中交路橋科技是從事工程檢測監(jiān)測、城市安全監(jiān)測預警與評價、數(shù)字智能化研發(fā)為一體的復合型高新技術(shù)集團企業(yè)。
橋梁健康監(jiān)測系統(tǒng)中的損傷識別過程，是基于對橋梁結(jié)構(gòu)在靜態(tài)和動態(tài)條件下的實際響應數(shù)據(jù)（去除外部環(huán)境噪聲干擾）進行分析，從而實現(xiàn)對橋梁損傷的檢測、定位以及程度評估，并預測結(jié)構(gòu)的整體性能。根據(jù)所采用數(shù)學算法的特點，可以將橋梁損傷監(jiān)測技術(shù)分為兩大類：一類是依賴于模型修正的方法；另一類則是不依賴于特定模型而直接利用監(jiān)測數(shù)據(jù)驅(qū)動的技術(shù)。前者通過對比理論模型參數(shù)與實測值來監(jiān)控橋梁狀態(tài)；后者則無需構(gòu)建詳細的物理模型，直接從實時采集的數(shù)據(jù)中提取信息以評估橋梁狀況。通常情況下，基于模型的方法需要較高的專業(yè)知識背景，并且涉及到較為復雜的計算過程。
一、依靠模型的方法探討
對于基于模型修正的損傷識別策略而言，其核心在于通過比較橋梁的數(shù)值模擬結(jié)果（一般使用有限元方法建立）與安裝于真實結(jié)構(gòu)上的傳感器所記錄的實際數(shù)據(jù)，進而識別出結(jié)構(gòu)的變化情況。依據(jù)修正方式的不同，這種方法又可細分為局部修正法和全局修正法兩種。局部修正主要針對模型中特定區(qū)域內(nèi)的物理特性進行調(diào)整；而全局修正則涉及整個系統(tǒng)的質(zhì)量矩陣、剛度矩陣等關(guān)鍵屬性的重構(gòu)。研究顯示，在應用有限元模型修正技術(shù)進行橋梁損傷識別時存在幾個值得關(guān)注的問題：
（1）首先，為了保證模型與實際情況的一致性，往往需要借助實驗室測試所得數(shù)據(jù)來進行校正。然而，這種做法可能未能充分考慮實際運行條件下外界因素變化給測量結(jié)果帶來的影響，因此還需進一步探究修正后的模型在面對不同環(huán)境條件時是否會出現(xiàn)誤報。
（2）其次，盡管可以通過實驗數(shù)據(jù)校準模型，但在大多數(shù)情況下，此類操作傾向于應用于新建橋梁的初期監(jiān)測階段，并且監(jiān)測周期相對較短。理論上講，經(jīng)過校正后的模型應該具備一定的預警能力，但實際上目前尚缺乏長期追蹤并準確反映損傷演化的實例。
（3）此外，現(xiàn)有研究多側(cè)重于靜態(tài)測試指標作為參考基準，但這些指標往往只有在結(jié)構(gòu)明顯受損時才會表現(xiàn)出顯著變化。因此，選擇那些能夠更早地反映出潛在問題的敏感性力學參數(shù)用于模型修正顯得尤為重要。
此外，在執(zhí)行模型修正的過程中，如何合理選定待調(diào)整的參數(shù)種類及其數(shù)量也是一個極具挑戰(zhàn)性的任務。這不僅要求找到最合適的變量組合，確保計算結(jié)果迅速收斂，同時也需滿足精確度的要求。
二、機器學習擔當“核心角色”
