考虑不平衡因素的桥梁承载能力缺陷分类研究:跨领域学习策略的比较分析
《Engineering Applications of Artificial Intelligence》:Imbalance-aware classification of bridge load rating deficiencies: a comparative study of cross-domain learning strategies
【字体:
大
中
小
】
时间:2026年09月29日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要
重复的结构分析和负载测试对于桥梁承载能力评估来说成本高昂,这使得在网络层面应用这些方法变得不切实际。机器学习提供了一种替代方案,但其效果受到小样本量和严重类别不平衡的限制。本研究以168座韩国桥梁作为目标领域,95,954条美国国家桥梁库存记录作为源领域,通过统一的嵌套
摘要
重复的结构分析和负载测试对于桥梁承载能力评估来说成本高昂,这使得在网络层面应用这些方法变得不切实际。机器学习提供了一种替代方案,但其效果受到小样本量和严重类别不平衡的限制。本研究以168座韩国桥梁作为目标领域,95,954条美国国家桥梁库存记录作为源领域,通过统一的嵌套交叉验证系统地比较了18种模型,以评估基于数据集成、领域适应和伪标签化的跨领域学习策略是否在处理异构国家记录系统中的结构化表格数据时仍能保持有效性。成对显著性测试表明,跨领域迁移或增强方法并没有一致或显著优于单领域基线方法;更重要的是,没有任何训练好的模型能够优于简单的基准方法:全正面规则和基于上部结构状况评级的单一规则分类器的F2分数均为0.632,只有4种模型超过了这一分数,且高出最多0.019分,而顶尖模型之间的差异仍在可接受范围内;错误率和构建有效性分析将这一现象归因于领域间的条件分布不匹配。基于F2分数的折叠外阈值优化改善了少数类别的检测能力,但与基于普遍性的规则相比并没有显著提升。基于这些发现,本文讨论了一种三组筛选方案作为实际应用建议;该方案重新排序了待检查的桥梁列表,将模型不可靠的桥梁优先安排给工程师进行审查,以应对决策边界上的不确定性。
引言
桥梁是关键的基础设施资产,其安全性和可用性必须在其整个服务寿命期间得到保障。随着桥梁的老化,由于劣化、负载和环境因素的影响,性能的变异性会增加,因此需要系统性的安全评估。桥梁状况通过视觉状况、安全系数和承载能力等指标进行评估。承载能力表示桥梁安全支撑活载的能力,定义为在标准化死载效应后的剩余容量。超过特定阈值的表示状况可以接受,而低于阈值的则需要进一步采取措施,如维修、加固或限制交通。
在美国,桥梁承载能力评估受联邦法规和技术标准的约束。联邦公路管理局(FHWA)规定对公共桥梁进行不超过24个月的检查,并将结果记录在国家桥梁库存(NBI)中。根据美国州公路和 transportation 官员协会(AASHTO)的桥梁评估手册,承载能力是通过公式(1)计算的,并分为运行评级(代表最大允许负载)和库存评级(表示设计使用寿命内的可持续负载)(AASHTO, 2018)。
尽管韩国和美国在表达系统和量化抗力能力的方法上有所不同,但基本原理是相同的:承载能力评估基于在排除死载后的总抗力中获得的剩余结构抗力来评估活载承载能力(公式(2))。因此,承载能力是一个关键指标,直接反映了桥梁当前的结构性能,并支持维护和管理的决策。
