AI驱动的联邦数字孪生架构设计与优化用于可持续自感知水泥基基础设施：一项基于物理的合成概念验证

《Designs》：AI-Driven Design and Optimization of a Federated Digital-Twin Architecture for Sustainable Self-Sensing Cementitious Infrastructure: A Physics-Based Synthetic Proof-of-Concept

　　

内在自感知水泥基复合材料（intrinsically self-sensing cementitious composites, ISSC）为连续结构健康监测（structural health monitoring, SHM）提供了有前景的基础。然而，其电响应受到可逆水分变化和冻融暴露的强烈影响。研究人员提出了一个计算概念验证，用于AI驱动的联邦数字孪生（federated digital-twin, FDT）架构设计，以实现可持续自感知水泥基基础设施中的损伤识别和自适应感知。该框架完全在软件中基于物理合成测试平台开发和评估。在当前成熟度下，它是一个数字孪生前驱体（digital-twin precursor），而非运行中的数字孪生：它没有校准的物理对应物，没有实时的双向数据耦合，也未声称实验验证。一个透明的、基于物理的信号生成器为12个虚拟的碳纳米管（carbon nanotube, CNT）/生物炭功能化石灰石煅烧粘土水泥（limestone-calcined clay cement, LC₃）和地质聚合物试件产生分数变化电阻（fractional change in resistance, FCR）信号。每个试件经历四个渐进损伤阶段，中间穿插干湿循环和冻融条件处理。该框架集成了卷积神经网络-长短期记忆网络（convolutional neural network-long short-term memory, CNN-LSTM）损伤分类器、无监督域适应（unsupervised domain adaptation, UDA）、联邦学习（federated learning, FL）、基于强化学习的主动感知（reinforcement-learning-based active sensing）和量子启发聚合优化（quantum-inspired aggregation optimization）。在三个未见虚拟试件（654个评估窗口）上，CNN-LSTM实现了70.3%的四阶段准确率（95% Wilson置信区间66.7–73.7%）和0.650的宏F1分数，每个试件准确率范围为63.8%至77.1%。在损伤与未损伤决策上达到85.2%（95% CI 82.3–87.7%），环境诱导误报相对于校准阈值检测器降低了74.7%（95% CI 61.7–83.4%）。联邦平均（federated averaging, FedAvg）的准确性和稳定性低于集中训练；量子启发聚合带来的5.2个百分点增益处于评估集的分辨率范围内，未被确认为实际改进。主动感知控制器将测量成本降低了98.9%，但仅检测到27个损伤进展事件中的4个。所有传感数据均为合成数据，此处报告的每个区间均根据已报告的评估计数重新计算，而非通过额外实验获得。因此，结果仅确立了算法可行性，并识别出在实验验证前需要改进的组件。

**论文解读：面向可持续自感知水泥基基础设施的AI驱动联邦数字孪生架构设计与优化——一项基于物理的合成概念验证**

**研究背景与问题**

全球老化基础设施的结构健康监测（SHM）需求日益迫切。传统传感器存在耐久性、兼容性和覆盖范围限制，而内在自感知水泥基复合材料（ISSC）通过将导电填料（如碳纳米管CNT、生物炭）掺入水泥基体，利用压阻效应实现结构材料本身作为传感器，为连续监测提供了新途径。然而，ISSC的电响应（以分数变化电阻FCR表征）受到环境因素的强烈干扰：孔隙水分变化可导致电阻可逆改变数十个百分点，冻融循环同样引起显著可逆响应，其幅度往往与早期损伤信号相当甚至更大。这种环境与操作变异性是长期困扰SHM的核心问题，导致误报率高企。现有研究虽在自感知材料、深度学习模型、域适应、联邦学习、主动感知和量子启发优化等单个组件上取得进展，但尚未将这些方法集成于一个统一框架中，用于在变化环境条件下实现多阶段损伤识别，同时也缺乏一个受控、可重复的基准数据集来开发和验证此类框架。因此，本研究旨在填补这一空白，通过物理合成方法构建数字孪生前驱体，评估集成框架的算法可行性，并为后续实验验证提供路线图。论文发表在《Designs》期刊。

