数据驱动的有限数据条件下既有钢筋混凝土桥梁组合地震易损性与风险评估

《Engineering Applications of Artificial Intelligence》：Data-driven seismic fragility and risk evaluation of existing reinforced-concrete bridge portfolios under limited data

　　

对既有交通基础设施网络的初步筛查对于支持及时的维护和加固决策、提高结构韧性，以及减少严重损坏、失效和资源分配不当所带来的经济和环境影响至关重要。本研究探索了一种基于机器学习的方法路径，用于在有限数据条件下，依据意大利既有桥梁指南，对类型学同质的钢筋混凝土梁式桥组合进行定量且简化的地震风险筛查。易损性标签通过一个简化的云分析基准流程得出，该流程针对75座简支钢筋混凝土格构梁桥，获得了对数正态易损性参数：中位强度度量μ、对数离散度β以及极限位移能力d_u。研究人员训练有监督回归模型，将常规可获取的桥梁清单描述符（包括几何和力学代理变量）映射至(μ, β, d_u)。在所测试的模型中，高斯过程回归（Gaussian Process Regression, GPR）在小样本情况下提供了准确性与稳定性的最佳平衡，所有目标变量的交叉验证R2均接近0.9。所选代理模型被应用于另外10座桥梁配置，以评估其对新案例的预测能力。最后，将推断得到的易损性与场地相关地震危险性相结合，计算年超越频率λ，并用于对西西里岛A19高速公路网中的25座桥梁进行排序。结果表明，与云分析基准相比，该优先排序结果高度一致，同时所需的计算成本大幅降低。与基于指南的定性关注等级相比，λ在透明、可扩展的优先排序中提供了有用的类内区分度。研究的局限性包括：训练流形之外的精度下降、仅针对特定类型学进行验证，以及缺乏显式的状况和缺陷特征。

**数据驱动的有限数据条件下既有钢筋混凝土桥梁组合地震易损性与风险评估——论文解读**

**1. 研究背景与问题**

近年来，交通基础设施网络的初步筛查日益受到重视，这不仅关乎以安全为导向的资产管理，也与提升韧性、减少严重损伤、应急干预、交通中断及潜在结构失效带来的经济和环境影响密切相关。意大利在2018年热那亚莫兰迪桥坍塌事故后，对既有桥梁安全进行了深刻反思，并颁布了国家指南（DM204/2022），将桥梁评估划分为从定性筛查到精细化模型验证的渐进式调查级别。在入门级别，视觉检查和文件审查用于分配定性的“关注等级”以确定资产优先级；而最高级别则要求精细化有限元建模和符合规范的验算，涉及大量数据、专业知识和计算成本。介于两者之间，指南设想了一个中间层级的定量但简化的评估方法，旨在提供规模化的初步量级风险估计，支持大型组合内的客观排序。然而，该中间层级针对组合级地震筛查的操作性指导仍然有限，特别是在意大利这样一个地震危险性差异大、大量桥梁按前现代抗震标准设计的国家，这一空白尤为突出。与此同时，机器学习（Machine Learning, ML）在地震工程风险评估中已逐渐成熟，但存在数据稀缺、分布偏移和可解释性等担忧。因此，开发一种能直接从少量常规清单级几何描述符估计既有桥梁易损性曲线参数、并适用于小样本学习和组合分诊的实用方法，具有重要的工程价值。

**2. 研究目的与主要内容**

本研究提出并评估了一个机器学习框架，用于从一组易于获取的几何描述符出发，估计类型学同质的钢筋混凝土格构简支梁桥的对数正态易损性参数。该策略被构想为符合指南的中间层级程序，用于定量却简化的地震筛查和组合级优先排序（DM204/2022）。目标输出为中位强度度量μ、对数离散度β和定义所选损伤阈值的极限位移能力d_u。为此，研究人员首先建立了一个包含75座桥梁的数据库，通过基于推覆分析的等效单自由度（SDOF）理想化和云分析（Cloud Analysis）生成参考易损性标签；然后训练多种有监督回归模型，将这些桥梁的几何和力学描述符映射至(μ, β, d_u)；随后将所选代理模型应用于额外的桥梁配置，验证其泛化能力；最后，将预测的易损性函数与场地相关地震危险性相结合，计算年超越频率λ，用于桥梁组合的优先排序。研究还对比了ML排序与云分析基准以及意大利指南定性关注等级之间的一致性。

