《Developments in the Built Environment》:Physics-informed intelligence in structural health monitoring: A state-of-the-art review and roadmap towards digital twins
编辑推荐:
建成环境资产(如桥梁)需要能够在稀疏、噪声数据下支持维护优先级排序、修复规划及风险知情干预的监测方法。物理信息智能(Physics-informed intelligence, PII)将控制方程、材料行为与工程约束嵌入深度学习框架,已成为实现结构一致的结构健
建成环境资产(如桥梁)需要能够在稀疏、噪声数据下支持维护优先级排序、修复规划及风险知情干预的监测方法。物理信息智能(Physics-informed intelligence, PII)将控制方程、材料行为与工程约束嵌入深度学习框架,已成为实现结构一致的结构健康监测(Structural Health Monitoring, SHM)及基于数字孪生(Digital Twin, DT)的桥梁资产管理的有前景途径。本综述综合了2021至2026年间发表的50项研究(包括42项原始研究与8篇综述论文),以提供关于桥梁健康监测中物理信息智能的证据型综合。该综合通过三个组成部分组织:架构、训练策略、应用与结构类型的分类法;含七项标准的品质评价及代表性模型比较;以及桥梁数字孪生部署的依赖门控路线图。本贡献连接了方法分类、证据评价与部署指导,表明部署准备度取决于工程先验、验证层级、不确定性量化、基准可比性、现场校准与决策支持集成。
研究背景方面,桥梁作为建成环境的基本资产,支撑着经济活动与社会连通性,但全球大量桥梁已接近或超过设计寿命,同时面临交通量增长、轴载加重及更严峻的环境作用,叠加材料劣化、腐蚀与疲劳,提升了结构失效与服务中断风险。准确的结构健康监测对早期损伤检测、维护规划及延寿至关重要。现有监测方法虽涵盖视觉检查至振动分析等多类技术,但基于深度学习的监测已从周期性人工检查演进至自动化传感丰富流程,然而传统方法在跨桥型、荷载场景与环境条件泛化上仍受限,尤其对于大跨度、老化或复杂结构。智能基础设施与桥梁数字孪生是变革性方向,物理信息智能是实现这些智能数字孪生能力的关键赋能者,但现有综述缺乏将分散文献转化为物理信息智能如何形式化工程知识以用于结构健康监测的科学理解,也缺乏从数值概念验证到现场相关验证的证据门控分析。
研究人员通过开展证据型方法综合研究,梳理2021至2026年Scopus与Google Scholar中符合嵌入至少一项控制物理方程、本构律或工程约束且面向桥梁或类比土木基础设施结构健康监测任务的文献,最终纳入50篇论文(42篇原始研究、8篇综述)。研究构建了领域分类法、七标准14分制质量评价框架、代表性架构定性比较及三阶段依赖门控路线图。结论指出物理信息智能在桥梁结构健康监测中的成熟度取决于所编码工程先验、验证设置与部署门控的耦合;同一物理信息标签下的方法因工程先验编码、验证设置不同处于不同准备度层级;从高可信响应重构与参数识别到仍需现场校准、不确定性量化与可审计决策支持的维护面向数字孪生工作流均存在差距。该研究发表于《Developments in the Built Environment》,意义在于首次将桥梁相关物理信息智能范围与明确质量评价、验证层级解读、架构到应用综合及数字孪生部署路线图相结合,填补了现有综述空白。
关键技术方法方面,研究人员采用结构化检索筛选2021至2026年文献,纳入标准为嵌入至少一项控制物理方程、本构律或工程约束且面向桥梁或类比土木基础设施结构健康监测任务,排除无显式物理集成的纯数据驱动及非结构工程研究,最终形成50篇论文语料(42篇原始、8篇综述)。采用适配的基于准则的批判性评估工具对42篇原始研究从验证来源、基线比较、噪声与鲁棒性测试、误差指标报告、可复现性、可扩展性证据、不确定性量化七个维度每项0至2分评分,总分14分分组为低(0至4)、中(5至9)、高(10至14)质量带。通过年度发表计数、Sankey图、关键词共现网络分析主题与架构演化。对物理信息智能方法论架构按卷积、循环、生成、图与注意力、神经算子、域分解与并行、变分与能量基方法分类,梳理各架构物理集成机制与应用。通过七标准评价矩阵聚合质量模式,结合Sankey图与关键词网络解读证据成熟度与架构流向,最终构建三阶段依赖门控路线图衔接算法基础、域适应与不确定性量化、运营数字孪生部署。
研究结果部分保留原文小标题并浓缩如下:
- 2.
