基于機器學(xué)習(xí)的橋梁檢測技術(shù)狀況評定方法

陳能偉

摘要 目前研究的橋梁檢測技術(shù)狀況評定方法難以精準地完成損傷檢測，評定準確率較低。為了解決上述問題，基于機器學(xué)習(xí)研究了一種新的橋梁檢測技術(shù)狀況評定方法。構(gòu)建監(jiān)測模型，利用傳感器數(shù)據(jù)和圖像數(shù)據(jù)檢測數(shù)據(jù)集，處理缺失值、異常值和重復(fù)項，選擇適當(dāng)?shù)臋C器學(xué)習(xí)模型進行監(jiān)督學(xué)習(xí)的訓(xùn)練，對橋梁健康進行評估，識別橋梁結(jié)構(gòu)中的損傷并定位，應(yīng)用模型進行結(jié)構(gòu)強度預(yù)測。通過閾值警報系統(tǒng)和實時決策支持系統(tǒng)，實現(xiàn)對橋梁健康狀況的及時監(jiān)測和反饋。實驗結(jié)果表明，基于機器學(xué)習(xí)的橋梁檢測技術(shù)狀況評定方法在損傷檢測、提高響應(yīng)能力和實時監(jiān)測方面具有良好效果，適用于實際工程中。

關(guān)鍵詞 機器學(xué)習(xí)；橋梁檢測；檢測技術(shù)；狀況評定

中圖分類號 U448.217文獻標識碼 A文章編號 2096-8949（2024）10-0111-03

0 引言

近年來，城市化進程不斷推進，橋梁作為城市基礎(chǔ)設(shè)施的重要組成部分，承擔(dān)著連接道路、保障交通運輸和促進經(jīng)濟發(fā)展的重要使命。然而，隨著時間的推移和自然力的作用，橋梁的結(jié)構(gòu)會受到各種因素的影響，從而導(dǎo)致其性能逐漸下降，甚至出現(xiàn)潛在的安全隱患。因此，橋梁的定期檢測和狀況評定成為確保其安全可靠運行的重要環(huán)節(jié)。傳統(tǒng)的橋梁檢測方法過于依賴于人工巡檢和傳感器監(jiān)測，存在著效率低、成本高、主觀性強等問題[1]。機器學(xué)習(xí)技術(shù)為橋梁管理和維護提供了全新的視角，利用大量的結(jié)構(gòu)數(shù)據(jù)和監(jiān)測信息，學(xué)習(xí)橋梁的狀況特征，實現(xiàn)對橋梁結(jié)構(gòu)健康狀況的準確判定。機器學(xué)習(xí)技術(shù)的引入不僅為橋梁管理者提供了更為智能和高效的工具，同時也為確保橋梁結(jié)構(gòu)安全運行提供了新的可能性。該文旨在探討基于機器學(xué)習(xí)的橋梁檢測技術(shù)狀況評定方法，并通過實驗驗證評定方法的實際應(yīng)用效果。

1 基于機器學(xué)習(xí)的橋梁檢測模型構(gòu)建

1.1 橋梁數(shù)據(jù)收集

數(shù)據(jù)的質(zhì)量和多樣性直接影響模型的性能和泛化能力，因此橋梁數(shù)據(jù)收集是基于機器學(xué)習(xí)的橋梁檢測模型構(gòu)建的關(guān)鍵步驟，需要確定收集的橋梁數(shù)據(jù)類型，包括結(jié)構(gòu)設(shè)計參數(shù)、監(jiān)測傳感器數(shù)據(jù)、維護歷史記錄等，不同類型的數(shù)據(jù)可以為模型提供全面的信息，幫助模型更好地理解橋梁的狀況。

