《Research》:A Diffusion-Based Digital Twin for Predicting Road Deterioration under Climate and Traffic Stress
编辑推荐:
摘要专业翻译
准确追踪道路病害的时空演化对于制定明智的修复与养护策略至关重要。然而,现有道路性能预测方法通常依赖于加权综合指数(如路面状况指数(Pavement Condition Index, PCI)),而非细粒度的病害级观测。这种粗粒度表示限制了早期劣化
摘要专业翻译
准确追踪道路病害的时空演化对于制定明智的修复与养护策略至关重要。然而,现有道路性能预测方法通常依赖于加权综合指数(如路面状况指数(Pavement Condition Index, PCI)),而非细粒度的病害级观测。这种粗粒度表示限制了早期劣化检测能力,并制约了精准预测性养护模型的发展。为解决上述局限,本研究提出一种物理嵌入扩散(physics-embedded diffusion, PED)模型,该模型提供了一个物理一致的时空框架,用于联合建模病害演化、养护干预和环境诱导扰动。基于中国真实数据集的验证表明,PED预测与观测结果具有高度一致性,平均PCI平均绝对百分比误差(mean absolute percentage error, MAPE)为9.262%,面积平均加权百分比误差(area mean weighted percentage error, area MWPE)为4.484%。此外,在美国长期路面性能(Long-Term Pavement Performance, LTPP)数据集上的评估证实了该模型强大的跨区域泛化能力,平均PCI MAPE为28.054%,面积MWPE为8.957%,凸显了所提出框架的稳健性与可迁移性。实验结果进一步表明,短期病害预测的最优历史环境窗口约为50天。随着训练数据量的增加,模型持续保持稳定的收敛性能,展示了所提出的物理引导劣化建模方法的可扩展性和稳健性。该可扩展工具对于模拟真实道路劣化过程具有重要价值,可为后续养护决策策略的评估提供参考。
论文解读
一、研究背景与问题
道路基础设施的性能直接关系到每一位道路使用者的安全与出行体验。全球范围内,道路劣化问题给交通管理机构带来了严峻挑战。据美国土木工程师学会(ASCE)2025年基础设施报告卡显示,美国39%的主要道路处于较差或一般状态,劣化和拥堵道路使平均每位美国驾驶员每年额外承担超过1400美元的车辆损耗和延误损失。英国RAC基金会报告同样表明,英格兰(不含伦敦)12%、伦敦19%、威尔士8%的道路需要在未来一年内进行养护,2025年一次性“追赶”养护成本已升至168亿英镑,清除养护积压预计需要10至13年。这些数据凸显了改进道路监测和预测性养护策略的紧迫性。
道路劣化是一个受内在和外在因素共同影响的复杂过程,包括环境条件、交通荷载和材料特性。气候变化可能进一步加速道路退化,升高的温度促进车辙和开裂,而洪水或干旱等极端事件改变水分动态并增加冻融循环。车辆荷载特征同样显著影响道路性能,车辆重量、交通密度和轴型配置对道路结构施加累积应力。
不同类型的道路病害具有不同演化机制:横向裂缝主要由气候驱动,与温度收缩相关;疲劳类病害(如龟裂)主要因重复交通荷载引起;纵向裂缝常与结构薄弱和交通应力有关;坑槽则通常由环境因素与交通荷载的耦合效应导致。这些过程在多个空间尺度上表现:病害尺度上,病害在不同形态间转化;路段或区域尺度上,多个病害的空间分布和相互作用影响局部性能;路网尺度上,劣化模式的聚合效应决定整体系统状况和养护优先级。
然而,现有研究面临多重局限。多数常规现场检测方法依赖粗粒度数据采集,通常按年度或半年度进行,难以捕捉早期病害或短期动态。检测数据通常聚合为PCI等综合指数,依赖主观加权,限制精度和可解释性。传统实验室评估简化了环境条件,无法代表真实世界的复杂性。确定性统计方法虽适用于长期规划,但难以捕捉真实场景中的随机变异性。纯数据驱动的机器学习模型常受限于训练数据质量和道路系统的复杂性,缺乏可解释性和对未见场景的泛化能力。
二、研究内容与结论
为应对上述挑战,本研究提出物理嵌入扩散(PED)模型,用于模拟自然劣化和养护干预下道路病害的时空演化。该模型将基于随机扩散的建模与离散元胞自动机及扰动感知建模相统一,在单一数学一致系统中同时捕捉局部相互作用和全局传播。
