橋梁技術狀況預測及養護決策研究進展

摘要 合理評估橋梁技術狀況，并對橋梁技術狀況進行準確預測，確定科學、經濟、可持續的養護決策是當前亟待解決的問題。該文綜述了橋梁技術狀況評估、預測和養護決策的研究成果，指出橋梁技術狀況預測和養護決策研究的發展趨勢，為實現高效、科學的橋梁運營管理提供參考。

關鍵詞 橋梁工程；技術狀況評估；技術狀況預測；養護決策

中圖分類號 U447 文獻標識碼 A 文章編號 2096-8949（2024）19-0167-04

0 引言

隨著公路橋梁運營時間增加，其材料老化、技術狀況逐漸劣化的情況不可避免。近年來，各國學者針對橋梁養護科學決策進行了大量研究，此類研究通常以橋梁預測為開始基礎，如何合理評定橋梁技術狀況并對其準確預測，確定科學、經濟、可持續的養護決策，最大限度地確保橋梁的安全和耐久性水平是當下所面臨的問題。

1 橋梁技術狀況評估

橋梁技術狀況評估是指對橋梁的結構性能、安全性和耐久性進行全面評價的過程，包括對橋梁使用的材料和結構特性的分析、對橋梁荷載狀況和工作環境因素的分析以及對橋梁歷史和現狀的分析等[1]。

1.1 基于標準和規范的評估方法研究

基于標準和規范的評估方法是采用現行標準和規范對橋梁各部件及總體的技術狀況進行評定。

《公路橋梁技術狀況評定標準》（JTG/T H21—2011）中采用分級綜合評價與單項控制指標相結合的方法[2]，橋梁技術狀況評定框架如圖1所示。

基于《公路橋梁技術狀況評定標準》（JTG/T H21—2011）[2]，《公路橋涵養護規范》（JTG 5120—2021）[3]取消了原規范中一般評定的相關內容，保留1～5類橋梁的等級劃分和狀態描述，并針對1類橋梁增加預防養護對策，在適應性評定方面，通常按照整條線路統一安排進行。

1.2 基于層次分析法的評估方法研究

層次分析法是綜合定性和定量方法的多目標分析方法。內容包括使用多個級別因素將復雜問題分解，根據指標的重要程度建立判斷矩陣并計算矩陣的特征值和特征向量，確定不同解的重要性權重，基于層次分析法評估方法一般流程如圖2所示[4]。

郭大進等[5]提出了一種基于層次分析法的改進橋梁評價模型，利用最優傳遞矩陣法改進傳統層次分析法來確定評價指標的相對權重。文良華等[6]探討了一種基于分層分級的鐵路橋梁技術狀況評估方法，從構件單元出發，逐級進行部件、結構部位和全橋的技術狀況評定。

1.3 基于機器學習的評估方法研究

機器學習是計算機科學和統計學的融合，涉及分析統計數據以構建通過經驗自動迭代的計算機模型，是當今發展最快的技術領域之一，也是人工智能和數據科學的核心。喬朋等[7]利用多種機器學習方法進行橋梁技術狀況評估與預測，應用決策樹、支持向量機、隨機森林以及兩種集成算法構建了多個評估模型。沈林白等[8]使用高效的神經網絡算法，建立橋墩地震動力響應與損傷程度之間的關系模型。

1.4 基于監測數據的評估方法研究

基于監測數據的橋梁評估方法主要是指利用各種傳感器收集的橋梁結構的各種數據，通過數據分析和機器學習技術來評估橋梁的健康狀況和使用性能。Wedel等[9]通過分析德國高速鐵路線上兩座橋梁的監測數據，研究了空氣溫度、太陽輻射和降水量與橋梁溫度之間的關系，從而實現傳感器故障檢測和結構狀態評估。

1.5 評估方法分析

基于標準和規范評估方法綜合考慮了多種變量，平衡了安全與經濟，然而也可能過于保守，面臨著標準化與適應性挑戰?；趯哟畏治龇ǖ脑u估方法提供了一種系統化的決策方法，能夠處理復雜的多準則決策問題，但層次分析法依賴于專家的經驗和判斷，可能導致評估結果受到主觀因素的影響?，F階段基于機器學習的評估方法自動化程度高，然而其實際應用難度大，僅通過監測數據實現橋梁損傷診斷仍具有不確定性，橋梁結構的綜合性能尚無法基于監測數據的評估結果完全反映。

2 橋梁技術狀況預測

橋梁技術狀況預測是基于合理假設，通過計算機或數理統計方法分析橋梁檢查或評定數據以探求橋梁技術狀況變化趨勢的方法。預測的準確性往往取決于數據的體量和可靠程度，在承載能力與可靠性評估基礎上預測橋梁剩余壽命是當前橋梁技術狀況預測的主要研究內容。