在橋梁結(jié)構(gòu)上部署加速度計、應(yīng)變計、溫度傳感器等傳感器網(wǎng)絡(luò)，捕獲橋梁在不同環(huán)境和負載條件下的響應(yīng)，實時監(jiān)測結(jié)構(gòu)的物理狀態(tài)。利用無人機和衛(wèi)星圖像獲取橋梁的視覺信息，例如橋梁的外觀、表面裂縫、沉降等方面的圖像，有助于提供全局的視覺信息。收集橋梁的設(shè)計和建造階段的數(shù)據(jù)，了解橋梁的初始結(jié)構(gòu)和可能存在的設(shè)計缺陷，檢測所在地區(qū)的氣象和環(huán)境數(shù)據(jù)，根據(jù)溫度、濕度、風(fēng)速等參數(shù)分析橋梁受到的外部環(huán)境影響。根據(jù)維護活動、修復(fù)材料、工程成本等信息得到橋梁的維護和修復(fù)歷史記錄，為模型提供橋梁結(jié)構(gòu)演變的歷史視角。對收集的數(shù)據(jù)進行標注，明確每個數(shù)據(jù)點的含義，清理數(shù)據(jù)信息，處理缺失值、異常值和不一致性，確保數(shù)據(jù)質(zhì)量。橋梁數(shù)據(jù)的充分收集為后續(xù)的機器學(xué)習(xí)模型訓(xùn)練和評估提供了堅實基礎(chǔ)，使模型能夠更好地理解橋梁結(jié)構(gòu)的復(fù)雜性和演變過程。在數(shù)據(jù)收集過程中，需要遵循隱私和安全標準，特別是在涉及監(jiān)測傳感器和圖像數(shù)據(jù)時，需要采取措施保護敏感信息和防范潛在的安全風(fēng)險[2]。

1.2 橋梁數(shù)據(jù)預(yù)處理

檢查數(shù)據(jù)集是否存在缺失值，并采取適當(dāng)?shù)牟呗赃M行處理，比如刪除缺失值、使用均值或中位數(shù)填充，以確保數(shù)據(jù)的完整性。由于傳感器故障、錯誤測量或其他異常原因會出現(xiàn)異常值，因此需要識別異常值，通過截尾、替換或刪除等方式處理異常值，防止它們對模型產(chǎn)生影響。該文選用Z-score標準化和MinMax標準化方法對不同特征的數(shù)值范圍進行標準化處理，以便模型能夠更好地學(xué)習(xí)特征之間的關(guān)系。提取關(guān)鍵特征，降低模型的復(fù)雜性并提高性能，對數(shù)據(jù)進行分類，分析確保正負樣本的平衡關(guān)系，采用過采樣、欠采樣或合成少數(shù)類別過程等方法處理不平衡數(shù)據(jù)，避免模型對某一類別過度偏向。如果橋梁數(shù)據(jù)包含時間序列信息，需要考慮時間的影響，通過時間窗口劃分、滑動平均或其他時間序列分析技術(shù)，捕捉數(shù)據(jù)隨時間的演變趨勢[3]。將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，評估模型的泛化能力，并在訓(xùn)練過程中對模型進行調(diào)優(yōu)。利用編碼或獨熱編碼操作處理類別特征，幫助模型理解非數(shù)值型特征。將數(shù)據(jù)轉(zhuǎn)換為適合模型輸入的格式，以便神經(jīng)網(wǎng)絡(luò)等模型進行訓(xùn)練。

1.3 橋梁數(shù)據(jù)集訓(xùn)練

將預(yù)處理后的橋梁數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，確保模型在訓(xùn)練過程中有足夠的數(shù)據(jù)進行學(xué)習(xí)，同時能夠在驗證集和測試集上進行評估。根據(jù)問題的性質(zhì)和數(shù)據(jù)集的特點，選擇適當(dāng)?shù)臋C器學(xué)習(xí)模型；根據(jù)層數(shù)、節(jié)點數(shù)、激活函數(shù)等配置模型的架構(gòu)，以及橋梁檢測任務(wù)匹配結(jié)果，選擇適當(dāng)?shù)膿p失函數(shù)；通過梯度下降、Adam等方法，調(diào)整學(xué)習(xí)率等超參數(shù)，以便模型在訓(xùn)練中更好地收斂，使用訓(xùn)練集對模型進行訓(xùn)練；在訓(xùn)練過程中監(jiān)控驗證集的性能，防止過擬合，采用早停策略，即在驗證集性能不再提升時停止訓(xùn)練，避免過度擬合。根據(jù)驗證集的性能調(diào)整模型的超參數(shù)，提高模型的泛化能力。使用測試集評估最終模型的性能，根據(jù)實際應(yīng)用和反饋，對模型進行持續(xù)改進。可以考慮定期更新模型，以適應(yīng)新的數(shù)據(jù)和問題變化[4]。

