清華新聞網(wǎng)3月12日電 跨海大橋不僅是連接海岸的交通命脈，更是海洋交通與能源基礎(chǔ)設(shè)施的重要組成部分。不同于陸上橋梁，海上橋梁長(zhǎng)期面臨風(fēng)浪耦合、地震震動(dòng)、海流沖擊等多重動(dòng)態(tài)荷載的持續(xù)侵襲，結(jié)構(gòu)安全運(yùn)營(yíng)面臨巨大挑戰(zhàn)。如何實(shí)現(xiàn)快速、精準(zhǔn)、貼合工程實(shí)際的海上橋梁結(jié)構(gòu)響應(yīng)預(yù)測(cè)與健康監(jiān)測(cè)，成為影響海洋工程結(jié)構(gòu)智能監(jiān)測(cè)發(fā)展的難題之一。
近日，清華大學(xué)深圳國(guó)際研究生院郭宇韜副教授團(tuán)隊(duì)連續(xù)提出兩項(xiàng)創(chuàng)新算法框架：深度海洋橋梁預(yù)測(cè)模型（DeepOBP）與降階物理信息神經(jīng)網(wǎng)絡(luò)（ROM-PINN），通過(guò)深度學(xué)習(xí)與結(jié)構(gòu)力學(xué)的交叉融合，分別解決了多荷載耦合下實(shí)時(shí)響應(yīng)預(yù)測(cè)、非線(xiàn)性結(jié)構(gòu)物理一致性建模兩項(xiàng)問(wèn)題，相關(guān)成果為海上橋梁等大型工程結(jié)構(gòu)的高效安全監(jiān)測(cè)提供了新的視角。
圖1.DeepOBP：毫秒級(jí)響應(yīng)預(yù)測(cè)，多場(chǎng)景精準(zhǔn)適配
針對(duì)海上橋梁面臨的風(fēng)、浪、地震等多源荷載耦合挑戰(zhàn)，研究團(tuán)隊(duì)首先提出了基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的編碼器-解碼器架構(gòu)DeepOBP，融合結(jié)構(gòu)靜態(tài)特征與動(dòng)態(tài)荷載信息，實(shí)現(xiàn)非線(xiàn)性結(jié)構(gòu)響應(yīng)的毫秒級(jí)精準(zhǔn)預(yù)測(cè)。
該模型通過(guò)三大核心設(shè)計(jì)突破傳統(tǒng)局限：一是采用頻率注意力LSTM模塊（FA-LSTM），融合傅里葉變換與可學(xué)習(xí)濾波器，同時(shí)捕捉時(shí)域依賴(lài)與頻域特征；二是構(gòu)建多分支注意力融合機(jī)制，適配不同荷載輸入組合，可動(dòng)態(tài)增減輸入分支以適應(yīng)復(fù)雜場(chǎng)景；三是引入多任務(wù)學(xué)習(xí)策略，以全時(shí)序響應(yīng)預(yù)測(cè)為主任務(wù)，結(jié)合峰值振幅與頻域特征預(yù)測(cè)輔助訓(xùn)練，通過(guò)不確定性加權(quán)自動(dòng)平衡任務(wù)優(yōu)先級(jí)。
實(shí)驗(yàn)驗(yàn)證顯示，在正常運(yùn)營(yíng)與多災(zāi)害耦合場(chǎng)景下，DeepOBP的預(yù)測(cè)決定系數(shù)（R2）分別達(dá)到0.93和0.92，均方誤差（MSE）約為5.5×10??mm2，單次推理只需0.044秒，較傳統(tǒng)非線(xiàn)性有限元模擬提速達(dá)幾個(gè)數(shù)量級(jí)，實(shí)現(xiàn)了“毫秒級(jí)響應(yīng)、高精度預(yù)測(cè)”的研究目標(biāo)。
圖2.Inverse DeepOBP：實(shí)現(xiàn)效率突破，快速反演識(shí)別
基于DeepOBP的高效預(yù)測(cè)能力和自動(dòng)微分特性，研究團(tuán)隊(duì)進(jìn)一步開(kāi)發(fā)可微分逆分析框架逆深度海洋橋梁預(yù)測(cè)模型（Inverse DeepOBP），將深度學(xué)習(xí)代理模型與梯度優(yōu)化算法相結(jié)合，實(shí)現(xiàn)結(jié)構(gòu)參數(shù)的快速反演。