2.1 統計回歸預測

統計回歸分析預測模型即使在沒有精確的函數表達式的情況下也表現出逼近變量之間函數關系的特征，橋梁不同部件受到獨特的環境和退化模式的影響，每個部件的技術狀況可以利用歷史檢查和評估數據通過回歸函數來描述，使用統計回歸分析預測模型、預測組件后續狀況和橋梁整體技術狀況的基礎。孫廣俊等[10]利用長期監測數據確定橋梁技術狀況退化模型參數，建立了技術狀況退化模型和預防性養護開始時間和間隔時間的優化模型。Jiang等[11]通過建立橋梁性能曲線來尋找橋梁狀況評分與橋梁年齡之間的關系。

2.2 馬爾可夫預測

馬爾可夫鏈是描述隨機過程的數學模型，其運行假設為下一個狀態僅取決于當前狀態，與先前狀態無關。在橋梁服務壽命預測中，可以將橋梁的不同條件等級視為不同的狀態，并計算從一個狀態轉移到另一個狀態的概率。林日成[12]基于包含預測主體、主體分布向量、退化階段、狀態轉移概率矩陣及計算的馬爾可夫鏈，提出預測路網級橋梁性能退化的方法。Collins等[13]認為馬爾可夫鏈在橋梁劣化建模中的應用主要體現在預測未來狀態、處理不確定性、減少單一模型的不確定性、分類和應用以及校準和更新等方面。

2.3 神經網絡預測

人工神經網絡預測模型是為特定目的而簡化的對生物神經網絡的一種技術模擬，其主要目標是開發一個適合工程結構的模型，利用生物神經網絡的基本原理來模擬認知過程。張艷君等[14]探討了基于門控循環單元網絡的橋梁變形預測方法。袁明等[15]通過在部分預應力混凝土斜拉橋損傷模型試驗中收集聲發射波形信號，使用卷積神經網絡對損傷程度進行識別和預測。孫凡等[16]將對預應力混凝土橋梁使用性能進行預測研究。Miao等[17]的研究主要比較了馬爾可夫鏈模型和循環神經網絡在預測橋梁劣化方面的性能。

2.4 預測方法分析

統計回歸預測方法是一種簡單且易于更新的預測方法，適用于各種類型的橋梁，但此方法無法預測個別橋梁的服務壽命。馬爾可夫鏈預測方法能較好地反映橋梁狀況變化的隨機性，然而此方法需要大量的數據支持，橋梁狀況評分可能受到主觀判斷的影響。神經網絡預測方法能處理大量復雜的數據輸入，可以學習和適應用戶需求，不過此方法需要對大量的數據進行訓練，模型的解釋性較差。

3 橋梁養護決策

決策是指在所有可能的選擇中確定最佳替代方案的過程，但在實踐中，決策者常常面臨各種決策問題，隨著信息技術的發展，養護決策正從定性方法向定量方法轉變。橋梁養護決策是指為確保橋梁的安全運行并延長其使用壽命，在橋梁養護過程中對養護或修復措施進行科學、合理和經濟性判斷的重要過程，橋梁養護系統的核心是養護決策模型。

3.1 多屬性決策方法

多屬性決策方法是一種用于解決具有多個評價標準或屬性的決策問題的工具，此方法主要關注如何對一組備選方案進行排序和選擇，以尋找最符合期望的方案。鄒艷等[18]通過分析基于相容關系和區分矩陣的知識獲取算法，針對信息不完備條件下的橋梁養護決策問題進行了研究。郭志東等[19]考慮五個因素應用模糊數學方法構建橋梁養護決策模型。

3.2 多目標決策方法

多目標決策方法是在考慮多個目標的情況下尋找最優解的方法，與多屬性決策方法不同，多目標決策方法關注的是如何在滿足所有目標的前提下，尋找一個或多個折中的最優解。蘇丹[20]利用改進的事故樹分析模型分析大型橋梁結構損傷的因果鏈，提出用于確定預防性養護措施和養護時機的多目標決策模型，數據驅動的橋梁智能養護決策路徑，如圖3所示[20]。

劉淵[21]通過NSGA-Ⅱ遺傳算法建立養護決策模型，并通過效益目標函數平衡養護費用與橋梁狀況之間的關系，最終實現路網級橋梁的養護決策優化。Gui等[22]提出了一種用于項目級橋梁維護決策的綜合評估算法，通過預測參數狀態、計算權重和建立綜合評估模型，為橋梁維護提供優化方案。

3.3 決策方法分析

傳統決策方法主要關注在眾多備選方案中找出最優解，但此方法在處理多目標問題時存在局限。多屬性決策方法則能夠綜合考慮各個方面的因素，使得決策過程更加客觀和靈活，然而此方法在實際操作中需要大量的數據和信息支持。多目標決策方法能夠同時考慮多個目標，處理相互沖突的目標，有助于決策者從多個角度評估和選擇最合適的方案，但此方法可能會忽略一些重要的因素或者目標，且需要大量的計算資源和時間，結果可能依賴于所選擇的權重和偏好。

