数据稀缺洪水条件下桥梁安全预警的混合半自监督学习

《Engineering Structures》：Hybrid semi-self-supervised learning for bridge safety early warning under data-scarce flood conditions

　　

• •
  建立了包含 240 个模拟场景的洪水 - 桥梁耦合数据集，以支持数据驱动预警。
• •
  开发了一种基于 VAE-GAN 的数据增强策略，以增强极端洪水条件下的数据多样性。
• •
  提出了一种混合半自监督框架，以提高分布偏移下的预测准确性和鲁棒性。
• •
  现场验证表明预警等级一致性为 85.2%，比基线半监督模型提高了 4%–6%。

引言

简支梁桥因其成本低、施工简便，被广泛应用于中小跨径河流穿越。然而，在洪水条件下，这些结构表现出显著的安全脆弱性，快速水流引起的桥墩基础冲刷是桥梁失效的主要原因 [1]。在当前的工程实践中，常规公路桥梁的设计主要关注承载能力和服役性能，而对洪水韧性和结构状态感知关注有限。因此，此类桥梁在极端洪水事件中极易受损和功能障碍 [2]。鉴于洪水诱导的桥梁失效具有突发性和严重后果，实时感知结构状态和主动风险预测已成为关键需求。因此，建立面向洪水的简支梁桥实时结构健康监测 (SHM) 和预警框架具有重要意义 [3,4]。桥梁安全监控已从人工检查发展到基于传感器的在线监控。早期方法依赖于主观目视检查，往往导致响应延迟。随着传感技术的进步，传感器可以连续测量应变、位移和加速度等关键指标，从而基于阈值评估结构安全。然而，在洪水条件下，桥梁响应表现出明显的非线性和时变特性。因此，仅基于固定阈值或单一指标的方法不足以捕捉结构行为的动态演化，导致异常检测准确性降低，误报和漏检风险增加 [5,6]。

近年来，结构健康监测 (SHM) 系统的持续运行导致了大量长期时间序列结构响应数据的积累，为数据驱动建模提供了坚实基础 [7,8]。与传统基于阈值的方法相比，数据驱动机器学习 (ML) 方法可以从多源监测数据中提取内在模式，并建立外部荷载与结构响应之间的非线性关系 [[9], [10], [11], [12]]。在此背景下，深度学习 (DL) 模型展现了显著优势，特别是卷积神经网络 (CNN)、循环神经网络 (RNN) 及其变体 [13,14]。其中，长短期记忆 (LSTM) 网络在时间序列建模中表现优异。LSTM 网络特别适合捕捉结构响应序列中的长期时间依赖关系 [[15], [16], [17], [18]]。因此，由于其能够在复杂环境激励下捕捉时间演化能力，LSTM 已被广泛应用于桥梁响应预测和异常检测 [19,20]。尽管具有强大的特征表示能力和高预测精度，但 DL 模型仍面临明显局限 [21,22]。大多数现有方法严重依赖大量标记数据进行训练。然而，在实际工程场景中，结构损伤或失效事件通常罕见但后果严重。在洪水等极端条件下，实测损伤样本稀缺，可用数据对多样化运行条件的覆盖不足，从而限制了模型泛化能力 [[23], [24], [25]]。因此，数据稀缺已成为制约现有模型在复杂环境中泛化能力和实际可靠性的关键瓶颈，突显了迫切需要更鲁棒的桥梁结构安全预警学习框架。

为了解决实际桥梁监测数据中极端条件和损伤样本严重稀缺的问题，具有强物理可解释性和可控参数的有限元 (FE) 模型已成为结构健康监测中重要的补充数据来源 [[26], [27], [28], [29], [30]]。通过调整水动力条件、外部荷载和结构参数，FE 模型可以生成多样化场景下的结构响应，从而扩展深度学习模型的训练数据覆盖范围 [[31], [32], [33], [34]]。然而，仅依靠 FE 模拟不足以满足数据驱动模型的数据需求。在洪水条件下，桥梁结构与流体之间的相互作用高度非线性，高保真模拟涉及巨大的计算成本和漫长的建模周期，限制了极端场景的高效覆盖。为了克服这些局限，引入了生成模型进行数据增强，其中生成对抗网络 (GAN) 已被广泛应用于重建结构动力响应 [[35], [36], [37]]。然而，现有的基于 GAN 的方法主要关注学习数据分布，仍面临训练不稳定、模式坍塌和物理一致性不足等问题 [[38], [39], [40]]。因此，迫切需要开发一种在真实样本有限的情况下既能保证训练稳定性又能保证分布保真度的生成建模框架。此外，系统研究生成数据对多指标桥梁安全预警模型稳定性和泛化性能的影响至关重要 [3,35,41]。然而，监督模型仍依赖于标记数据，而传统半监督模型可能对合成样本的质量和比例敏感。因此，集成半监督预测与自监督重建有望提高时间特征鲁棒性，并减少有限数据和分布偏移引起的性能退化。