2 基于模型的橋梁結(jié)構(gòu)健康評估

在基于機器學(xué)習(xí)進行橋梁檢測技術(shù)狀況評定過程中，需要根據(jù)業(yè)務(wù)需求、目標變量以及可用的數(shù)據(jù)明確目標。利用數(shù)據(jù)庫、文件、傳感器等收集與問題相關(guān)的數(shù)據(jù)，確保數(shù)據(jù)的質(zhì)量和完整性。對數(shù)據(jù)進行清理，處理缺失值、異常值和重復(fù)項，進行特征工程，選擇和構(gòu)建適當(dāng)?shù)奶卣?，將?shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集。選擇適當(dāng)?shù)臋C器學(xué)習(xí)模型，根據(jù)問題的性質(zhì)和數(shù)據(jù)的特征來選擇合適的算法。使用訓(xùn)練集訓(xùn)練選擇的模型，調(diào)整模型的參數(shù)以獲得最佳性能。通過驗證集評估模型的性能，度量模型的準確性、精確度、召回率等指標，根據(jù)問題的性質(zhì)選擇適當(dāng)?shù)脑u估指標。根據(jù)評估結(jié)果對模型進行調(diào)優(yōu)，調(diào)整模型的參數(shù)，嘗試不同的特征工程方法或者嘗試其他模型。使用測試集對最終模型進行驗證，確保模型在新數(shù)據(jù)上具備良好的泛化能力。將訓(xùn)練好的模型部署到生產(chǎn)環(huán)境中，將模型集成到現(xiàn)有系統(tǒng)中，并確保模型的性能和穩(wěn)定性。在生產(chǎn)環(huán)境中監(jiān)控模型的性能，定期評估模型的表現(xiàn)，并根據(jù)需要進行更新或調(diào)整。通過評定，可以避免在不必要的模型調(diào)優(yōu)或錯誤的方向上浪費資源，管理潛在的風(fēng)險，包括數(shù)據(jù)質(zhì)量問題、模型性能不佳、部署問題等，及早發(fā)現(xiàn)和解決這些問題可以降低項目失敗的風(fēng)險。通過分析模型的性能和效果的信息，幫助決策制定者和業(yè)務(wù)團隊作出明智決策。

2.1 損傷檢測與定位

部署加速度計、應(yīng)變計、振動等傳感器，監(jiān)測橋梁結(jié)構(gòu)的物理響應(yīng)，將實時采集的數(shù)據(jù)用于后續(xù)的分析。使用結(jié)構(gòu)動力學(xué)理論或有限元分析等方法建立橋梁的數(shù)學(xué)模型，通過數(shù)學(xué)模型描述橋梁的結(jié)構(gòu)特性和動力學(xué)響應(yīng)結(jié)果。從傳感器數(shù)據(jù)中提取與結(jié)構(gòu)損傷相關(guān)的特征，如頻率響應(yīng)、模態(tài)參數(shù)、振動模式等，捕捉與結(jié)構(gòu)損傷有關(guān)的信息?；谔崛〉奶卣鳎p傷指標或特征向量，用于表示結(jié)構(gòu)的健康狀態(tài)，反映結(jié)構(gòu)損傷的程度，建立的指標既可以是單一指標，也可以是多指標組合。利用帶有損傷標簽的數(shù)據(jù)集，使用監(jiān)督學(xué)習(xí)算法訓(xùn)練模型，通過訓(xùn)練使模型能夠準確地將特征與結(jié)構(gòu)健康狀態(tài)關(guān)聯(lián)。使用驗證集對訓(xùn)練的模型進行驗證，調(diào)整模型參數(shù)以提高性能，通過與未知結(jié)構(gòu)狀態(tài)的實際數(shù)據(jù)進行比對，確保模型對不同類型的結(jié)構(gòu)損傷都有良好的泛化能力。在檢測到結(jié)構(gòu)損傷的情況下，使用成像技術(shù)或結(jié)合有限元分析定位損傷的具體部位。部署該模型進行實時監(jiān)測，使其能夠在結(jié)構(gòu)狀態(tài)發(fā)生變化時及時檢測發(fā)現(xiàn)并提供決策支持，預(yù)防潛在的結(jié)構(gòu)問題，提高橋梁的安全性和可靠性。為了提高模型的可解釋性，該文引入可解釋性技術(shù)（如LIME或SHAP）進行模型決策的解釋，同時利用可視化工具更直觀地顯示結(jié)構(gòu)的健康狀況。隨著時間的推移，不斷更新模型以適應(yīng)新的數(shù)據(jù)和環(huán)境變化[5]。

