应用于深圳港船舶搁浅事件的风险耦合分析高级框架

《Additive Manufacturing》：Advanced Framework for Risk Coupling Analysis applied to Ship Groundings in Shenzhen Port

　　本文提出了一种基于结构相似性的知识转移方法，用于桥梁网络实时健康监测。通过定义刚度比（I?、I?）、主跨长度占比（I?）和对称性指数（I?）量化桥梁相似性，结合自然频率的衰减特征筛选有效数据集。采用正态条件对齐（NCA）和联合域适应（JDA）技术，在39种变参数数值模型中验证了损伤主跨长度和结构对称性对知识转移效果的影响，发现刚度变化影响较小，而主跨长度差异显著降低转移性能，并提出了基于Otsu方法的自动阈值选择策略。

　　在结构健康监测（SHM）领域，振动基系统与人工智能算法的结合正变得越来越吸引人，因为它们能够实现桥梁基础设施的实时评估。由于需要足够大的数据集来训练一个稳健的分类器，而特别是在损伤条件下，桥梁响应数据的标签往往稀缺，因此，利用数据驱动的监测技术，基于测量的结构响应组件，来有效管理整个桥梁网络成为了一个主要挑战。为了避免为每座桥梁单独训练模型，迁移学习（TL）策略可能成为一种有价值的解决方案，通过收集相似结构的信息并利用所获得的知识进行网络内的推理，从而增强可用数据集。然而，仍然需要检查某些特定的相似结构特征是否能改善特定损伤类别下的知识迁移，因为迁移性能与两个结构之间的相似度密切相关。本文聚焦于领域适应（DA）并使用恰当选择的特征，提出了一种方法来（i）评估桥梁相似性，通过使用特定的指标；（ii）研究在不同结构相似性和损伤类型下迁移的有效性。为了验证这些方法，进行了广泛的模拟活动，构建了一个大型的数值桥梁模型网络，这些模型具有三种跨距刚架桥的多种配置，并受到两种损伤场景的影响。结果表明，可以将行为相似的结构分组，并识别出与成功迁移相关的损伤依赖性桥梁属性。

桥梁的实时监测需求日益增长，特别是在面对复杂且老化的基础设施时，这些基础设施会受到材料退化、运营负载增加和环境条件变化的影响。高效的创新SHM策略对于确保结构安全、功能性和基于状态的维护至关重要。基于振动的SHM系统与人工智能（AI）算法的结合代表了一种有价值的解决方案，能够处理大量数据以分析动态结构响应，检测潜在异常并预测结构故障。机器学习（ML）的流行和强大功能促使许多研究人员在土木工程领域实施各种监测工具。例如，Le-Xuan等人提出了一种深度学习方法，用于基于时间序列数据诊断桥梁结构损伤，结合了1D卷积神经网络、长短期记忆网络和残差网络的方法；而Teng等人则验证了基于卷积自编码器的异常检测方法在三座真实桥梁上的应用。

然而，桥梁所有者和运营方面临的一个主要挑战是，如何有效地管理大量具有不同特性的桥梁以及组织监测活动。庞大的桥梁网络不可避免地会产生大量数据，包括检查报告、传感器数据和环境监测数据，这要求对所研究的结构进行仔细分析，以便在必要时优先安排维护活动。在此背景下，使用传统ML模型为每座桥梁单独训练是不切实际的。此外，收集和标记振动数据以构建全面的数据集，尤其是描述不同损伤条件的数据，往往耗时、耗资，并且在处理民用基础设施时通常不可行，因为存在物理限制或设备稀缺的问题。这种事实可能导致特定损伤状态缺乏标签。因此，有限的数据可用性降低了监督学习方法的应用，并且减少了获取关于结构状态和捕捉所有可能损伤场景的更准确洞察的可能性。

为了缓解这些问题并开发更强大和适应性强的SHM系统，迁移学习（TL）是机器学习的一个分支，它允许（i）利用在一个称为源域的领域中获得的知识，并（ii）之后使用预训练的模型在另一个缺乏标签的称为目标域的领域进行推理。这种理论支持在结构可靠性中做出可靠的决策，而无需进行大量数据收集，这是一项根本性的挑战。它还减少了为每座桥梁从头开始训练ML模型的需求，并加快了SHM系统在整个桥梁网络中的部署。因此，预测模型应能够通过TL泛化，从而对同一桥梁或不同桥梁的未来测量数据做出预测。一部分TL应用涉及对预训练的深度学习网络进行微调，以适当修改其结构并用于预测未知结构的实例。Teng等人演示了如何利用大量数字孪生进行预训练的卷积神经网络（CNN）来高效检测一个实验测试结构和一个实际桥梁结构中的损伤。然而，在桥梁监测的具体背景下，**归纳式迁移学习**（transductive TL）特别有用，因为它允许从标记的源域（例如，监测桥梁）向未标记的目标域（例如，不同的未监测桥梁）转移知识，而无需在目标域中进行标记数据的收集。