本研究提出了一种混合半自监督学习模型 (Hybrid-SSL)，以解决洪水条件下桥梁安全预警中样本有限和高度不确定性的挑战。本研究并非仅关注预测准确性，而是旨在通过考察三个关键问题来提高预警等级评估的一致性和可靠性：有限元生成的洪水响应数据是否能弥补极端事件样本的稀缺；VAE-GAN 生成数据的比例如何影响模型性能，以及过度增强是否引入分布偏移；以及 Hybrid-SSL 应用于现场监测数据时是否能提高预警等级一致性。

为了研究这些问题，整体方法组织为三个组成部分：数据构建、模型开发和工程验证。在数据构建阶段，开发有限元模型生成 240 个代表性洪水场景下的结构响应，并使用基于 VAE-GAN 的策略按 0% 至 200% 的比例增强数据集。在模型开发阶段，Hybrid-SSL 模型结合了基于 LSTM 的时间网络和自监督重建机制，以提高有限数据条件下的特征表示和鲁棒性。在工程验证阶段，使用一座在用桥梁的现场监测数据来评估预测与实际预警等级之间的一致性。因此，提出的框架提供了一套系统方法，用于考察物理基础数据生成、合成数据增强和半自监督学习在洪水诱导桥梁安全预警中的作用。整体框架如图 1 所示。

章节片段

模型参数

本研究以预应力混凝土简支箱梁桥为案例研究对象。使用 ANSYS 建立了三维有限元 (FE) 模型，并选择跨中进行分析。桥梁跨度为 30 米，桥面宽度为 8 米。结构体系由主梁、桥面铺装层、支座、桥墩和基础组成。材料参数列于表 S1。简支箱梁桥的结构尺寸

案例研究：现场监测数据

选择一座河流穿越桥梁作为案例研究，以评估所提框架在现场监测条件下的性能和工程应用潜力。桥梁总长 578.4 米，桥面宽度 12 米，主体结构由预应力混凝土连续梁组成。在 9 号和 12 号桥墩之间的节段安装了监测设备。考虑到季节性洪水影响，监测数据收集于雨季期间的三次洪水事件中

基于模拟数据的验证与预测

• (1)
  R2 与误差分析

如图 9 和图 10 所示，随着 GAN 增强比例的增加，两个模型均表现出先改善后性能退化的趋势。总体而言，Hybrid-SSL 获得了更高的 R2 值 (0.98 vs. 0.95) 和更低的预测误差，表明具有卓越的准确性。它还显示出较小的离散度，特别是在中等增强水平下，反映了改进的稳定性。这些结果表明 Hybrid-SSL 优于 SSL，得益于增强的特征

结论

本研究提出了一种针对洪水条件下桥梁结构安全预警的混合半自监督框架，通过集成数值模拟和数据增强来解决数据稀缺问题。所提出的 Hybrid-SSL 模型与 SSL 相比实现了更高的预测精度和改进的稳定性。其性能进一步使用一座在用桥梁的现场监测数据进行了评估，特别关注预警等级一致性。主要结论

CRediT 作者贡献声明

Qian Liu：初稿撰写，验证，方法论，形式化分析，构思。Caizheng Zhao：软件，形式化分析。Kainan Xu：验证，形式化分析。Yong Wen：审阅与编辑，资源，研究，构思。Jianzhong Pei：资源，资金获取。

利益冲突声明

作者声明他们没有任何已知的竞争经济利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了陕西省自然科学基础研究计划重点实验室项目（2025SYS-SYSZD-113）的支持。作者对其提供的资金支持表示诚挚感谢。

补充材料

模型构建、框架设计和扩展结果的详细信息提供在支持信息中 (Text S1–S7, Tables S1–S5, Figs. S1–S9)。

Qian Liu|Caizheng Zhao|Kainan Xu|Yong Wen|Jianzhong Pei