**3. 主要关键技术与方法**

本研究采用的主要关键技术包括：(1) 基于等效SDOF理想化和N2方法的推覆分析，结合云分析程序，对每座桥梁在150条记录或谱兼容加速度时程下进行需求-能力比较，从而得到对数正态易损性参数；(2) 采用五种监督回归模型——线性回归（LR）、决策树（DT）、随机森林（RF）、支持向量回归（SVR）和高斯过程回归（GPR）——来学习从输入描述符到目标参数的非线性映射；(3) 使用5折交叉验证和袋外预测评估模型性能，采用决定系数R2和均方根误差RMSE作为指标；(4) 将所选GPR代理模型与场地地震危险性曲线耦合，利用Jalayer等人提出的简化闭式解计算年超越频率λ，进而进行风险排序。样本队列来源为意大利A19卡塔尼亚-巴勒莫高速公路网中的既有桥梁数据，以及额外的10座桥梁配置用于泛化测试。

**4. 研究结果**

**4.1 机器学习方法性能比较**

通过奇偶图（预测值对真实值）和RMSE箱线图对五种回归器进行了比较。结果显示，在所有三个目标参数（μ、β、d_u）上，GPR均表现出最佳性能：对于μ，R2≈0.86，RMSE≈0.1108；对于β，R2≈0.92，RMSE≈0.031；对于d_u，R2≈0.89，RMSE≈0.0882。SVR consistently排名第二，但误差分散度更大。决策树和随机森林性能中等，线性回归则欠拟合。总体排序为GPR > SVR > (RF, DT) > LR，表明GPR在小样本条件下提供了最佳的偏差-方差权衡。计算效率方面，生成75座桥的参考易损性结果约需30分钟，GPR训练和交叉验证约需30秒，而单座新桥的推断仅需约2毫秒。

**4.2 GPR模型与云分析方法对比**

为验证泛化能力，研究人员选取了10座独立于训练集的新桥梁配置，其中5座输入接近训练集均值，另5座刻意落在输入分布尾部。对于近均值组，ML易损性曲线与云分析参考曲线在整个强度区间内高度吻合，平均MAE=0.048，RMSE=0.058，最大点偏差=0.090，曲线间面积=0.047。对于尾部组，误差有所增加，平均MAE=0.088，RMSE=0.109，最大偏差=0.183，面积=0.087，相对增幅约82%-104%，但绝对误差仍处于可接受范围，且偏差并非系统性，表明主要是分布偏移而非持续偏倚。研究建议通过距离训练质心的评分自动标记尾部输入并转至云分析，或通过增加尾部样本来减少协变量偏移。

**4.3 与意大利指南的定量与定性风险分析比较**

将ML推断的易损性与场地危险性耦合，计算了A19高速公路25座桥梁的年超越频率λ。与云分析相比，80%的桥梁相对误差绝对值小于5%，仅少数桥梁处于10%-20%区间，表明ML在风险层面的精度足以支持初步筛查。在风险排序方面，ML排序与云分析排序的Spearman秩相关系数ρ=0.982，Kendallτ=0.920，平均位置差异仅0.80位。与定性关注等级对比发现，由于大量桥梁集中在“中高”或“高”等级，定性分类无法提供类内区分，而λ则能提供有效的类内粒度排序，帮助业主在相同定性等级内按风险顺序安排详细检查。同时，定性等级受缺陷状况影响显著，而当前ML方法未编码缺陷特征，因此两者应视为互补指标而非矛盾。

**5. 讨论与结论**

讨论部分指出，GPR模型在有限数据、中等非线性和部分共线预测器的小样本场景下优势明显，其提供的预测方差还可用于未来传播至风险指标。研究也指出了局限性：模型精度在训练流形之外会下降；当前仅针对特定桥梁类型学验证；缺乏显式的状况和缺陷特征。结论部分强调：(1) GPR是适合桥梁清单小规模结构化数据的最优回归器，提供准确稳定的易损性预测和不确定性信息；(2) 基于GPR的简化定量方法可实现组合级规模的可扩展性，且与云分析在λ和风险排序上高度吻合，满足筛查级可靠性要求；(3) 与指南定性等级结合使用时，该方法能提供透明、可操作的优先排序，特别是在宽泛的定性带内。未来工作将集中于将缺陷/状况信息（如通过强度折减系数或缺陷指数）纳入代理模型，传播预测不确定性至λ及排序，并探索主动学习和迁移学习以增强稳健性和可扩展性。