**主要技术方法**

研究人员开发了一个基于物理的合成信号生成器，模拟FCR时间序列，包含压阻响应、不可逆损伤、可逆水分/冻融效应、冻融损伤累积、极化和老化漂移、湿-热滞后、电极接触不稳定性、1/f噪声和信号量化，参数范围均来自已发表文献。样本队列来自12个虚拟试件：6个LC₃基体和6个矿渣/粉煤灰碱激发地质聚合物基体，每个试件拥有独立采样的参数集。主要关键技术方法包括：1) CNN-LSTM损伤分类器（一维卷积后接LSTM，输入为FCR和温度两个通道，以128步长窗口滑移）；2) 自适应批量归一化（AdaBN）用于无监督在线域适应；3) 联邦平均（FedAvg）和FedProx进行跨试件联邦学习，仅交换模型参数；4) 双博弈表格Q学习主动感知控制器，基于FCR趋势和信号变异性决定是否探测；5) 量子行为粒子群优化（QPSO）优化联邦聚合权重。所有模型在8个训练试件上训练，1个验证，3个测试，严格按试件级分割。

**研究结果**

**5.1 未见试件上的多阶段损伤识别**：CNN-LSTM在654个测试窗口上达到70.3%的四阶段准确率（95% CI 66.7–73.7%），宏F1分数0.650。误分类主要发生在相邻阶段，无严重损伤窗口被误判为良性。转化为二分类（损伤vs未损伤）准确率达85.2%。重复运行表明试件间准确率差异约13个百分点，固有时变异性大。

**5.2 与基线分类器和输入特征消融的比较**：随机森林、XGBoost和Transformer在相同分割上分别达到76.2%、83.3%和78.9%准确率，均优于CNN-LSTM。XGBoost优势显著（Cohen's h=0.311），表明特征工程方法在此基准上更有效。加入孔隙饱和度作为第三输入通道后，CNN-LSTM准确率提升至75.4%，但优势未达到统计显著。

**5.3 环境诱导误报的抑制**：在282个环境 conditioning窗口上，CNN-LSTM误报率仅8.5%，而阈值检测器为33.7%，相对降低74.7%（95% CI 61.7–83.4%），这是本研究中最稳健的发现（p<10^-10）。XGBoost和Transformer的误报率分别为10.6%和11.0%，均低于CNN-LSTM但优势不显著。

**5.4 跨试件联邦学习**：FedAvg在测试集上准确率仅42.4%（95% CI 38.7–46.2%），远低于集中训练的70.3%，且收敛不稳定。FedProx（μ=1.0）将准确率提升至52.1%，缩小了9.7个百分点的差距，表明客户端异质性是主要瓶颈。

**5.5 量子启发聚合优化**：QPSO优化聚合权重后，测试准确率从42.4%升至47.6%，但增益不显著（p≤0.16），且验证集上的大增益（26.1个百分点）为过拟合信号，未证明泛化能力。

**5.6 域适应：阴性结果**：AdaBN将测试准确率从70.3%降至59.2%，表明轻量级统计对齐不足以应对复杂环境漂移。

**5.7 主动感知：有限结果**：双博弈表格Q学习控制器在1.1%的决策点探测，成本降低98.9%，但仅检测到27个损伤进展事件中的4个（14.8%）。增加特征后检测率升至18.5%，仍不实用。奖励设定偏向低成本，导致检测率低。

**5.8 参数敏感性与鲁棒性**：CNN-LSTM对噪声和幅度扰动稳健，准确率变化在±2%以内。试件性能与CNT含量（ρ=0.73）和基线电阻（ρ=-0.69）强相关，表明传感器灵敏度是主导因素。

**讨论与结论**

讨论部分指出，本研究确立了两项有效组件：CNN-LSTM在未见试件上实现多阶段损伤识别，并显著降低环境误报。同时，四项组件表现不佳：联邦平均性能差、QPSO无改进、AdaBN降低准确率、主动感知检测率低。这些负面结果构成了科学贡献的一部分，明确了改进方向。威胁有效性包括：所有数据为合成、采用加性线性化模型、固定 conditioning协议、试件数量少（12个）。结论部分翻译如下：

本文提出了一个面向可持续自感知水泥基基础设施中多阶段损伤识别的计算概念验证。未收集实验数据，未测试物理试件，框架为数字孪生前驱体而非运行中数字孪生。主要发现如下：
- 在未见试件上，CNN-LSTM达到70.3%四阶段准确率（95% CI 66.7–73.7%），二分类准确率85.2%。误判限于相邻阶段。
- 同一模型将环境诱导误报降低74.7%（95% CI 61.7–83.4%），这是最实际重要的结果。
- 联邦平均准确率仅42.4%，FedProx恢复9.7个百分点；QPSO增益不显著。
- 自适应批量归一化降低跨域准确率11.1个百分点；主动感知控制器成本降低98.9%但检测率仅14.8%。
- 本研究的贡献在于集成和组件级评估，并提供可证伪的验证路线图。主要限制是所有数据为合成，试件数量少，差异低于分辨率。