研究的主要贡献包括:开发了道路病害演化的数字孪生(digital twin, DT)模型,能够对内在劣化和外部扰动引起的短期病害波动进行预测;模型捕捉个体病害类型的演化,克服了传统综合指数无法表示特定病害类型或严重程度变化的局限;通过整合多保真度学习,利用高保真(high-fidelity, HF)观测校正低保真(low-fidelity, LF)模拟,增强了外推能力,确保网格级、路段级和区域级尺度上时空劣化建模的物理一致性。
在中国真实数据集上的验证表明,PED预测与观测结果高度一致,平均PCI平均绝对百分比误差(MAPE)为9.262%,面积平均加权百分比误差(area MWPE)为4.484%。在美国长期路面性能(LTPP)数据集上的评估证实了模型强大的跨区域泛化能力,平均PCI MAPE为28.054%,面积MWPE为8.957%。实验还确定短期病害预测的最优历史环境窗口约为50天,且模型随训练数据量增加保持稳定收敛性能。
三、关键技术方法
研究人员构建了PED模型,其整体框架包含三个层级:微观动力学层采用离散状态转换模块,每个元胞代表离散病害状态,通过概率转换规则模拟病害在相邻元胞间的传播或修复,并引入温度、降水和交通量等外部变量,采用指数滞后模型量化历史环境影响的累积效应;过渡扩散层采用连续扩散生成模块,通过物理嵌入偏微分方程(PDE)整合扩散项、局部转换项和扰动感知源项,实现离散与连续机制的一致性耦合;宏观一致性层采用物理嵌入多保真度耦合模块,通过联合最小化保真度损失、物理一致性损失和观测损失,实现低保真模拟与高保真观测的校正融合。研究使用了中国道路检测数据集和美国LTPP数据集进行验证。
四、研究结果
道路病害时空演化建模的一般框架。 PED模型整合离散元胞转换、随机扩散动力学和物理嵌入学习于统一框架中,构建连续潜在病害场,通过共享潜在变量耦合局部离散更新和全局随机传播。模型在每个时间步维护两个同步表示:连续病害场(代表物理劣化水平如PCI)和离散病害场(代表具体病害状态)。通过端到端扰动机制,可在单一框架内模拟养护干预和极端事件。
微观动力学:离散转换模块。 每个元胞代表离散病害状态,概率转换规则控制病害元胞间的相互作用——传播或修复。模型纳入温度、降水和交通量等关键外部变量,采用指数滞后模型初始化环境表示,对近期时间步赋予更大权重。演化过程中,劣化概率、养护概率和状态保持概率满足归一化条件。修复元胞进入冷却机制记录的临时非活动状态,防止立即再次劣化。
过渡扩散:连续扩散生成模块。 连续病害场的随机演化由物理嵌入PDE控制,整合扩散项和行动驱动转换。扩散项捕捉病害的连续空间传播,局部转换项编码基于规则的邻域状态依赖转换,扰动感知源项嵌入劣化、养护或状态保持决策的影响,随机扰动项模拟环境噪声。最终连续场通过离散拉普拉斯核、稀疏随机传播掩码和扰动源项注入进行更新,再通过分段阈值函数离散化为离散状态。
宏观一致性:物理嵌入多保真度耦合模块。 低保真模拟输出受高保真场观测和环境数据约束,通过同时最小化PDE残差和学习低保真-高保真差异实现耦合。总损失函数结合保真度损失(约束校正后的低保真预测与高保真数据一致)、物理一致性损失(强制物理映射)和观测损失(使预测与真实测量对齐)。观测损失隐含地联合评估PCI预测精度和不同病害类别的加权面积一致性,权重因子依据《公路技术状况评定标准》(JTG 5210-2018)设定。
超参数选择对模型性能的影响。 研究人员对五个关键参数进行了全面网格搜索:Adam优化器学习率、折扣因子、epsilon衰减率等,以确定最优超参数配置。
五、结论与意义
本研究提出的PED模型为道路病害时空演化提供了物理一致的建模框架,克服了传统综合指数方法的局限性。通过整合离散元胞自动机、连续扩散过程和物理嵌入多保真度学习,模型能够捕捉个体病害类型的演化、模拟养护干预和极端事件的影响,并在网格级、路段级和区域级尺度上保持物理一致性。在中国和美国数据集上的验证结果表明,该模型具有良好的预测精度和跨区域泛化能力。这一可扩展工具对于模拟真实道路劣化过程具有重要价值,可为养护决策策略的评估提供参考,支持从被动养护向预测性养护的转变。