橋梁健康監測係（xì）統的損傷識別，是通過采用橋（qiáo）梁結構（gòu）實測的靜、動力（lì）響（xiǎng）應(排除外環境噪聲對力學參數的（de）影響)，開展橋梁損傷（shāng）識別、損傷定位、損傷程度分析、結構總體性能預測的過程。根據數學算法的性質，橋梁結（jié）構損傷監測算法，可分為基於（yú）模型修正的算法和（hé）基於非模型修正的算（suàn）法(又稱基於監測數據驅動的算法)。前者通（tōng）過比較數（shù）學模型參數與真實結構（gòu）測量數據（jù）來監測橋梁的健康狀態；後者無須建立結構模型，僅依據監測數據實時分析橋梁的方式來評估橋梁的健（jiàn）康狀態。相比較而言，前者需要具有專（zhuān）業的橋（qiáo）梁建模知識，且模型修正計算工作量較大。

1、依托模型的探索（suǒ）

基於模型修正的損傷識別（bié）方法，旨（zhǐ）在通過比較被監（jiān）測橋梁的數學模型參數(通常（cháng）采用有限元建模技術)與傳感器在實際結構上的實時監（jiān）測（cè）數據，判斷結構的變異性。根據有限元質量矩（jǔ）陣、剛度矩（jǔ）陣及阻尼矩陣的（de）修正策略，可分（fèn）為局部修正法（fǎ）和（hé）全局修正法。前（qián）者僅針對有限元模型進行局部物理（lǐ）參數的修正，後者則對有限（xiàn）元模型的整體質量矩陣和（hé）剛（gāng）度矩陣進行重建。

基於有限元模型修（xiū）正的損傷識別（bié）研（yán）究表明，以下問題值得（dé）進一（yī）步探索（suǒ）：一是為獲得合理的有限元模型與健康監測數據進行對比，通常采取（qǔ）室內試驗的實測數據對模（mó）型進行修（xiū）正（zhèng），這些研究（jiū）討論外界環境或荷載對實測數據帶來（lái）的影響較小，修正後的（de）有限元模型在實際（jì）工程（chéng）應用中，是否會因（yīn）為環境改變而發生預警誤判仍（réng）需加以研究。二是雖然采用實（shí）測數據對（duì）模型進行了（le）修正校對，但為（wéi）了避免已有（yǒu）損傷對結構（gòu）監測帶來的影響，此（cǐ）修（xiū）正工作常選擇在新橋監（jiān）測階段（duàn）進行，且涉及（jí）監測年（nián）限較短，理論上修正後（hòu）模（mó）型具有損傷（shāng）預警（jǐng）的可能，但暫未發現時間跨度較大、能夠（gòu）追蹤損傷發展的損傷判定實例（lì）。三是目前的研（yán）究以橋梁靜力（lì）測（cè）試參（cān）數作為修正指（zhǐ）標，然而在進行靜力指標檢測時，通常（cháng）隻有當橋梁的健康狀態（tài）嚴重退化時，該項指標才（cái）會發生顯著變化，應選擇對結構損傷（shāng）敏感的力（lì）學指（zhǐ）標進行修正與對比，以達到損傷預（yù）警的（de）目的。

當然（rán），修正（zhèng）模型時對修正參數數（shù）量（liàng）和類型的選擇，是有限（xiàn）元模型修正中最具挑戰性的工作之一，需要選擇最優參數，讓（ràng）模型計算結果快速收斂並滿足計算精度（dù）的要求。

2、機器學習唱“主角”

基（jī）於監測（cè）數據驅動（dòng）的算法是依靠機器學習的算法。人工神經網絡法(ANNs)是20世紀80年代以（yǐ）來人（rén）工智能領域興起的（de）研究（jiū）熱點，為當代最強（qiáng）大的機器學習算法（fǎ）之（zhī）一，亦是（shì）目前各種神經網絡（luò）模型的基礎。隨著ANNs的快速（sù）發展，基於監測數（shù）據驅動的損傷識別方法更新迅速，此（cǐ）類方法僅依靠橋梁的力學行為變化，便（biàn）可以（yǐ）分析結構安全狀態，而無須建立複雜的橋梁有限元模型，可結合健康監測係（xì）統（tǒng）為橋梁管理人員提供簡單、快捷的結構實時狀態分析結果。近年來在原有（yǒu）基礎上，卡爾曼濾波法（fǎ）、蜂群算法、貝葉斯算法、大數據和（hé）人工（gōng）智能（néng）等多種算法，被應用於結構損（sǔn）傷識別中。

