
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理原理的民用基础设施深度学习:整合PIFI指数与P-D-E三要素的评估框架
《ARTIFICIAL INTELLIGENCE REVIEW》:Physics-informed deep learning for civil infrastructure: a review framework integrating the PIFI index and P-D-E triad
【字体: 大 中 小 】 时间:2026年06月29日 来源:ARTIFICIAL INTELLIGENCE REVIEW 18.8
编辑推荐:
摘要民用基础设施的安全性与可持续性正面临日益严峻的挑战,这迫切需要更智能、更可靠的数据驱动方法来支持其全生命周期管理及决策制定。现有的深度学习方法在土木工程应用中存在诸多瓶颈,包括数据匮乏、模型可信度不足、计算成本高以及伦理合规问题。而将物理知识融入其中的物理信息深度学习则为克服
民用基础设施的安全性与可持续性正面临日益严峻的挑战,这迫切需要更智能、更可靠的数据驱动方法来支持其全生命周期管理及决策制定。现有的深度学习方法在土木工程应用中存在诸多瓶颈,包括数据匮乏、模型可信度不足、计算成本高以及伦理合规问题。而将物理知识融入其中的物理信息深度学习则为克服这些限制提供了新思路。本文首先系统梳理了物理信息深度学习在土木工程领域的研究进展,随后提出了一种全新的评估框架。通过对我院2000年至2025年的243篇相关文献进行系统分析,深入探讨了CNN、RNN和PINN等核心架构的技术演变、工程适用性以及固有局限。在此基础上,本文提出了两项创新成果:其一为物理信息融合指数,该指数通过加权方式平衡物理一致性(\({E}_{\text {physics}}\))与预测精度(\({D}_{\text {accuracy}}\)),从而量化模型的综合性能;这是首次尝试将物理约束与数据拟合之间的权衡纳入统一的评估指标。其二为物理-数据-工程三角模型,这是一种定量选择框架,可从物理性、数据依赖性和工程适用性三个相互独立的维度来评估技术解决方案的适用性。与那些主要汇总各种方法的现有综述不同,所提出的PIFI-P-D-E框架能够追踪技术发展的轨迹,分析物理嵌入深度、数据利用范围以及工程实施约束之间的权衡关系,为从技术探索走向工程应用提供系统的视角和决策依据。在此基础之上,本文还提出了以“机制-数据整合”为核心的跨学科发展路径,旨在为土木信息学领域带来新的发展范式。
民用基础设施的安全性与可持续性正面临日益严峻的挑战,这迫切需要更智能、更可靠的数据驱动方法来支持其全生命周期管理及决策制定。现有的深度学习方法在土木工程应用中存在诸多瓶颈,包括数据匮乏、模型可信度不足、计算成本高以及伦理合规问题。而将物理知识融入其中的物理信息深度学习则为克服这些限制提供了新思路。本文首先系统梳理了物理信息深度学习在土木工程领域的研究进展,随后提出了一种全新的评估框架。通过对我院2000年至2025年的243篇相关文献进行系统分析,深入探讨了CNN、RNN和PINN等核心架构的技术演变、工程适用性以及固有局限。在此基础上,本文提出了两项创新成果:其一为物理信息融合指数,该指数通过加权方式平衡物理一致性(\({E}_{\text {physics}}\))与预测精度(\({D}_{\text {accuracy}}\)),从而量化模型的综合性能;这是首次尝试将物理约束与数据拟合之间的权衡纳入统一的评估指标。其二为物理-数据-工程三角模型,这是一种定量选择框架,可从物理性、数据依赖性和工程适用性三个相互独立的维度来评估技术解决方案的适用性。与那些主要汇总各种方法的现有综述不同,所提出的PIFI-P-D-E框架能够追踪技术发展的轨迹,分析物理嵌入深度、数据利用范围以及工程实施约束之间的权衡关系,为从技术探索走向工程应用提供系统的视角和决策依据。在此基础之上,本文还提出了以“机制-数据整合”为核心的跨学科发展路径,旨在为土木信息学领域带来新的发展范式。