Review scope and methodology 回顾范围与方法论
研究人员通过结构化检索识别相关研究,保留嵌入至少一项控制物理方程、本构律或工程约束并面向桥梁或类比土木基础设施结构健康监测任务的研究,排除纯数据驱动与非结构工程研究,最终语料为50篇论文(42篇原始用于定量聚合、8篇综述用于语境综合)。研究人员将本综述与八篇背景综述对比,指出本综述差异在于结合桥梁相关物理信息智能范围与明确质量评价、验证层级解读、架构到应用综合及数字孪生部署路线图。
2.1. Quality appraisal of the reviewed corpus 综述语料的质量评价
研究人员开发适配的基于准则的批判性评估工具,对42项原始研究从验证来源C1、基线比较C2、噪声与鲁棒性测试C3、误差指标报告C4、可复现性C5、可扩展性证据C6、不确定性量化C7七个维度每项0至2分评分,总分14分分组为低(0至4)、中(5至9)、高(10至14)。11项研究(26.2%)为高,27项(64.3%)为中,4项(9.5%)为低,语料均分7.6/14。准则层面误差指标报告C4均值1.79最强,不确定性量化C7均值0.10最弱,仅3/42研究报告任何不确定性相关信息,仅1项采用正式贝叶斯框架;验证来源严谨度C1均值0.90、基线比较C2均值1.21、噪声或鲁棒性测试C3均值1.12、可复现性C5均值1.19、可扩展性证据C6均值1.26仍不均,表明现场级证据、基准广度与透明报告不一致。
2.2. Thematic and architectural evolution of the field 领域主题与架构演化
研究人员统计年度发表从2021年1篇增至2025年18篇,早期以基础物理信息神经网络(Physics-informed Neural Network, PINN)与卷积网络为主,2024年起出现算子与图基模型、域适应、贝叶斯、数字孪生集成等专门框架。Sankey图显示基础PINN与CNN/残差网络(Residual Network, ResNet)占输入侧主导,流向损伤检测与响应预测;算子与图基模型较少但流向参数识别、数字孪生与实时监测;桥系统占结构焦点35.7%,板与壳组件26.2%,梁/杆系统11.9%。关键词共现网络显示早期聚于深度学习、结构动力学、损伤检测,后期分支至反分析、疲劳损伤、断裂力学、斜拉桥等具体问题,表明文献不再主要由通用算法采用组织,而日益由所解决物理问题与建模策略区分。
- 3.
Overview of PII 物理信息智能概述
3.1. Background 背景
研究人员指出结构建模策略涵盖谱从物理基白盒有限元(Finite Element, FE)模型(确保一致性但受计算成本、模型简化与边界假设限制)到数据驱黑盒模型(计算快但需大量数据、缺物理保证、易过拟合),物理信息灰盒范式作为收敛点最大化物理一致性同时最小化数据需求。物理信息范式将控制方程、边界条件(Boundary Conditions, BCs)与材料约束直接嵌入学习过程,典型PINN工作流通过双路径学习:路径A最小化预测与稀疏传感器测量间数据损失Ldata,路径B用自动微分计算物理残差损失LPDE并通过运动控制方程Mü+C?+Ku=P(M、C、K为质量、阻尼、刚度矩阵,P为外部动力荷载向量)强制物理一致性,通过反向传播迭代更新网络参数以最小化加权总损失Ltotal,在桥梁结构健康监测中需在报告验证设置中实证鲁棒性增益。
3.2. Methodological architectures in PII 物理信息智能中的方法论架构
研究人员将架构分为七类:物理信息CNN在网格上用自动/有限差分算空间偏微分方程(Partial Differential Equation, PDE)残差,双分支加单调性退化约束,用于全场面位移/应变重构与疲劳损伤检测;物理信息循环神经网络(Recurrent Neural Network, RNN)在循环记忆单元嵌入Runge-Kutta数值积分器强制时间连续性与运动方程,用于非线性时变动力响应与实时线性时变(Linear Time-Variant, LTV)列车-桥梁交互;物理信息生成模型与变分自编码器(Variational AutoEncoder, VAE)在潜空间优化加物理方程约束,用于热异常检测与稀疏到全场温度/应变图重构;物理信息图与注意力网络将结构力学编码进邻接矩阵而非从零学连接,图卷积加多头自注意力,用于斜拉/桁桥挠度预测与无监督异常定位;物理信息神经算子用分支-主干网学输入函数空间到输出响应空间映射(如多输入算子网络Multiple-Input Operator Network, MIONet、深度算子网络Deep Operator