的特征选择方法,通过声发射技术检测玻璃纤维增强塑料的疲劳裂纹,但该方法仅适用于实验室规模的复合材料,未经过现场验证。刘等人[27]提出了一种基于贝叶斯学习的、具有相似性感知能力的集成方法,用于预测大坝位移,但该方法需要复杂的模式聚类,可能限制其扩展性。塞佩里等人[28]开发了一种高精度(99.2%)的集成模型,利用非线性波调制技术进行结构健康监测,但该方法依赖于计算成本较高的时频变换。郭等人[29]结合自适应特征提取与异常检测技术,用于定位冲击载荷,但测试对象仅为简单的薄壁结构。然而,这些模型虽精度很高,却往往以牺牲可解释性为代价,而可解释性在工程决策中至关重要。管理者不仅需要准确的预测结果,还需要了解哪些因素导致了劣化以及它们之间如何相互作用。
SHapley加性解释方法是一种有效的工具,可用于解释数据驱动模型,这一方法在近年来的基础设施状况评估研究中得到了广泛应用[30][31][32]。例如,郭等人[33]提出了一种可用于沿海环境全生命周期预测的可解释集成学习框架。冯等人[34]证明,相比基于力学原理的模型,集成学习方法在预测梁结构的抗剪强度方面更具优势。雷等人[35]在长期监测中,利用SHAP方法实现了对斜拉桥位移的可解释预测。里奥斯等人[36]开发了一种可用于悬索桥缆索腐蚀预测的可解释集成学习模型,即便在没有明确局部腐蚀机制的情况下也能发挥作用。古普塔等人[37]则提出了一种可与实时监测系统相结合的高精度可解释框架,用于评估路面状况。
桥梁群体通常根据相似的结构特征、所处环境或功能用途进行分类。这些群体可能表现出不同的劣化行为,而如果使用将所有结构一视同仁处理的全球性模型,则可能掩盖这些差异。采用能够体现群体内部相似性以及群体间差异性的建模策略,可以提高预测精度并提升特征的可解释性[38][39][40][41]。
为应对这些挑战,本研究提出了一种可用于不同结构群体桥梁劣化预测的可解释集成学习框架。该框架借助集成学习实现强大的预测性能,同时利用SHAP方法提供特征级的解释与可视化分析。该模型在多年积累的检查数据上进行了训练和评估,从而既能实现状况分类,也能发现劣化规律。
本研究的主要贡献有三点,均直接针对上述不足:第一,针对大规模检查数据建立了一种可解释的数据驱动框架,同时明确承认了国家桥梁清单评估等级中存在的不确定性与主观性;第二,为南加州地区的桥梁开发了一种区域性的群体级预测策略,能够在统一的气候、交通和管理背景下实现可扩展的时空预测,而非依赖过于多样化的全国性样本;第三,将基于SHAP的全局与实例级解释方法与按类别进行的模型评估相结合,从而揭示出传统性能总结无法呈现的特征重要性、非线性效应、交互机制以及少数类别的劣化特征。
本文的其余结构如下:第2节介绍方法论背景,详细阐述集成学习算法、贝叶斯超参数优化以及通过SHAP实现模型可解释性的方法。第3节描述数据来源与范围,随后对桥梁群体进行探索性数据分析。第4节阐述所提出的桥梁劣化预测框架。第5节展示模型评估与预测结果,包括性能对比分析、对XGBoost模型的专项评估,以及一个关于时空状况预测的案例研究。第6节通过全局特征重要性分析来解读桥梁劣化机制,同时分析特征间的依赖关系与交互效应。最后,第7节总结本研究得出的关键结论。
生物通微信公众号
生物通新浪微博
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