基于深度学习的高速铁路斜拉桥温度诱导支座位移预测与异常预警

《Engineering Structures》：Deep learning-based temperature-induced bearing displacement prediction and anomaly warning for a high-speed railway cable-stayed bridge

　　

摘要
斜拉桥温度引起的支座纵向位移（TBLD）是反映支座纵向运动能力的重要指标。然而，对支座状态相对不变的要求通常导致训练数据集不完整，降低了 TBLD 预测的准确性和支座异常预警的可靠性。为解决这一问题，开发了一种机制启发的数据驱动深度学习模型（MI-MTL），集成了多尺度时间特征提取和动态自回归机制，以实现以结构温度作为输入的高精度 TBLD 预测。此外，基于预测误差的核密度估计构建了动态异常预警阈值，以识别异常的支座纵向行为。所提出的框架利用高速铁路斜拉桥结构健康监测系统获得的监测数据进行了验证。结果表明，MI-MTL 模型在不完整数据集下实现了 TBLD 的准确预测，并在同一桥梁的不同温度条件和测点布局下保持了良好的可迁移性。此外，所提出的动态阈值方法在检测支座异常性能方面表现出高敏感性。

引言
桥梁支座连接上部结构和下部结构，是桥梁结构的关键传力构件。它们也是结构系统中最脆弱且易损的部件 [1]。在高速铁路（HSR）列车荷载和循环温度变化、酸雨腐蚀等环境因素的共同作用下，桥梁支座性能不可避免地恶化。例如，球形钢支座容易出现金属部件腐蚀和滑动板低温开裂 [2]，而盆式支座容易出现滑板磨损和承压板挤出 [3,4]。支座恶化限制了梁与支座之间的相对运动，从而在桥梁中引起显著的附加内力，加速结构损伤。同时，温度引起的变形无法有效释放，导致梁端大转角和主梁纵向变形。这进一步加剧了轨道不平顺，严重影响高速铁路列车的运行稳定性和安全性 [[5], [6]]。

温度效应是影响大跨度桥梁长期响应的主要因素 [[7], [8]]，关于温度引起的结构行为已进行了广泛研究。现有研究调查了各种与温度相关的响应，包括挠度 [9]、应变 [10] 和伸缩缝位移 [[11], [12]]，以及裂缝宽度等结构损伤指标 [13]。在这些响应中，温度引起的支座纵向位移（TBLD）直接反映了桥梁支座的纵向运动能力，因此是评估支座性能的重要指标 [[14], [15]]。基于机理的研究在理解桥梁结构的温度效应方面起着至关重要的作用 [[16], [17]]。以前的研究从主梁内力积聚和释放的角度分析了 TBLD 的机理，研究主要集中在梁桥和钢桁架桥 [[18], [19]]。然而，对于大跨度斜拉桥，塔 - 索空间系统内部的温度效应约束了主梁内力的演变和分布，使得 TBLD 的机理更加复杂。有限元（FE）方法已被广泛应用于桥梁分析，使用有限元模型可以准确计算列车荷载引起的结构响应 [20]。然而，桥梁结构通过热对流和热辐射与周围环境持续交换热量 [21]，这使得基于有限元的 TBLD 分析效率低下且难以达到高精度 [22]。一方面，由于太阳辐射、风速、湿度、云量和降水等气象因素的动态变化，以及桥梁场地附近地形和植被相关的局部微气候条件，桥梁周围的空间温度分布难以精确模拟 [23]。另一方面，现有的基于有限元的桥梁温度场模拟和温度效应分析方法不可避免地依赖于简化和假设 [[24], [25]]，这限制了它们在实际工程场景中长期分析的适用性。

总之，理论分析和有限元仿真在应用于 TBLD 研究时都面临固有的局限性。随着结构健康监测（SHM）技术的快速发展，桥梁响应和环境条件的长期测量已成为可能，为数据驱动的温度效应研究提供了有价值的数据支持 [[26], [27]]。由于其建模复杂非线性关系的强大能力，机器学习和深度学习方法已被越来越多地应用于基于 SHM 数据的温度效应分析。现有研究通常可分为两类：(1) 建立温度与温度效应之间回归关系的方法，如温度引起的挠度 [[28], [29]]、温度引起的应变 [30] 和温度引起的支座位移 [31]，其中温度作为模型输入进行响应预测；(2) 对温度效应本身固有时空相关性进行建模的方法。例如，Wang 等人 [32] 基于其时间特征实现了温度引起的挠度的高精度预测。为了解决由机器学习和深度学习模型的“黑箱”性质引起的可解释性和可靠性有限的问题，最近的研究探索了物理信息方法以提高模型的可信度。这些研究大致可分为三类：(1) 目标函数的优化。具体而言，Mo 等人 [33] 将热弹性微分方程纳入损失函数，指导时空图神经网络学习应变的相关性并重构缺失数据；(2) 输入条件的优化。例如，Huang 等人 [34] 在深度学习训练过程中引入了结构弹性模量的温度相关变化作为先验信息，以提高模型的物理可解释性；(3) 物理 - 数据混合方法。代表性研究包括 Cianci E 等人 [35] 和 Huang 等人 [36]，他们分别使用 TBLD 和温度引起的应变的物理公式获得理论响应，然后使用机器学习或深度学习模型学习残差中的非线性特征。虽然这些物理信息方法提高了深度学习模型的可解释性 [[37], [38]]，但确定数据驱动学习与基于物理的约束之间的适当平衡仍然是一个开放问题，值得针对特定应用场景进一步研究。