2.2 結(jié)構(gòu)強度預(yù)測

通過對橋梁或其他結(jié)構(gòu)組件的強度進行定量估計，評估其在不同條件下的耐久性和承載能力。在考慮結(jié)構(gòu)的幾何形狀、材料性質(zhì)、荷載條件等因素后，使用結(jié)構(gòu)力學(xué)理論或有限元分析方法，建立橋梁或其他結(jié)構(gòu)組件的數(shù)學(xué)模型，準確地反映結(jié)構(gòu)的行為。確定結(jié)構(gòu)的邊界條件和受到的靜態(tài)荷載、動態(tài)荷載、溫度荷載等信息，因為荷載信息影響結(jié)構(gòu)的應(yīng)力和變形，對結(jié)構(gòu)強度的預(yù)測至關(guān)重要。根據(jù)彈性模量、泊松比、強度等參數(shù)，分析材料的化學(xué)性質(zhì)。收集結(jié)構(gòu)在實際使用中的加載歷史數(shù)據(jù)，確定不同時間點的荷載情況、溫度變化、結(jié)構(gòu)位移等信息，用于訓(xùn)練模型。從加載歷史數(shù)據(jù)中提取與結(jié)構(gòu)強度相關(guān)的特征，通過最大應(yīng)力、應(yīng)變分布、振動模態(tài)等具有代表性的特征，降低模型的復(fù)雜性。選擇適當(dāng)?shù)臋C器學(xué)習(xí)或深度學(xué)習(xí)模型，如回歸模型、支持向量機、神經(jīng)網(wǎng)絡(luò)等進行數(shù)據(jù)訓(xùn)練，使用提取的特征和歷史數(shù)據(jù)，對模型進行訓(xùn)練以預(yù)測學(xué)習(xí)結(jié)構(gòu)強度。利用驗證集對訓(xùn)練的模型進行驗證，調(diào)整模型參數(shù)以提高其性能，確保模型在未見過的數(shù)據(jù)上有較好的泛化能力。使用訓(xùn)練好的模型進行結(jié)構(gòu)強度的預(yù)測，輸入新的加載條件和結(jié)構(gòu)參數(shù)，部署該模型進行實時監(jiān)測，使其能夠在結(jié)構(gòu)強度發(fā)生變化時及時檢測發(fā)現(xiàn)并提供預(yù)警，從而預(yù)防潛在的結(jié)構(gòu)問題，以提高結(jié)構(gòu)安全性。

2.3 實時監(jiān)測結(jié)果反饋

通過傳感器網(wǎng)絡(luò)實時監(jiān)測結(jié)構(gòu)的物理響應(yīng)，建立可靠的數(shù)據(jù)傳輸系統(tǒng)和數(shù)據(jù)存儲系統(tǒng)，確保傳感器數(shù)據(jù)能夠及時傳送到中央數(shù)據(jù)庫或云平臺，并對歷史數(shù)據(jù)進行存檔和分析。利用實時監(jiān)測模型對實時數(shù)據(jù)進行分析，提取關(guān)鍵特征，并進行結(jié)構(gòu)健康狀態(tài)的預(yù)測，通過儀表板、圖表、圖像等形式可視化呈現(xiàn)模型的實時監(jiān)測結(jié)果，以便非專業(yè)人員也能夠了解結(jié)構(gòu)的健康狀況。設(shè)定合適的閾值或警戒線，當(dāng)監(jiān)測結(jié)果超過這些閾值時，觸發(fā)報警機制，通過電子郵件、短信、App通知等方式通知相關(guān)人員。結(jié)合實時監(jiān)測結(jié)果，建立自動化決策支持系統(tǒng)，提供結(jié)構(gòu)維護建議、緊急維修計劃等，以便在發(fā)現(xiàn)問題時能夠及時采取行動。設(shè)計友好的用戶界面，使監(jiān)測結(jié)果易于理解和使用，確保相關(guān)人員能夠迅速而準確地獲取有關(guān)結(jié)構(gòu)狀態(tài)的信息。定期生成結(jié)構(gòu)健康監(jiān)測報告，提供歷史趨勢和分析，以便更好地了解結(jié)構(gòu)的演變過程和性能。不斷評估監(jiān)測系統(tǒng)的性能，根據(jù)反饋信息和實際應(yīng)用情況，對監(jiān)測模型和系統(tǒng)進行持續(xù)改進，提高系統(tǒng)的準確性和可靠性。