在这一迁移学习子类别中，领域适应（DA）是一种基于特征的方法，用于通过使用适当的统计距离来最小化源域和目标域之间特征空间的差异。Wang等人提出了一个领域对抗神经网络（DANN）用于在有噪声的工业场景中进行故障诊断，借助智能滤波器动态增强源域和目标域数据之间的相似性。同样，Dai等人采用了鲸鱼优化算法来创建改进的深度判别迁移学习网络，用于旋转矢量减速器的故障诊断。然而，需要更仔细探索的重要问题是寻找迁移性能与数据相似性和结构相似性之间关系。量化这种相似性可以帮助选择那些足够相似的结构，以确保知识迁移。某些特征可能在跨桥梁网络转移信息时发挥关键作用，使迁移学习在不同结构中仍然有效。因此，结构相似性在迁移学习应用中至关重要，其正确评估将有助于有效的损伤检测和更准确的结构完整性评估，这直接影响可靠性分析。在这一框架下，Wickramarachchi等人提出了一个专门用于评估特征相似性的研究，通过距离度量。此外，Gosliga等人开发了一种结构的抽象表示，体现在度量空间中。该方法旨在通过分解结构为具有已知动态行为的基本组成部分来构建不可约元素（IE）模型，并随后将所谓的IE模型转换为属性图（AG），其中包括几何、拓扑、连接和材料属性等信息。然后使用适当的度量和图核对桥梁结构的AG进行比较。

虽然上述研究对相关问题提供了有益的见解，但并未在迁移学习结果方面验证相似性评估方法，也没有考虑要迁移的损伤标签类型。尽管两座桥梁可能足够相似以使用某些损伤类别进行知识迁移，但它们的特征可能不适合保证在不同场景下的成功迁移。因此，本文的贡献在于提供进一步的见解，提出一种方法来量化DA性能并使用适当的度量进行聚类相似性分析，随后通过使用多个指标将DA结果与结构相似性联系起来，指出其与损伤类型之间的严格依赖关系。本文还强调了一些具有挑战性的方面，例如不同损伤敏感性与DA结果之间的相关性，从而提出一个通用的源域选择规则和推荐的结构子集，用于在自然频率空间内进行标签迁移。

为了演示这些发现，进行了广泛的有限元模型（FEM）模拟，从初始结构配置开始，该配置代表了具有连续梁-墩框架系统的三跨刚架桥。为了模拟一些在实际应用中遇到的最常见场景，将两种损伤类别引入模型中，通过在主跨中心和墩基减少弹性模量来实现。为了生成一个大型且多样化的FEM样本，多个参数被变化，例如跨距和结构刚度，从而得到广泛范围的桥梁配置，以便进行全面分析。每个配置都受到不同严重程度和范围的损伤影响。案例研究用于在不同假设下研究网络中的知识迁移能力，使用**正常条件对齐**（NCA）技术，如之前在[28]中介绍的，随后使用**联合领域适应**（JDA）作为DA过程。NCA旨在首先通过标准化源域生成的数据，对未损伤条件进行对齐，并通过使用[10]中的公式将目标自然频率（作为特征）进行转换。随后，这些量被用作JDA的输入，该方法寻找从特征空间到再生核希尔伯特空间（RKHS）的非线性变换，以最小化联合分布之间的距离。结果表示为新的变换潜特征，命名为Z1和Z2，这些特征位于一个通用分类器可以使用源域数据训练并直接应用于目标域的空间。为简洁起见，理论细节被省略，但可以通过参考文献[30]、[31]获得。

为了评估迁移性能指数，提出了一种方法，该方法基于迁移后的特征空间中源域和目标域之间的距离，以及在健康和损伤聚类中源域和目标域特征方差之间的差异。这种指标的解释在图3中给出，以量化源域和目标域在潜空间中的对齐情况。具体而言，该指标测量了源域（标记为“°”）和目标域（标记为“?×?”）健康和损伤聚类的质心距离。这些量分别表示为db,h和db,d。该指标还包括源域和目标域特征方差之间的差异，这在健康和损伤聚类中沿第i个轴进行计算，分别得到σs,h,zi2和σt,h,zi2的差异。因此，较差的对齐将对应于J_s值的增加。该方法旨在研究J_s与I1、I2、I3和I4指标之间的相关性，以讨论在结构相似性变化时的DA结果，并提供一些涉及损伤依赖性相似性要求的实用规则。

