基于数据驱动的监测框架，用于评估地震后城市桥梁的通行能力

《Soil Dynamics and Earthquake Engineering》：Monitoring data-driven framework for assessing the post-earthquake traffic capacity of urban bridges

　　**摘要**
近期，地震后桥梁功能评估主要依赖于计算模拟；然而，由于区域桥梁库存中结构信息的不完整，这些模拟的准确性受到认知不确定性的限制。本研究提出了一个框架，用于在结构信息有限的情况下快速评估区域桥梁的地震后通行能力。该方法结合了地震响应监测数据，以提高评估模型表征桥梁地震损伤的能力，同时优化监测系统设计。首先，提出了一种两阶段的异构传感器最优布置方法，用于多维通行能力评估，以确定在不同成本条件下的最优方案。其次，建立了集成学习模型，以进一步确定最优布置方案并评估地震后桥梁性能。基于可解释性技术，研究识别并分析了影响通行能力的关键因素和机制。最后，使用典型的城市连续梁桥对所提出的框架进行了演示。结果表明，即使在高测量噪声水平下，从优化设计的监测系统开发的模型也能准确预测地震后桥梁的通行能力，所有情况下的R2值均超过0.8。与传统基于参数的模型相比，通行能力指标的预测准确性（R2）提高了10%-30%，显示出良好的适用性。所提出的方法为城市桥梁的地震后功能评估开发了一种基于监测数据的数学模型，从而实现了对桥梁功能状态的及时和准确获取，促进了地震后的快速决策，并提高了紧急交通管理和系统级恢复效率。

**引言**
桥梁是城市生命线系统的关键组成部分，由于其高度的地震脆弱性，它们常常成为交通网络中的薄弱环节[[1], [2], [3]]。了解它们的地震后功能状态有助于救援路线规划和修复计划的决策，从而提高城市恢复效率[4]。因此，快速准确地评估地震后桥梁的通行能力对于提高城市灾害韧性至关重要[5,6]。桥梁的功能状态评估通常依赖于专家的目视检查和相关的技术标准，但这些方法往往效率低下，并可能带来安全风险，阻碍了快速应急响应[[7], [8], [9]]。最广泛采用的区域桥梁快速功能评估策略是基于预先定义的分组脆弱性曲线[10,11]。此外，用简化的机械模型替换精细化的桥梁模型也可以提高计算效率[12]。然而，缺乏对单个桥梁的详细表征可能会限制这些方法的准确性[13]。最近，随着人工智能的快速发展，基于AI的方法在桥梁地震损伤评估中得到了广泛应用，以解决传统方法的局限性[14]。例如，Di Mucci等人[15]开发了一个基于计算机视觉的深度学习框架，从桥梁检查图像中提取损伤信息，并将腐蚀程度映射到结构模型参数，使得基于图像的信息能够整合到结构建模和地震风险评估中。尽管这种方法提供了详细的结构表征，但它依赖于计算密集型的有限元模拟，可能会限制其在时间紧迫的地震后场景中的适用性。替代模型方法建立了桥梁参数与地震损伤之间的映射，既可以进行详细的损伤评估，也可以进行快速评估，因此在实际应用中具有巨大潜力[16,17]。作为基于数据的替代模型方法，机器学习（ML）因能够自动提取高维特征和模拟复杂的非线性关系而受到了广泛关注[18,19]。Mangalathu等人[20]训练了五种ML模型用于快速评估桥梁通行能力，结果表明随机森林模型表现出更好的预测性能。Li等人[21]采用ANN和LSTM模型预测桥梁的地震需求，与NLTHA相比，计算效率提高了90%以上。Xing等人[22]开发了一种贝叶斯物理信息神经网络（BPINN），用于快速地震响应预测，并结合了单自由度桥梁等效模型。Saida和Nishio[23]引入了频率注意力机制，提出了一个可解释的网络，提升了预测的可解释性。Qiu等人[24]将基于性能的地震工程原理与六种ML模型相结合，实现了对区域桥梁系统地震后损失和抗震能力的快速评估。总之，这些方法主要基于桥梁结构参数和地面运动记录，通过计算模型预测地震损伤，其准确性高度依赖于结构参数的可靠性[25]。然而，区域桥梁库存中详细结构信息的缺乏或不完整导致了显著的认知不确定性，从而削弱了预测的准确性。因此，在信息不完整的情况下准确预测桥梁的地震损伤仍然是工程实践中的一个关键挑战[26]。Wen等人[27]仅使用五种容易获得的结构参数和地面运动记录作为模型输入，并通过集成CNN、多层输入层和密集层开发了StruNet模型，实现了对地震响应的准确预测。Abarca等人[28]基于具有完整信息的桥梁样本开发了ML模型，并将训练好的模型应用于信息不完整的桥梁的脆弱性评估，旨在减少认知不确定性。然而，由于测量限制，某些桥梁的材料参数在实践中无法直接可靠地识别。随着结构健康监测（SHM）系统的广泛应用，记录的桥梁地震响应提供了潜在结构行为及其在地震中演变的物理意义表示。在这种情况下，AI技术已被广泛应用于桥梁结构健康监测数据中，以实现结构条件的自动化分析[14]。具体而言，基于AI的SHM框架可以大致分为三个主要方向：基于计算机视觉的自动化桥梁检查和AI辅助的传感器监测数据处理，这些已经得到了广泛研究；以及基于AI的损伤预测用于风险估计，这为未来的发展带来了希望[29]。因此，利用监测响应数据来补偿或替代缺失的结构参数显示出巨大的潜力。