3 實驗研究

為了評估橋梁檢測技術(shù)的性能，通過利用真實橋梁數(shù)據(jù)集進行訓(xùn)練和測試，以驗證其在結(jié)構(gòu)健康評估中的有效性，得到損傷檢測準確率、實時監(jiān)測響應(yīng)時間的實驗結(jié)果分別如圖1和圖2所示：

根據(jù)圖1可知，該文提出的方法可實現(xiàn)90%以上的損傷檢測準確率，具有很好的檢測效果。由圖2可知，該文提出的方法實時監(jiān)測響應(yīng)時間低于0.5 ms，能夠在短時間內(nèi)實現(xiàn)快速響應(yīng)。

綜上所述，機器學(xué)習(xí)模型能夠通過訓(xùn)練學(xué)習(xí)從傳感器數(shù)據(jù)中提取關(guān)鍵特征，如振動頻率、模態(tài)參數(shù)、應(yīng)變分布等，從而更全面、準確地捕捉結(jié)構(gòu)損傷的特征，使得損傷檢測的性能得到提升。機器學(xué)習(xí)模型可以部署在實時監(jiān)測系統(tǒng)中，能夠連續(xù)地對橋梁結(jié)構(gòu)進行監(jiān)測，實時監(jiān)測系統(tǒng)使得損傷可以在早期就被檢測到，從而提高了對橋梁結(jié)構(gòu)狀態(tài)變化的敏感性。此外，模型的自動化特性使得監(jiān)測系統(tǒng)能夠在發(fā)現(xiàn)損傷時自動進行通知或采取預(yù)定的行動。機器學(xué)習(xí)技術(shù)能夠有效地融合來自多種傳感器的數(shù)據(jù)，包括振動、應(yīng)變、溫度等，這樣的多模態(tài)數(shù)據(jù)融合能夠提供更全面全局的結(jié)構(gòu)健康信息，有助于更準確地檢測和定位損傷。

4 結(jié)束語

隨著科技的不斷進步和機器學(xué)習(xí)領(lǐng)域的快速發(fā)展，基于機器學(xué)習(xí)的橋梁檢測技術(shù)正逐漸成為橋梁工程領(lǐng)域的重要利器。通過對大量結(jié)構(gòu)數(shù)據(jù)的學(xué)習(xí)和分析，不僅能夠提高橋梁結(jié)構(gòu)的檢測準確性，還能夠?qū)崿F(xiàn)實時監(jiān)測和預(yù)測，為橋梁的安全運營提供了強有力的支持。該文深入剖析了機器學(xué)習(xí)在該領(lǐng)域的應(yīng)用和優(yōu)勢，詳細介紹了數(shù)據(jù)采集、特征提取、模型訓(xùn)練等關(guān)鍵步驟，通過對比傳統(tǒng)方法和機器學(xué)習(xí)方法的實際效果，可以發(fā)現(xiàn)機器學(xué)習(xí)技術(shù)在提高檢測準確性和實現(xiàn)實時監(jiān)測響應(yīng)方面取得了顯著的成績。然而，基于機器學(xué)習(xí)的橋梁檢測技術(shù)在實際應(yīng)用中仍然存在一些挑戰(zhàn)，如數(shù)據(jù)質(zhì)量不足、模型解釋性不強等問題，因此，未來的研究應(yīng)聚焦于進一步改進數(shù)據(jù)收集和處理的方法，提高模型的魯棒性和可解釋性。

參考文獻

[1]李永義， 丁雙燕， 吉宇翔， 等. 基于機器學(xué)習(xí)的RC簡支梁橋運維期承載力評估方法[J]. 公路， 2023（6）： 218-226.

[2]段翔遠. 基于模糊理論的混凝土公路橋梁技術(shù)狀況評定方法研究[J]. 市政技術(shù)， 2023（7）： 61-64.

[3]郭昱陽， 李之達， 向木生. 基于最優(yōu)最劣法橋梁技術(shù)狀況評定優(yōu)化的計算方法[J]. 湘潭大學(xué)學(xué)報： 自然科學(xué)版， 2023（2）： 56-65.

[4]王濤， 李新生， 許佳偉， 等. 簡支梁橋技術(shù)狀況評定程序研發(fā)與應(yīng)用[J]. 黑龍江交通科技， 2023（3）： 105-108.

[5]王珊珊， 張文武， 閆昕， 等. 基于多源檢/監(jiān)測信息的橋梁狀態(tài)診斷評定方法[J]. 交通建設(shè)與管理， 2022（6）： 92-95.