監(jiān)測數(shù)據(jù)所驅(qū)動的一系列算法，其核心均建立在機器學習的框架之上。自20世紀80年代以來，人工神經(jīng)網(wǎng)絡（ANNs）作為人工智能領(lǐng)域的一項熱門研究，已經(jīng)發(fā)展成為當代最具影響力的機器學習算法之一，并且構(gòu)成了當前各種神經(jīng)網(wǎng)絡架構(gòu)的基石。ANNs的迅猛進步，促使基于監(jiān)測數(shù)據(jù)的損傷識別技術(shù)得以迅速迭代。這類方法僅需依據(jù)橋梁力學行為的微小變化，即可評估結(jié)構(gòu)的安全狀況，無需構(gòu)建繁瑣的橋梁有限元模型。它們與健康監(jiān)測系統(tǒng)的結(jié)合，為橋梁管理人員帶來了直觀、迅速的結(jié)構(gòu)實時狀態(tài)評估結(jié)果。近年來，除了傳統(tǒng)的ANNs，卡爾曼濾波、蜂群算法、貝葉斯方法、大數(shù)據(jù)技術(shù)以及人工智能等多種先進算法也被引入到了結(jié)構(gòu)損傷識別的領(lǐng)域。
在神經(jīng)網(wǎng)絡及其改進算法中，模型架構(gòu)的選擇至關(guān)重要。根據(jù)樣本訓練策略的差異，橋梁健康監(jiān)測領(lǐng)域常用的神經(jīng)網(wǎng)絡可以進一步細分為前饋神經(jīng)網(wǎng)絡（FFNN）、反向傳播神經(jīng)網(wǎng)絡（BPNN）以及概率神經(jīng)網(wǎng)絡（PNN）。在此基礎之上，根據(jù)其各自的特點，又衍生出了諸如長短期記憶網(wǎng)絡（LSTM）、回聲狀態(tài)網(wǎng)絡（ESN）以及殘差網(wǎng)絡（ResNet）等改進模型。神經(jīng)網(wǎng)絡及其改進方法具有強大的函數(shù)逼近能力，但它們與橋梁模型沒有直接的聯(lián)系，因此所構(gòu)建的屬性模型被視為黑箱模型，無法準確反映橋梁的物理構(gòu)造?；谏窠?jīng)網(wǎng)絡的損傷監(jiān)測技術(shù)，完全依賴于從橋梁結(jié)構(gòu)上獲取的數(shù)據(jù)，無需具備構(gòu)建橋梁有限元模型的專業(yè)知識。然而，由于缺乏選擇神經(jīng)網(wǎng)絡最優(yōu)架構(gòu)的統(tǒng)一標準，工程師在實際項目中需要根據(jù)具體情況選擇適合的神經(jīng)網(wǎng)絡，并確定最佳的訓練數(shù)據(jù)算法，以確保訓練過程的快速收斂。
目前，各種損傷識別算法均能有效識別橋梁結(jié)構(gòu)上的損傷存在，并大致確定損傷的位置。然而，實踐證明，大多數(shù)算法在判斷損傷類型、損傷程度、預測橋梁剩余壽命以及未來力學行為等方面的準確性仍有待提升，且其推斷或預測的可靠性也缺乏充分的直接證據(jù)。針對這一問題，我們需要在識別出結(jié)構(gòu)損傷位置的基礎上，增加對結(jié)構(gòu)外觀損傷和內(nèi)部缺陷的無損檢測內(nèi)容，以更準確地確定損傷的類型和程度，從而為后續(xù)的管理策略制定提供有力支持。
中交路橋科技結(jié)合多年行業(yè)先進經(jīng)驗，融合數(shù)字經(jīng)濟和國家安全體系發(fā)展需求，構(gòu)建“智能監(jiān)測、科技領(lǐng)先、智慧城市、數(shù)字賦能”的品牌戰(zhàn)略，形成了工程檢測、城市安全監(jiān)測、數(shù)字化研發(fā)運維三大業(yè)務板塊。公司技術(shù)實力雄厚，當前擁有一支高素質(zhì)工程醫(yī)生團隊，囊括了鐵道工程、城市道路與公路、橋梁工程、隧道工程、建筑工程、水利工程、工程物探、安全技術(shù)、電力、信號、集成電路、智能科學等專業(yè)。公司試驗、檢測、監(jiān)測儀器設備齊全，用于試驗檢測、測繪的儀器設備共計千余套，為試驗檢測、監(jiān)測數(shù)據(jù)的科學、準確提供了硬件保證。