**传感器配置**
传感器配置，包括传感器类型、数量和空间布置，在监测精度、系统成本和整体SHM性能方面起着关键作用[[30], [31], [32]]。最佳传感器布置（OSP）主要可以分为两类：次优方法和基于正式优化策略的方法[33]。Kammer提出的有效独立性（EI）方法是一种经典的次优方法，它通过迭代移除信息贡献较小的自由度来确定传感器数量。Yi等人[35]通过引入整数编码和混合搜索机制改进了猴子算法，以提高传感器布置优化的收敛效率和全局搜索能力。然而，这些策略有两个关键限制：评估指标主要针对损伤识别，而以功能为导向的OSP策略尚未得到充分探索；此外，大多数方法假设传感器类型是均质的，忽略了实际应用中的异质性和配置复杂性[36]。选择合适的ML模型对于提高预测准确性也至关重要。近年来，集成学习（EL）方法在桥梁地震性能评估中逐渐显示出巨大潜力[[37], [38], [39]]。EL方法通过各种决策机制结合多个基础学习器的预测结果，从而比单个模型具有更好的预测性能。EL方法解决了传统ML模型过度拟合特定输入变量或数据集的倾向，从而减少了预测误差并提高了模型的泛化能力[40]。此外，与在地震工程中广泛应用的深度神经网络（DNN）模型相比，EL方法通常提供更好的可解释性[41]和对小样本数据集的更稳健的预测性能[42]。为了解决现有研究的局限性，本研究提出了一个基于监测数据的桥梁地震后通行能力评估框架。首先，开发了一种两阶段的异构传感器最优布置策略，以平衡信息增益和监测成本。其次，基于EL的预测模型用于快速评估区域桥梁的通行性能。随后，采用SHAP方法进行模型可解释性分析，量化组件损伤对预测结果的影响。最后，将所提出的方法与传统方法进行比较，以验证其准确性和稳健性。

**方法论框架**
本研究提出了一种可靠且高效的地震后城市桥梁通行能力评估方法，该方法基于桥梁地震响应监测数据和EL。该框架包括五个主要步骤，如图1所示。

**步骤1：**根据区域桥梁属性，使用拉丁超立方抽样（LHS）生成桥梁有限元模型样本。将这些桥梁模型与地面运动记录随机配对，并进行NLTHA分析。

**地震后通行能力数据集的构建**
机器学习模型的预测准确性在很大程度上取决于训练数据集的完整性和代表性[44]。在本研究中，训练数据集是从有限元模拟结果生成的。考虑到所提出的框架旨在为区域桥梁库存中的不同类型桥梁开发地震后功能评估模型，这可以通过简单地更换相应的训练数据集来实现。

**不同成本条件下的最佳传感器布置**
桥梁监测系统设计通常涉及在多种类型的传感器之间进行选择，如位移传感器、加速度计和应变计，并进一步确定它们的配置数量和安装位置。假设桥梁上有N个候选传感器位置。那么可能的监测方案数量可以达到2N，使得OSP问题成为一个典型的组合优化问题。在工程实践中，传感器布置优化应...

**集成学习模型的开发与SHAP解释**
根据根据不同最佳传感器布置方案部署的传感器的监测数据，可以提取一组地震响应特征，如第3.2节所述。这些特征主要包括梁的峰值加速度、桥墩顶部的峰值和残余位移以及桥墩底部的峰值和残余应变。然后，将提取的响应组织成地震响应特征组合。随后，采用EL方法建立...

**案例研究**
所提出的框架集成了数据库构建、传感器布置优化和可解释的EL预测模型开发。在步骤1中，进行有限元分析以生成模拟的传感器监测数据，步骤2计算受损桥梁样本的通行能力指标。这两步的公式和实施细节在第3节中提出。基于建立的数据库，以下案例研究评估了...

**讨论**
案例研究结果表明，与传统的基于参数的模型相比，所提出的基于监测数据的地震后通行能力评估框架具有更高的预测准确性和稳健性。然而，由于实际地震监测数据的稀缺，所提出的框架主要使用来自有限元模拟的监测响应进行验证。这可能会引入关于其适用性的潜在问题。

**结论**
本研究提出了一种基于监测数据的快速地震后评估城市桥梁通行能力的框架，作为传统结构和地震强度参数基模型的替代方案，可用于地震后桥梁网络通行管理和单个桥梁的应急响应。开发了一种两阶段的传感器最优布置策略，以在不同成本条件下确定最佳监测方案。

**CRediT作者贡献声明**
Tianyi Li：概念化、方法论、软件、可视化、写作——原始草稿。Dongyu Zhang：概念化、资金获取、项目管理、写作——审阅与编辑。Hui Li：项目管理、监督。

**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会影响本文报告的工作。

**致谢**
作者衷心感谢国家自然科学基金（资助编号U2239253, 52378297）对这项工作的财政支持。

**作者信息**
Tianyi Li | Dongyu Zhang | Hui Li
哈尔滨工业大学土木工程学院，哈尔滨，150090，中国