然而,承载能力评估通常需要进行结构分析或负载测试,往往伴随着交通控制等现场措施。因此,对所有桥梁的重复评估既耗时又昂贵,导致承载能力数据稀缺。对于老化的桥梁,由于设计文档缺失和评估相关信息不完整,基于分析的评估受到限制。这些困难导致了各国维护数据状态的差异。例如,美国凭借完善的基础设施维护系统,通过强制性的双年检查和NBI系统,数十年来不断积累了大规模的标准化承载能力数据集。基于大量的美国桥梁数据,提出了许多基于机器学习(ML)的研究,用于桥梁状况预测(Liu和Zhang, 2020;Ghosh和Karmakar, 2025)以及在没有完整设计文档的情况下估算承载能力(Ko和Kim, 2023;Ruiz和Freyne, 2022;Alipour等, 2017)。除了状况评估之外,ML技术还被应用于优先处理需要详细评估的桥梁、从有限库存属性估算承载能力,以及对无需重复结构分析的退化结构进行筛选。这些研究一致表明,当在足够大的数据集上训练时,数据驱动的模型能够捕捉桥梁属性之间的复杂非线性关系并提供可靠的预测。
相比之下,韩国没有类似的全国性数据积累,其承载能力记录过于稀缺和碎片化,无法独立支持稳健的数据驱动建模。在这种数据有限的情况下,利用外部数据(如数据集成和增强)的方法被广泛认为是补偿样本不足和不平衡的有效手段。重要的是,桥梁结构构成了一个共同的领域,在这个领域中,美国和韩国的承载能力设计原则是相同的,主要区别在于表达系统和负载因子的约定。这种基本一致性激发了研究这些数据集成和迁移策略是否仍然适用于韩国的承载能力建模的兴趣,尤其是在异构国家记录系统下,这一适用性尚未得到系统验证。为了评估这些策略的有效性,本研究在统一的嵌套交叉验证框架下,系统地比较了18种模型,包括单领域学习、跨领域知识转移和数据增强策略,使用168座韩国桥梁作为目标领域,95,954条美国NBI记录作为源领域。所比较的模型考虑了数据稀缺和不平衡的特点,涵盖了从广泛用于表格数据的梯度提升分类器,到从源领域转移信息的技术(如领域对抗神经网络(DANN)、基于值填充和掩码估计的自监督表示学习(VIME)和伪标签化,以及合成少数类别样本的增强技术。由于两个领域在承载能力方面的设计原则是共享的,因此研究了数据集成和增强作为缓解目标数据稀缺和不平衡的候选方法,而不预先假设它们的有效性;同时采用了包括对抗网络和迁移学习在内的成熟迁移技术,将信息丰富的源领域的数据传递给数据稀缺的目标领域。此外,考虑到误报(即漏检缺陷桥梁)的安全影响远大于误报(即将完整桥梁标记为缺陷)的成本,因此调整了分类阈值以优先检测缺陷,从而为工程师提供支持性证据而非最终的决策。通过18种模型的各种组合对这些策略进行了实证检验,并据此提出了一种筛选方案,用于识别边界范围内的不确定案例,为工程师提供实用的审查信息。通过这一系列分析,本研究旨在明确这些策略在数据稀缺和不平衡环境中的适用性。
研究结论
以前的研究报道了在大型数据库中快速、一致地进行桥梁评估的局限性,因为这依赖于设计文档、材料信息、现场测试和工程判断来确定运营负载能力和状况评估。Ko和Kim(2023)以及Ruiz和Freyne(2022)证明了即使没有完整的设计文档,也可以利用几何和结构信息来估算承载能力或库存评级。
数据构建
在本研究中,韩国桥梁数据和美国NBI数据分别作为目标领域和源领域,用于构建桥梁安全性和缺陷的二元分类模型。目标领域包含了224座韩国桥梁的详细安全检查所得的承载能力数据,其数值是通过结构分析得出的。数据集被结构化为表格数据,包括桥梁库存属性和状况评级等输入变量。
模型训练的数据配置
所有模型的性能仅在韩国桥梁数据集上进行了评估,因为本研究的目标是针对韩国桥梁,因此评估该领域的泛化性能至关重要。由于韩国数据集的样本量有限且标签分布不平衡,如果基于单一随机分割,性能估计可能会有很大差异。为了解决这个问题并实现更稳定的评估,本研究采用了嵌套交叉验证进行模型训练。
阈值优化
对于每个模型,分类阈值被选为在第4节中定义的共同网格上最大化折叠外Fβ分数的值,图5显示了所有18个模型的F2阈值敏感性。由于优化后的阈值θ取决于实验协议,因此以折叠范围而非单一代表值的形式报告;所有模型和折叠中的θ均介于0.20–0.52之间。每个模型的平均θ集中在0.21–0.33的狭窄范围内。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号