Network, DeepONet、傅里叶神经算子Fourier Neural Operator, FNO),用于移动/变荷载实时动力响应预测与桥梁数字孪生高速代理建模;域分解与并行架构(如物理信息并行神经网络Physics-Informed Parallel Neural Network, PIPNN、扩展PINN eXtended PINN, XPINN、保守PINN conservative PINN, cPINN)将几何分为子域加接口连续与平衡罚项,用于多跨异质系统与蠕变损伤识别;变分与能量基方法(如Deep Ritz Method、频域PINN Frequency-Domain PINN, FD-PINN)用弱形式总势能最小化替代强形式PDE残差以降低导数阶数稳定训练,用于断裂力学与裂纹路径预测及逆参数识别。研究人员通过表总结各架构物理集成机制与主应用,并指出架构多样性已建立,但在传感器稀疏、环境变异性、校准成本与现场迁移下是否可靠优于简单基线尚未确定。
3.3. Advanced training strategies and optimisation 先进训练策略与优化
研究人员指出物理信息网络训练存在复合损失竞争目标、尺度差异导致梯度病理、噪声与稀疏数据问题,总结三类策略:自适应损失加权与平衡(如基于神经切线核Neural Tangent Kernel, NTK的自适应加权、损失注意力LA-PINN、自自适应缩放SAPINN)动态重加权数据、物理、边界项以稳定刚性问题训练;处理噪声与稀疏数据(如嵌入Paris law物理正则化强迫学底层力学趋势而非过拟合噪声、贝叶斯PINN Bayesian PINN, BPINN估参数概率分布以量化任意与认知不确定性并提供置信区间、Schur补降维在约化域训练后处理均衡重构全场、实时更新Real-Time Updated, RTU用滑动时间窗与梯度清除顺序再训练以适应时变参数);编码边界与界面条件(硬约束Ansatz乘边界消失距离函数以保证精确满足、符号距离函数Signed Distance Function, SDF与R函数几何编码以网格免费建复杂边界、域分解用界面连续/平衡损失将异质域分为子网耦合)以提升优化稳定性与场一致性。
- 4.
Applications of PII in SHM 物理信息智能在结构健康监测中的应用
研究人员将应用分为四类:虚拟传感与响应重构(如物理信息CNN从应变与加速度重构位移以消除低频漂移、物理信息图变换网络Physics-informed Graph Transformer Network, PiGTN用力学邻接矩阵预测斜拉桥挠度现场平均绝对误差Mean Absolute Error, MAE 0.88 mm、PINN重构缆索桥主梁动力对齐Main Girder Dynamic Alignment, MGDA在5传感器时均方根误差Root Mean Square Error, RMSE 1.82×10-2、物理信息VAE用热扩散方程约束重构全场温度图实验误差<6%、PINN解弹性动力波方程重构板波场以93%精度定位冲击、带因果加权移动荷载全场响应均匀梁绝对误差<0.002非均匀L2 0.0435最优7.23×10-3);结构参数识别与模型更新(并行PINN同时估位移与刚度避免有限元模型更新网格扭曲、频域PINN识梁复弹性模量阻尼损耗因子相对误4%、RTU-PINN用滑动窗与Runge-Kutta识管道接头非线性恢复力、灰盒网用回归函数作约束30样本楼层刚度误<3%);疲劳与断裂力学(嵌Paris law的PINN预剩余疲劳寿命Remaining Fatigue Life, RFL 55.9%预测在15%误差带内、用Airy应力函数满足双谐方程提应力强度因子与T应力抗20%噪声、无网格PINN预测软材料裂纹路径无网格偏、物理信息CNN双分支强制刚度单调减跨铺层精度>90%、BPINN预腐蚀缆丝RFL决定系数R2=0.987);损伤定位与检测(嵌LTV方程的RNN识铁路桁架桥损伤成员精度>98%近零误报、物理引导深度神经网络Physics-Guided Deep Neural Network, PGDNN跨域损失对齐有限元与实测达86%定位精度、CycleGAN嵌运动方程生成物理一致合成数据以实桥转移、EdgeConvFormer用邻近定位分得ASCE基准93%命中率并区传感器故障与结构损伤、物理引导神经网络Physics-Guided Neural Network, PGNN输出初始化有限元模型更新使严重度误从>20%降至<10%)。研究人员用表按应用区、代表任务、解决方案、验证层级、证据形式、报告研究特定证据、解读状态与参考文献整理,指出数值、实验室、基准与现场证据测不同误差量,不能跨行归一化比较。
- 5.