該框架通過(guò)時(shí)間歷程分析誤差（ETHA）構(gòu)建目標(biāo)函數(shù)，引入L1正則化緩解反問(wèn)題不適定性，利用神經(jīng)網(wǎng)絡(luò)的可微特性高效計(jì)算梯度，指導(dǎo)結(jié)構(gòu)參數(shù)迭代更新。案例驗(yàn)證顯示，Inverse DeepOBP在損傷識(shí)別任務(wù)中，可以定位橋墩、主梁等關(guān)鍵部位的損傷位置，量化損傷程度，各參數(shù)識(shí)別相對(duì)誤差均控制在7%以?xún)?nèi)；在模型校準(zhǔn)任務(wù)中，可實(shí)時(shí)更新結(jié)構(gòu)參數(shù)，使響應(yīng)預(yù)測(cè)誤差明顯降低。效率對(duì)比表明，Inverse DeepOBP較基于啟發(fā)式算法的代理模型更新提速10倍以上，較傳統(tǒng)非線(xiàn)性有限元模型更新提速達(dá)幾個(gè)數(shù)量級(jí)，為結(jié)構(gòu)健康監(jiān)測(cè)的時(shí)效性提供了關(guān)鍵保障。
圖4.ROM-PINN：物理與數(shù)據(jù)融合，小數(shù)據(jù)+抗噪聲能力升級(jí)
為解決純數(shù)據(jù)驅(qū)動(dòng)模型物理意義缺失的問(wèn)題，研究團(tuán)隊(duì)進(jìn)一步提出降階物理信息神經(jīng)網(wǎng)絡(luò)（ROM-PINN），將非線(xiàn)性降階動(dòng)力學(xué)平衡方程作為物理約束嵌入模型訓(xùn)練，實(shí)現(xiàn)高效且物理一致的響應(yīng)預(yù)測(cè)。
ROM-PINN的核心創(chuàng)新在于，通過(guò)虛擬力網(wǎng)絡(luò)（VFNet）解耦結(jié)構(gòu)非線(xiàn)性效應(yīng)，使用降階模型（ROM）將高維系統(tǒng)投影至低維子空間，結(jié)合QR分解優(yōu)化傳感器布置，僅需少量觀(guān)測(cè)點(diǎn)即可重構(gòu)全局響應(yīng)；訓(xùn)練過(guò)程中嵌入降階平衡殘差作為物理?yè)p失，通過(guò)不確定性加權(quán)平衡數(shù)據(jù)擬合與物理約束，確保預(yù)測(cè)結(jié)果既符合實(shí)測(cè)數(shù)據(jù)又遵循力學(xué)規(guī)律。測(cè)試結(jié)果表明，ROM-PINN的預(yù)測(cè)誤差（MSE）較純數(shù)據(jù)驅(qū)動(dòng)模型降低10.0%，物理一致性指標(biāo)（PR）提升83.7%；在10%測(cè)量噪聲環(huán)境下，MSE仍保持較低水平；同時(shí)，在保留10%訓(xùn)練數(shù)據(jù)的實(shí)驗(yàn)設(shè)置下，仍能保持0.73的R2值。上述結(jié)果展現(xiàn)出模型良好的抗噪聲能力與小數(shù)據(jù)適應(yīng)性。
近日，研究成果以“基于深度學(xué)習(xí)的近海橋梁實(shí)時(shí)多荷載響應(yīng)預(yù)測(cè)與反演分析”（Deep learning-based realtime multiload response prediction and inverse analysis of offshore bridges）和“ROM-PINN：一種結(jié)合降階建模的物理信息神經(jīng)網(wǎng)絡(luò)用于非線(xiàn)性結(jié)構(gòu)響應(yīng)預(yù)測(cè)”（ROM-PINN: A physics-informed neural network with reduced-order modelling for nonlinear structural response prediction）為題，分別于2月12日和2月11日發(fā)表于《工程結(jié)構(gòu)》（Engineering Structures）和《結(jié)構(gòu)》（Structures）。
清華大學(xué)深圳國(guó)際研究生院副教授郭宇韜為論文通訊作者，清華大學(xué)深圳國(guó)際研究生院2024級(jí)碩士生孫竹妤為論文第一作者。論文其他作者還包括清華大學(xué)深圳國(guó)際研究生院副教授胡振中、南方科技大學(xué)副教授侯超、清華大學(xué)深圳國(guó)際研究生院2022級(jí)博士生葛康。
論文鏈接：
https://doi.org/10.1016/j.engstruct.2026.122330
https://doi.org/10.1016/j.istruc.2026.111350
供稿：深圳國(guó)際研究生院
編輯：李華山
審核：郭玲
