使用定制的机器学习模型，对用于城市更新的老化砖砌体和混凝土框架建筑进行快速的结构健康状况评估

《Engineering Applications of Artificial Intelligence》：Rapid structural health assessment of aging brick masonry and concrete frame buildings for urban regeneration using tailored machine learning models

　　**摘要**
随着非工业建筑老化的数量不断增加，结构健康评估对于确保居住者安全以及在城市更新过程中实施安全风险管理至关重要。现有的结构健康评估方法依赖于广泛的现场调查、实验测试和复杂的结构分析，这些方法既耗时又难以应用于大量建筑物。为了解决这一挑战，本研究提出了一种两阶段的结构健康评估方法，用于快速筛查老化的非工业建筑。与传统的端到端机器学习（ML）方法不同，后者使用统一的模型直接预测所有类型建筑的整体状况，本研究采用特定于结构的ML模型来捕捉子系统级别的异质性退化特征。这些预测结果通过基于规则的约束汇总到整个建筑的结构健康状况中，这些规则与专业标准中规定的分层评估逻辑相一致。具体而言，特征集是根据历史评估报告构建的，特征选择采用了相关性分析和带交叉验证的递归特征消除方法。评估了六种ML算法，包括决策树（DT）、随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）、多层感知器（MLP）和Light Gradient Boosting Machine（LightGBM）。LightGBM在砖砌结构的建筑中表现最佳，而XGBoost在混凝土框架结构的建筑中表现最佳，这证实了特定于结构建模的必要性。Shapley可加解释（SHAP）分析显示，与老化相关的特征和变形相关特征在砖砌结构评估中占主导地位，而在混凝土框架结构建筑中，变形和损伤相关指标的影响更大。所提出的方法支持对城市更新中的大量老化非工业建筑进行快速准确的结构健康评估。

**引言**
非工业建筑是指用于住宅和公共服务的民用建筑，包括住宅、商业、办公、教育、医疗等类型的建筑（Marshall等人，2005年）。近年来，非工业老化建筑的数量显著增加（Basack等人，2026年）。仅在中国，就有超过219,000栋建筑的使用年限超过25年（住房和城乡建设部，2021年）。随着使用时间的延长，老化非工业建筑可能会出现结构退化，如钢筋裸露和腐蚀、结构连接松动以及地基变形（Nowogońska和Kurowska，2025年）。如果这些缺陷未能及时发现和解决，可能会导致严重的结构安全隐患。不同类型的非工业建筑都发生过倒塌事故。2024年，西班牙马略卡岛帕尔马的Medusa海滩俱乐部因屋顶负荷过重和未经批准的改造而倒塌，造成4人死亡16人受伤（路透社，2024年）。2021年，佛罗里达州Surfside的Champlain Towers South住宅公寓部分倒塌，导致近100人死亡，这与累积的结构损伤有关（Pellecchia等人，2024年）。为了防止此类事件发生，有必要定期对老化非工业建筑进行结构健康评估，以评估其结构状况并识别潜在危险，从而及时采取加固措施。
实际操作中，专业结构健康评估遵循相关标准进行，该标准将整体建筑结构健康状况划分为三个层级：组件级、子系统级和系统级评估（住房和城乡建设部，2016年）。根据这种方法，首先进行现场调查，收集40多个参数，包括基本建筑属性（如建造年份、楼层数、功能用途和之前的结构干预措施）、几何属性（如建筑长度和宽度、层高、总高度和最大倾斜角度）以及组件级别的检查指标（如裂缝宽度和腐蚀情况）。现场调查后，进行材料实验测试和复杂的结构性能评估，例如承载能力评估和结构布局合理性评估。然后将这些分析结果整合起来，准备正式的结构健康评估报告。例如，在中国，评估一座面积约为3000平方米的混凝土框架建筑通常需要大约三周时间。显然，这种传统的评估过程劳动强度高且耗时，无法高效地筛查城市更新项目中的大量老化建筑的健康状况。因此，迫切需要开发快速准确的结构健康评估方法，以支持大规模建筑结构健康状况的筛查和改造决策。
在参与本研究的城市更新和评估实践中的老化非工业建筑中，砖砌结构和混凝土框架结构是两种具有代表性的常见结构类型。这种选择也与全球建筑分类研究一致，这些研究将砌体和钢筋混凝土系统确定为关键的建筑类别，用于暴露性和风险评估（Silva等人，2022年）。在数据收集过程中，与十个评估机构的讨论表明，他们的实际项目主要集中在这两种结构类型上，可用于模型开发和测试的历史评估报告也主要来自这些类型。鉴于它们在长期使用条件下的不同结构配置、材料特性和退化机制（Kocaman等人，2025年），有必要分别为砖砌结构和混凝土框架结构开发定制的健康状况评估模型。
建筑结构健康评估逐渐成为一个重要的研究课题。早期的研究主要依赖于基于专家的检查和机械建模方法（Mammeri等人，2025年；Spencer等人，2025年）。这些方法可以提供详细的结构洞察，但往往需要大量的手动工作进行数据收集、复杂的建模假设和大量的计算资源（Ro和Gong，2024年）。因此，这些方法难以在有限的时间内筛查大量老化建筑的健康状况，尤其是在城市更新的背景下。近期，机器学习（ML）作为一种高效的数据驱动范式崛起，能够学习结构状况与检查或响应数据之间的复杂线性和非线性关系（Wang等人，2022年）。相关研究还将ML应用于工程水泥基复合材料的性能预测和基于性能的设计，支持更高效和定量的材料设计（Chen等人，2025b）。由于这种能力，ML已广泛应用于结构工程，特别是在组件级损伤识别和系统级结构性能评估方面，其中包括从输入特征到整体结构性能的直接映射，如地震响应预测、脆弱性分析和事件后残余能力评估（Shabbir等人，2025年；Spencer等人，2025年）。ML预测、可解释性分析和多目标优化也被整合用于支持三维打印工程水泥基复合材料的基于性能的设计（Chen等人，2025c）。这些应用在评估效率和预测准确性方面取得了显著改进，特别是在事件驱动或特定负载的场景下。尽管有这些进展，现有的基于ML的方法仍不足以满足实际的大规模结构健康筛查需求。具体来说，它们通常：（i）应用端到端的ML模型直接预测整体建筑状况，同时忽略了专业标准中规定的分层评估逻辑，从而增加了基于ML的评估结果的解释性问题（Markarian等人，2024年）；（ii）认识到不同结构类型表现出不同的退化机制，但未将这些知识转化为适用于大规模筛查的特定于结构的ML建模策略（Zain等人，2024年）；（iii）依赖效率低下的超参数调整策略，且缺乏足够的可解释性，限制了模型优化和大规模筛查应用的实际可行性（Zaker Esteghamati等人，2025年）。
为了解决这些问题，本研究开发了一种两阶段的结构健康评估框架，用于大规模筛查老化非工业建筑。在该框架中，首先使用特定于结构的ML模型预测子系统状况，然后应用基于规则的汇总来确定整个建筑的结构健康状况，遵循专业评估逻辑。所提出的框架保留了不同子系统的中间评估信息，使得整个建筑的结构健康状况可以基于子系统级别的评估结果进行解释，而不仅仅是一个黑盒预测。此外，还结合了贝叶斯优化来提高模型训练效率（R?stum等人，2025年）。基于Shapley可加解释（SHAP）的可解释性分析也被用来研究不同结构子系统和结构类型中输入特征的贡献，提高了评估结果的透明度。实际上，本研究为城市更新中的老化非工业建筑提供了高效准确的快速筛查工具。预测的建筑结构健康状况水平可以支持基于风险的优先排序，以便进行详细的专业评估，并帮助初步识别通过异常检查指标反映的潜在结构安全风险。本文的结构安排如下：第2节回顾了与结构健康评估和基于ML的方法相关的现有研究；第3节详细描述了结构健康评估方法的研究过程，包括数据准备、特征选择、模型开发和模型评估；第4节对建模结果进行了全面分析，包括收集数据的描述性统计、特征选择结果、不同ML模型的比较评估以及模型可解释性分析；第5节讨论了理论意义、实际应用、局限性和未来研究方向；第6节总结了各项贡献。