4 結束語

隨著機器學習和人工智能技術的發展，這些技術有望在橋梁技術狀況評估和預測工作中得到更廣泛地應用，例如與傳感器技術、物聯網和大數據分析等其他先進技術相結合，共同推動橋梁智慧管養技術的發展。對于養護決策問題，由于我國公路橋梁對橋梁養護決策的現實需求日益增加，傳統的多線性模型可能無法準確描述變量之間的關系，隨著更多數據的積累和算法的改進，養護決策模型將變得更加精準和高效。后續該領域有望實現更高的自動化水平、更準確的預測能力和更廣泛的實際應用。

參考文獻

[1]AKIYAMA M， FRANGOPOL D M， ISHIBASHI H. Toward life-cycle reliability-， risk- and resilience-based design and assessment of bridges and bridge networks under independent and interacting hazards： emphasis on earthquake， tsunami and corrosion[J]. Structure and Infrastructure Engineering， 2020（1）：26-50.

[2]公路橋梁技術狀況評定標準：JTG/T H21—2011[S].北京：中華人民共和國交通運輸部，2011.

[3]公路橋涵養護規范：JTG 5120—2021[S].北京：中華人民共和國交通運輸部，2021.

[4]郭金玉，張忠彬，孫慶云.層次分析法的研究與應用[J].中國安全科學學報，2008（5）：148-153.

[5]郭大進，宋波，周文歡.基于層次分析法的在役梁橋養護狀況綜合評估[J].公路交通科技，2011（3）：108-112.

[6]文良華，肖鑫.鐵路橋梁技術狀況分層分級評估方法[J].鐵道建筑，2022（8）：103-107.

[7]喬朋，梁志強，徐凱，等.基于機器學習的中小跨徑橋梁技術狀況評估[J].長安大學學報（自然科學版），2021（6）：39-52.

[8]沈林白，洪彧，周志達，等.基于機器學習的鐵路橋

墩地震損傷快速評估[J].地震工程學報，2024（1）：95-104.

[9]WEDEL F， MARX S. Application of machine learning methods on real bridge monitoring data[J]. Engineering Structures， 2022：113365.

[10]孫廣俊，焦陽，吳炳延，等.基于技術狀況的混凝土公路橋梁周期性預防性養護策略研究[J].南京工業大學學報（自然科學版），2022（1）：82-91.

[11]JIANG Y， SINHA K C. Bridge Service Life Prediction Model Using the Markov Chain[J]. Transportation Research Record， 1989（1）：24-30.

[12]林日成.路網級橋梁性能狀況預測研究[J].運輸經理世界，2022（31）：80-82.

[13]COLLINS J， WEIDNER J. Comparison of Markovian-Based Bridge Deterioration Model Approaches[J]. Journal of Bridge Engineering， 2023（8）：04023047.

[14]張艷君，丁德平，沈平，等.基于GRU神經網絡的橋梁變形預測方法研究[J].建筑結構，2022（S2）：1938-1943.

[15]袁明，王爍，顏東煌，等.基于聲發射和卷積神經網絡的混凝土橋梁損傷預測研究[J].中外公路，2022（4）：69-75.

[16]孫凡，鄔曉光，霍建斌，等.基于模糊神經網絡的PC橋梁使用性能預測[J].公路，2022（2）：95-98.

[17]MIAO P， YOKOTA H. Comparison of Markov chain and recurrent neural network in predicting bridge deterioration considering various factors[J]. Structure and Infrastructure Engineering， 2024（2）：250-262.

[18]鄒艷，楊丹.不完備信息系統知識獲取方法在橋梁養護決策中的應用[J].計算機與現代化，2010（7）：188-190+196.

[19]郭志東，劉杰穎，張學軍.鄉村公路橋梁養護工程決策方法研究[J].公路工程，2013（6）：260-262.

[20]蘇丹.大型橋梁結構健康評估及預防性養護多目標決策方法研究[D].北京：北京交通大學，2022.

[21]劉淵.基于改進技術狀況評定的多目標橋梁養護決策方法研究[D].西安：長安大學，2023.

[22]GUI C， ZHANG J， LEI J， 等. A comprehensive evaluation algorithm for project-level bridge maintenance decision-making[J]. Journal of Cleaner Production， 2021：125713.

收稿日期：2024-06-19

作者簡介：季柯城（1996—），男，碩士研究生，工程師，研究方向：交通運輸工程。

基金項目：浙江省交通運輸廳科研計劃項目“多塔連跨雙層鋼桁梁懸索橋智慧運營與養護關鍵技術研究”（2018007）。