在本文中，首先介绍了数值桥梁模型，然后通过研究结构相似性变化和网络中的知识迁移来验证所提出的方法。每种模型都受到多种场景的影响，从而模拟出广泛范围的现实且常见的损伤条件。第一个损伤类别涉及在主跨中减少弹性模量的20%，覆盖10%、20%和30%的L2长度。为了模拟第二个损伤类别，将墩的弹性模量减少20%（d2），10%（d2a）和30%（d2b），对应于墩基处的1.5倍H_p长度，这相当于地震损伤的塑性铰链扩展。环境波动对动态数据的影响通过在原始弹性模量E0=35000 MPa的±1.5%范围内变化来模拟。这些范围的限制通过[33]中的公式推导得出，基于中央意大利某一区域的最高和最低空气温度（分别等于40°C和-4°C）。

在本文中，对自然频率作为损伤敏感特征进行了详细分析，因为它们已被证明适合当前研究中的损伤类型。然而，该方法的设计具有灵活性，可以适应不同的特征选择。为了确保迁移学习的有效性，需要对特征分布进行仔细分析，以识别那些在损伤情况下可能无法提供信息的配置，并将其排除在迁移子集之外。为此，计算并报告了DI_n值，这些值在[3]中展示了结构相似性分析的结果。在本研究中，DI_n值通过Otsu方法进行自动阈值处理，以确定最佳的源域和目标域。DI_n值的计算基于健康聚类和损伤聚类之间的最小簇间距离与最大簇内距离的比值。对于每座桥梁配置和每种损伤类别，计算了DI_n值：值越小，损伤掩码的风险越高，从而导致较差的迁移效果。DI_n值的计算在[5]中进行了详细说明。

此外，通过使用超平面来计算健康和损伤聚类之间的重叠数据点百分比（% OP），还可以进一步分析特征分布。这种分析通过计算超平面的决策边界来完成，该边界将不同类别在特征空间中分隔开。通过使用Otsu方法，可以确定最优的阈值，从而客观地将可迁移的配置与不可迁移的配置区分开来。这些阈值的选择依赖于结构、特征和损伤类型的特性，因此应根据感兴趣案例研究的过去经验或通过模拟或大规模实际监测测试获得的先验知识来适当确定。

在本文中，采用了一种基于Otsu方法的客观阈值处理程序，用于分析DI_n指数和重叠点百分比（% OP）的分布。该自动技术通过最大化指标分布的类间方差（其中类别表示健康或损伤数据）来识别最优阈值。具体而言，对于每个可能的阈值t，类间方差σ_b2(t)被计算为：σ_b2(t) = ω_0(t) · ω_1(t) · [μ_0(t) - μ_1(t)]2，其中ω_0(t)和ω_1(t)表示由阈值t分隔的两个类的概率，μ_0(t)和μ_1(t)是它们的均值。最优阈值t*是使σ_b2(t)最大化的t值，这提供了一个客观的标准，用于将可迁移的配置与不可迁移的配置区分开来，并选择C_b子集，而无需依赖任意选择。

为了进一步分析DA性能，本文还研究了不同结构相似性下的特征相似性。在结构相似性较高的情况下，DA结果通常更优，而在结构相似性较低的情况下，DA结果可能较差。通过调整不同结构之间的相似性指标，可以优化迁移学习的性能。例如，对于损伤类别d1（主跨的弹性模量减少20%），当结构之间的相似性较高时，DA性能显著提高。相反，当结构之间的相似性较低时，DA性能可能下降，导致更多的误检或漏检。因此，通过调整结构的几何和材料特性，可以改善DA的性能，从而提高损伤检测的准确性。

本文提出的方法不仅适用于特定的损伤类别，还可以推广到其他类型的损伤和结构。通过选择合适的源域和目标域，并利用DI_n和% OP指标，可以实现更高效的迁移学习。此外，本文还强调了在实际应用中，结构相似性评估的重要性，特别是在面对复杂和大规模的桥梁网络时。通过合理选择源域和目标域，并结合不同的特征指标，可以确保迁移学习的有效性，从而实现对桥梁结构状态的准确评估。

综上所述，本文提出了一种评估结构相似性以确保有效知识迁移的方法，适用于桥梁网络的SHM应用。该方法不仅考虑了结构的几何和材料特性，还通过分析不同损伤类型下的特征相似性，为实际应用提供了实用的指导原则。未来的研究可以进一步探索更复杂的损伤场景，并结合多种数据源（如检查数据、时域或频域分析）来优化特征选择，从而提高迁移学习的性能和适用性。此外，随着技术的进步，更高效的特征提取和预处理方法可能会被引入，以提高实际应用中DA的准确性。