数字工程 | 使用机器学习的桥梁损伤识别

Damage identification for bridges using machine learning: Development and application to KW51 bridge

Y. Qiu，B. Ahmed，D. W. Abueidda，W. El-Sekelly，B. García de Soto，T. Abdoun，H. Ji，J. Qiu，M. E. Mobasher

摘要：

1. 引言

桥梁在长期服役中会受到环境、运营荷载及材料退化影响，损伤早期识别对安全至关重要。现有方法包括传感器振动监测和视觉检测，但振动响应可从整体反映刚度变化。机器学习在桥梁损伤识别中显示潜力，但多依赖复杂模型、密集传感或实验室验证，缺乏透明性和实际可用性。本文提出阶段化、可解释的机器学习流程，可针对损伤检测、程度评估与定位提供可靠判断。

2. 方法

本文构建两条互补的损伤识别路径：一条基于模态频率，利用kNN分类器逐步完成损伤检测、程度判定与定位；另一条基于加速度，仅使用三个关键传感器，结合GRU、傅里叶频域特征和轻量CNN完成三阶段识别。两条路径均独立可运行，可根据传感数据情况灵活选择或组合使用。方法结合有限元生成的多损伤场景与现场数据，保证模型既覆盖潜在损伤情况又贴近工程实际。

3. 在KW-51桥上的应用

3.1 桥梁描述与有限元验证

为验证方法在真实工程对象上的适用性，作者选择比利时鲁汶的KW51铁路桥作为案例。该桥为钢系杆拱桥，具有长期监测基础。研究基于既有监测布设与结构信息建立有限元模型，并通过现场数据对模型进行校核，从而保证后续损伤仿真既具备足够覆盖度，又尽可能贴近真实桥梁动力特性。

3.2 数据生成

在完成模型验证后，作者通过有限元模型构建多种损伤情景，并结合现场数据形成混合数据集。这样既避免了真实损伤样本稀缺的问题，又提高了训练样本的多样性，为后续机器学习模型提供了可控且具有工程背景的数据基础。

3.3 拱肋损伤建模

研究重点考虑拱桥关键受力部位的损伤，并通过刚度退化方式模拟不同位置、不同程度的结构劣化。该设置使模型能够学习“位置变化”和“损伤级别变化”对振动响应的不同影响，从而支撑后续分级识别与定位任务。

3.4 基于频率的数据集

频率路径数据集主要由不同损伤工况下的模态频率组成，并设置无噪声与含噪声两类情况，用于考察模型对环境扰动和测量误差的鲁棒性。

3.5 基于加速度的数据集

加速度路径数据集则基于列车通过桥梁时的瞬态响应生成，并考虑不同运行速度下的动态特征变化。通过时域、频域和时频域多层次特征构造，为三阶段识别提供了互补信息。

4. 结果

4.1 基于频率的方法损伤识别

结果表明，基于模态频率的kNN流程在两类工况下都表现出很强的识别能力。损伤检测与损伤定位在模拟测试中几乎达到100%准确率，说明模态频率对结构刚度变化非常敏感。相比之下，损伤程度分类在加入噪声后略有下降，尤其20%与40%等中等损伤等级之间更容易混淆。但即便如此，模型对严重损伤或失效状态仍能稳定识别，这对桥梁安全预警具有重要意义。作者也指出，该高精度主要建立在受控仿真条件下，真实环境中的温度、运营与噪声影响可能降低类别可分性，因此仍需长期现场数据进一步验证。

4.2 基于加速度的方法损伤识别

基于加速度的流程展现出更适合实时监测的潜力。堆叠GRU能够较可靠地完成初步损伤检测；基于傅里叶频谱的kNN在损伤程度分类中可达到较高精度；而基于连续小波变换图像的轻量级CNN在损伤定位上表现尤为突出，能够准确区分不同损伤区域。作者特别强调，即使只使用三个加速度传感器，经过合理的特征变换后，仍可提取足够信息完成多层级识别，这使该方法在稀疏传感部署场景中具有较强工程吸引力。

4.3 总结

综合来看，两条流程都表现出稳定而较高的识别性能。频率路径更适合利用全局模态信息进行稳健诊断，尤其在检测和定位上优势明显；加速度路径则在少传感器、快速响应和实时应用方面更具潜力。两者并非相互替代，而是可根据监测条件独立使用或组合使用，从而提高桥梁损伤识别的可靠性。

5. 结论与未来工作

本文面向真实桥梁运维需求，提出了一个兼顾可解释性、低计算开销与少传感器部署的分阶段损伤识别框架，并在KW51桥案例上验证了其可行性。研究表明，模态频率路径和加速度路径均可实现从“是否损伤”到“损伤程度”再到“损伤位置”的完整识别链条，体现出较好的工程应用潜力。但作者也明确指出，目前研究仍局限于单损伤场景、分类式输出以及以仿真为主的验证条件，尚未充分考虑多损伤耦合、环境温度效应及真实受损桥梁的现场验证。未来工作将进一步引入多损伤建模、回归式精细量化、环境影响补偿与不确定性评估，以推动该框架向实际桥梁长期健康监测落地。

关注公众号，后台回复“DE”即可下载原文