Challenges in current implementations of PII 当前物理信息智能实现的挑战
5.1. The reality gap: Performance degradation in field conditions 现实差距:现场条件下性能退化
研究人员指出验证仍集中于未完全复现运营桥梁的设置,仅4/42(9.5%)用ASCE Phase I、KW51、IPC-SHM、Virkler疲劳裂纹数据集等既定基准,21%含全规模现场测量,31%仅数值模拟,48%用实验室或基准。报告显示干净数值数据损伤识别精度从97.3%降至高斯噪声下82.0%与建模误83.2%;ASCE基准健康态分类成功不代表损伤定位可靠;铁路桥高识别精度仍因竖杆低损伤敏感度生误报需梯度缩放,表明物理约束在测试数据体制内提升鲁棒性,但现场部署仍需域适应、噪感知校准与热漂、边界松弛、传感器故障的不确定性报告。
5.2. Computational scalability and real-time inference 计算可扩展性与实时推理
研究人员指出主要瓶颈在训练计算成本,多数未报训练时间与硬件。可用数据显示物理信息MIONet带Schur域训练二维梁需1286分钟有限元56分钟但推理9.1×10-5秒/样本,KW51桥用179/1882节点训练降至38分钟精度>95%推理8.0×10-5秒加0.6秒后处理,有限元单次约1小时;湍流建模PINN训练14小时大涡模拟72小时。表明当重复低延迟评估抵消离线训练负担时计算合理。指出现有依赖Adam加L-BFGS细化不足,量子增强架构理论指数加速但仍早期;域分解(XPINN、cPINN)并行化需自适应按误差分配资源;算子学习(MIONet)学解算子而非单解以泛化荷载族,但需更好集成连续时间步进保长期稳定。
5.3. Uncertainty quantification in physics-informed models 物理信息模型中的不确定性量化
研究人员指出C7不确定性量化均值0.10/2最低,39/42无报告,标准PINN仅点估计无置信度。贝叶斯PINN将权重与参数作概率分布以量化任意与认知不确定性,但在全桥高维参数空间难用Hamiltonian Monte Carlo。指出需集成或子空间推断近似后验,发展噪感知框架区分传感器故障与结构异常;另一不确定性来自材料本构近似,混合框架引可学习偏差项纠正模型偏但不应过拟合噪声。
5.4. Generalisation to unseen damage scenarios 对未见损伤场景的泛化
研究人员指出零样本泛化是最大操作挑战,模型通常训于健康结构或有限元但须识未见真实损伤,标准深度学习因分布偏移失效,物理约束常训时强制未损伤物理,损伤后原损失无效致模式崩溃。指出需自自适应PINN架构动态调整内部物理参数,解耦响应模式与损伤幅值缩放;频域PINN缓频谱偏以捕高频局部缺陷;域适应(如分层物理信息域适应Hierarchical physics-informed domain adaptation, HierPhyDA)将物理约束嵌域适应以保结构动力律一致,使数字孪生可用富合成失效库训并在稀疏噪实传感网稳健部署。
5.5. Standardisation and benchmarking deficit 标准化与基准缺失
研究人员指出仅4/42用既定基准,其余为独特数值、单实验室、项目特定现场,防可控验证性能增益。仅ASCE Phase I被两研究用但传感器配置等不同不构成受控比较;无其他基准被≥2研究用可比协议,跨架构声明仍受个体研究设计制约。指出需建涵盖多结构类型、损伤场景、噪级、源-目标偏移与传感器布局的典型物理信息智能基准套件以隔离算法效率与数据集难度,并要求报告物理约束降级收敛的负例。
- 6.
The role of PII in DTs 物理信息智能在数字孪生中的角色
研究人员指出数字孪生应是物理资产动态持续演化表征以整合异构数据支持全生命周期决策,现有证据仅直接支持混合更新、跨域损伤检测与近实时代理推理等有限数字孪生功能,连续运营桥梁数字孪生带维护推理仍主要为概念架构而非反复现场演示,物理信息智能在此作为候选集成机制而非语料验证的运营核心。物理引导数据驱框架融合有限元初始但与老化偏离,需物理引导数据驱方法如HierPhyDA以有限元作源域生成广损伤场景合成数据,神经网络用域适应对齐分布并以有限元模态分析初值嵌自然频率与振型,遇异常以结构动力学而非统计离群解译,可检未见于模拟的特定损伤;生命周期需时演用嵌控制微分方程的RNN的无人监督框架动态更新数字孪生,以车轮荷载输预测响应并用传感误更新刚度参数以事件级诊健,且集成视觉检查先验调成员灵敏度;现代数字孪生层架构中数字孪生与模型融合层最有效理解为统一物理信息智能核心,将控制方程、有限元先验与流监测数据融进连续更新代理以保物理一致与近实时响应,嵌数值模型知识直入学习框架而非反复传分离仿真与学习块以高效应突发变(如地震、船撞)。
- 7.