**建筑结构健康评估**
在学术界，结构健康评估受到了越来越多的关注。本研究总结了以往相关研究在研究目标、数据来源、方法和评估结果方面的内容，如表1所示。现有的关于老化建筑的研究主要集中在组件级或系统级的安全评估目标上。前者关注材料退化（Basu等人，2021年）、局部失效模式（Mansourdehghan等人，2022年）。

**方法论**
本研究开发了一种两阶段的结构健康评估方法，该方法将基于ML的预测模型与基于规则的约束相结合，以实现快速准确的结构健康评估，适用于砖砌结构和混凝土框架结构建筑。如图1所示，研究过程包括四个步骤：数据准备、特征选择、模型开发和模型评估。
- **数据准备**：收集砖砌结构和混凝土框架结构的建筑历史评估报告。
- **特征编码**：为了便于ML算法的数值处理，使用标签编码将离散的文本特征转换为数值。编码方案详见表3。
- **异常值处理**：表4详细总结了不同结构类型中缺失数据的统计情况。砖砌结构建筑有五个特征的数据不完整，而混凝土框架结构建筑有八个特征的缺失值。

**提出的结构健康评估方法分析**
与将整个结构系统视为“黑箱”的传统端到端ML方法（Chi等人，2020年；Liang和Xue，2023年）相比，本研究提出的框架引入了一种新颖的两阶段评估策略，其中特定于结构的ML模型捕捉子系统的退化特征，而基于规则的汇总则结合了专业标准中规定的分层评估逻辑。

**结论**
本研究提出了一种两阶段的结构健康评估框架，用于快速筛查老化非工业建筑。该框架将特定于结构的ML预测与系统级的基于规则的汇总相结合，使数据驱动的建模与专业标准中规定的分层评估逻辑保持一致。结果表明，结构健康评估不应被视为适用于所有结构类型的统一预测任务。

**作者贡献声明**
李凌志：概念化、资金获取、方法论、项目管理、原始草稿撰写、审阅与编辑。
戴梦凡：概念化、数据管理、形式分析、方法论、可视化、原始草稿撰写。
索鑫郝：数据管理、形式分析、方法论、软件开发、可视化、原始草稿撰写。
袁敬峰：项目管理、资源协调、监督。
韩晓健：概念化、数据管理、调查。

**利益冲突声明**
作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了中国国家社会科学基金[项目编号24BGL297]的支持。

**作者名单**
李凌志 | 戴梦凡 | 索鑫郝 | 袁敬峰 | 韩晓健 | 胡丽芝 | Ahmed Bouferguene
南京工业大学土木工程学院，南京，211816，中国