神經網絡及改進算法中（zhōng）模型結構的（de）選擇是一個重要問題。根據樣本訓練（liàn）策略的不同，在橋梁監測領域常用的神經網絡，可進一步分為前饋神經網絡(FFNN)、後向傳播神經網絡(BPNN)和概率神（shén）經網絡(PNN)。在此基礎上，針對其特點，又發（fā）展出（chū）各種改進網（wǎng）絡模型，如長短（duǎn）期記憶網絡(LSTM)、回聲狀態（tài）網絡(ESN)、殘差網（wǎng）絡(ResNet)等。神經網絡及改進方法可以近似成任何函數，但未與橋（qiáo）梁（liáng）模型直接相關，因此該方法所建立（lì）的屬性模型是一個黑箱模型，無法代表橋梁的物理結（jié）構。基於神經網絡的損傷監測方（fāng）法，隻依賴於從橋梁結構上采集到的數據，而並不需要建立橋梁有限元模型的專業知識。鑒於目前尚無選擇神經網（wǎng）絡最優結構的標準方（fāng）法，因此在實（shí）際工程（chéng）中需要自行選擇合適的神經網絡，並定（dìng）義訓練數據的最佳算法，以實現（xiàn）訓（xùn）練（liàn）階段的快速收（shōu）斂。

基於監（jiān）測數據（jù）的損傷識別（bié）研究表明，在不受外界環（huán）境因素幹擾的情況下，經過訓練的神經網絡理論上能夠以較高準（zhǔn）確率識別結構損傷的發生、位置及失效程度；但在實際工程（chéng）中,不斷變化的環境條件(如（rú）空氣溫度、風和交（jiāo）通）會對橋梁的力學響應產生強烈影響，使得神經網絡的（de）性能隨著采集信號中噪聲的增加和橋梁的車（chē）輛負載（zǎi）而下降；神經網絡的準確性取決於訓練時所采用的數據,應變、頻率、振型比加速度數據更適宜作為神經網絡（luò）的訓（xùn）練數（shù）據（jù）,且隨著訓練數據樣本的減少，人（rén）工神經網絡損傷（shāng）監測精度下降,虛假預警比（bǐ）例則上升；對特定工程選擇最合適的（de）神經網絡進行（háng）數據訓練,而神經網絡的（de）選擇需（xū）要根據（jù）待（dài）測係統（tǒng）人工進行（háng）調整,且準確性受損傷發生位置的影響較顯著，在橋梁關鍵截麵監測結果較準確，反之（zhī）則適用度不高。

為了充分發揮各類算法的優勢，彌補不足，必須形成（chéng）新型複合的多（duō）層（céng）級耦合算（suàn）法。此算法可采用多尺度方法（fǎ）處理不（bú）同（tóng）來源的（de）數據，優（yōu）化模型修正的過程，提升結構（gòu）安全預測（cè）的準確率（lǜ）。研究表明，將（jiāng）基於模（mó）型的算（suàn）法和基於監測數據驅動的（de）算法互相融合，可更有效識別結構損傷（shāng）程度。但目前大多數研究不（bú）考慮外界環境（jìng）影響的室內模型試驗，預測結果僅限於（yú）判定（dìng）結（jié）構損傷的存在、位置，損傷程度的評判結果有欠準確，亦（yì）無法預測橋梁的未來行（háng）為。當實際結構受（shòu）到環境或（huò）荷載因素幹擾時（shí），虛假預警可能出現。

由以（yǐ）上（shàng）分析可以看出，目前無論采用哪種損傷識別算法都能識別出（chū）橋梁結構上損傷的（de）存（cún）在，並判定損（sǔn）傷的大體位置。實踐（jiàn）證明，絕大多數算法在推斷損傷類（lèi）型、損傷（shāng）程度、預測橋梁剩餘（yú）壽命和未來力學行為等（děng）精度方麵仍有提高的空間，而推斷或預測（cè）的可靠性也缺乏直接證據。針對此類問題，需要在（zài）識別（bié）出結構損（sǔn）傷位置（zhì）的前提下，補充關於（yú）結構外觀損傷和內部缺陷的（de）無損檢測（cè）內容，進一步確定結構損傷的類型和程度，為下（xià）一（yī）步製定管理策略提供支持。

中交路（lù）橋科技結合多年行業（yè）先（xiān）進經驗，融合數字經濟和國家安全體係發展需求，構建“智能監測、科技（jì）領先、智慧城（chéng）市（shì）、數字賦能”的品牌戰略，形成了工程（chéng）檢測、城市安全監測、數字（zì）化研發運維三大業務板塊。公司技術實力雄厚，當前擁（yōng）有一支高素質工程（chéng）醫生團隊，囊括了鐵道工程、城市道路與公路、橋梁工程、隧道工（gōng）程、建築工程、水利工程、工程物探、安全技術、電力、信號、集成電路、智能科學等專業。公司試驗、檢測、監測儀器設備齊全，用於試驗檢測（cè）、測（cè）繪的儀器設備共計（jì）千餘套，為試驗檢測、監（jiān）測數據的科學、準確提供了硬件保證。