Proposed roadmap for integrating PII in DTs 提出的物理信息智能集成至数字孪生的路线图
研究人员基于证据综合指出现有条向不从实验室成功直进运营使用,因仍存在不稳定、弱基准、模拟与现场域偏移、不确定性量化有限与部署规模计算约束,提出三阶段依赖门控路线图:阶段I算法基础在解析梁板问题验物理恢复后用ASCE Phase I、IPC-SHM、KW51、Virkler等基准评噪鲁棒性、参数识别与损伤定位,用自适应损失加权与域分解解训练不稳,通过门1需演示可接受基准性能与可复现训练协议;阶段II域适应与不确定性量化将基准模型迁至试点桥,用物理引导域适应对齐有限元源域与现场目标域(交通、温变、漂、噪、不完美边界),附置信界于状态估、损伤指标或剩余寿命预测,完成阶段II得带置信界的现场校准代理模型适数字孪生知情支持但非全自动化运营决策,失败则返回阶段I重构;阶段III运营数字孪生部署将现场校准代理转为运营数字孪生服务,用算子学习(MIONet)避每新荷载重训、RTU-PINN步级更新时变响应、域分解扩规模,通过门3需可接受延迟、可扩展推理、稳置信界、人审与可审计维护逻辑,物理信息智能始作数字孪生基础设施而非独立结构健康监测模型,决策支持证据窄于混合更新,需连现场校准稳后集成传感器流、场校准物理信息智能模型、不确定性报告与基于规则维护逻辑,若置信降或残差漂则返回阶段II再校准。
- 8.
Implementation barriers and future research directions 实施障碍与未来研究方向
研究人员指出障碍在算法与实践接口:数据治理与互操作性需异构传感、有限元、检查、环境数据用标准模式链传感器元数据、结构拓扑与物理约束以供物理信息神经网络训练环消耗;监管接受与认证路径需将物理信息模型作增而非替规范计算的决策支持并用本体推理引擎(语义网规则语言Semantic Web Rule Language, SWRL)连维护规范成可审计链成认证就绪证据包;劳动力培训与跨学科集成需土木加应用数学加深度学习课程与抽象低代码接口;多灾害与多物理扩展需层次损失分解与子网耦合温、湿、位移等量并延域分解至多物理;迁移学习与车队级部署需分层物理信息域适应从单桥到车队基础模型预训多样模拟库后微调各桥少量现场数据;可解释性信任与人环验证需SHAP、知识图谱、可解释人工智能(Explainable Artificial Intelligence, XAI)加工程师评估非训练集条件结构合理性成双轨验证;边缘计算与结构上推理需物理感知压缩(剪枝、量化、知识蒸馏)保控制方程满足以将算子学习低延迟推至边缘硬件。
- 9.
Conclusion 结论
研究人员综50篇2021至2026研究指出物理信息智能通过将控制方程、本构关系、边界条件、拓扑感知架构设计与物理引导更新形式化工程知识于学习系统而重塑结构健康监测。三领域级发现:物理信息智能架构最好由所编码工程先验(守恒律、材料本构、边界与界面、结构拓扑或模拟派生响应场)区分;模型可信度取决于附于该先验的验证层级,数值与实验室演示在受控条件下支持响应重构、参数识别与损伤定位但不自立为维护面向桥梁数字孪生准备度;运营价值仅当基准可比性、试点现场校准、显式不确定性量化与决策支持集成按顺序发生时涌现。图1与补充表S2显示仅26.2%原始研究达高质量带,64.3%中、9.5%低,均分7.6/14;准则层面误差指标报告均1.79最强,不确定性量化均0.10最弱,仅3/42报不确定性相关信息仅1用正式贝叶斯;验证基不均:31%仅数值、48%实验室或基准、21%全规模现场。表5显示选定任务已报强数值性能(毫米级现场挠度误、百分比位位移重构误、>90%基准定位/分类精度、≤15%疲劳寿命误差带),但桥梁数字孪生需用校准置信、跨设置迁移与可审计维护链路方可视运营证据。后续优先为建共享基准套件、可复现报训练协议与硬件、试点桥域适应与显式不确定性量化、连物理信息智能输出至互操作数据管、可审计维护逻辑与边缘就绪推理;当前工程实践应将物理信息智能用作桥梁数字孪生工作流中决策支持层同时满足证据阈值。路线图中阶段I立可比性、阶段II立运营变下校准场信任、阶段III仅在前述条件满足后可信。