与桥梁的静态或动态荷载试验相比，温度荷载具有长期可用性、易于获取且不中断交通等优点。因此，基于温度效应预测的结构异常预警引起了越来越多的关注。由于温度与温度效应通常表现出年度循环特征，此类方法通常依赖于具有足够长观测期的高质量数据集 [39]。然而，在实际工程应用中，仍存在几个挑战。一方面，结构健康监测（SHM）数据不可避免地包含缺失值 [40]。虽然以前的研究试图利用时空相关性重构和补全缺失数据，但处理后的数据可能仍然引入难以量化的不确定性 [[41], [42], [43]]，给不完整数据集下基于温度效应预测的异常预警方法带来挑战。另一方面，数据驱动的异常预警模型通常隐含假设在数据采集期间结构状态保持不变 [44]，模型训练期间的数据要求过高使得很难严格满足这一假设。此外，深度学习模型通常要求训练数据和测试数据遵循相同或相似的分布 [45]，这意味着在不完整数据集上训练的 TBLD 预测模型可能难以可靠地迁移到未见过的数据。同时，基于响应预测残差确定动态异常预警阈值的现有方法通常依赖于固定的统计假设和经验参数（例如正态分布和三西格玛规则），这无法完全捕捉由不完整数据集引起的预测误差。结果，异常预警的敏感性和稳定性可能会受到影响 [35]。

总之，有必要开发适用于不完整数据集的 TBLD 预测和异常预警方法。基于斜拉桥的 TBLD 机理，本研究提出了一种集成了多尺度时间特征提取和动态自回归机制（DAM）的深度学习模型，以实现 TBLD 的高精度预测。此外，采用基于预测误差的非参数建模方法建立桥梁支座的动态异常预警阈值。本研究的主要贡献总结如下：
(1) 基于 SHM 数据揭示了 TBLD 的非线性和时间特性。
(2) 开发了一种机制启发的多尺度时间学习（MI-MTL）模型，能够在不完整数据集下准确预测 TBLD。
(3) 提出了一种基于核密度估计（KDE）的动态阈值确定方法，以提高支座异常预警的敏感性。

本文其余部分组织如下：第 2 节介绍了所提出的框架，包括 MI-MTL 模型和异常预警方法。第 3 节介绍了桥梁 SHM 系统并分析了监测数据的特征。第 4 节展示了 TBLD 预测结果，并评估了 MI-MTL 模型的预测准确性和可迁移性。第 5 节建立了桥梁支座的异常动态预警阈值，并通过模拟损伤场景验证了其有效性。第 6 节总结本研究。

章节摘要
所提出的框架
斜拉桥是高次超静定结构，由于结构热相互作用和支座摩擦约束的共同作用，引起非线性的 TBLD 响应。现有研究表明，热惯性和摩擦行为可能导致温度变化下的位移响应延迟 [[14], [18], [31]]。因此，TBLD 演变为一个受当前和历史温度影响的时间依赖过程

桥梁描述和 SHM 数据预处理
本节介绍了所研究桥梁的 SHM 系统，并进一步分析了温度场特征、TBLD 提取过程和 TBLD 的非线性行为。

TBLD 预测
本节首先分析了数据集的特征。随后，执行 TBLD 预测，并通过消融实验进一步验证 MI-MTL 模型的性能。

支座异常预警
本节进一步基于预测的 TBLD 响应执行支座异常预警，分析根据表 3 列出的结果进行。

结论
本研究专注于不完整监测数据条件下斜拉桥 TBLD 的预测和支座异常预警。受 TBLD 机理启发，提出了一种数据驱动深度学习模型用于 TBLD 预测和支座动态异常预警。所提出方法的有效性利用高速铁路斜拉桥的 SHM 数据进行了验证。可以得出以下结论：
(1) 支座在

CRediT 作者贡献声明
蒋良伟：概念化、数据管理、形式分析、调查、方法论、软件、验证、可视化、写作 – 初稿、写作 – 审查与编辑。殷鹏程：概念化、项目管理、资源、监督、验证。阎永义：资金获取、资源、监督、验证。徐金晶：项目管理、监督、验证。冯东明：概念化、形式分析、资金获取、方法论，

竞争利益声明
作者声明，他们没有任何已知的可能影响本报告工作的竞争财务利益或个人关系。

致谢
本文受国家自然科学基金（52595694）、中国铁路有限公司科学技术研究开发计划（P2022G054）以及中铁四院勘察设计院集团有限公司研究基金（KY2025073E）支持。

蒋良伟 | 殷鹏程 | 阎永义 | 徐金晶 | 冯东明
东南大学教育部混凝土与预应力混凝土结构重点实验室，南京，211189，中国