基于监测数据的结构安全评定理论和方法

Aiming at the massive data collected by structural health monitoring systems, first, this project will propose automatic diagnosis and recovery algorithms for the monitored error data. Second, the data-driven condition assessment methodology based on machine learning and deep learning will be investigated, which will recognize the feature space and patterns embedded in structural behavior, analyze the sense of feature space pattern and moreover establish the mapping relationship between pattern parameters and structural conditions. The data-driven structural condition assessment methods will be then proposed, the structural behavior and mechanism will be obtained simultaneously. Third, the structural safety evaluation methodology based on mechanical model will be studied, where the spatio-temporal models of load and environmental actions, response and capacity of structures will be given using monitored data. The computation approaches of structure-system reliability based on probabilistic graphical model theory will be proposed and the failure criterion will be studied. Model-based structural safety evaluation methods will be then presented, and the deterioration process of structural performance and resistance will be given at the same time. Finally, the decision-making system and Benchmark problem will be studied for structural condition assessment and safety evaluation using monitored data. On the basis of above investigations, structural safety evaluation methodology based on monitored data will be established systematically. The output of this project will be beneficial for structural safety in operation condition.

本项目针对桥梁结构监测系统累积的海量数据，首先，研究监测错误数据自动诊断和修复算法；其次，研究基于数据驱动的结构状态评估理论与方法，包括研究基于机器学习和深度学习的监测数据分析和挖掘方法，发现数据中隐含的结构服役行为特征空间及特征空间模式，分析特征空间模式的物理意义，建立模式参数与结构服役行为和状态之间的关系，发展基于数据驱动的结构状态评估方法，揭示真实环境下真实结构服役行为与机理；再次，研究基于物理模型的结构安全评定理论与方法，包括研究基于监测数据的结构荷载与环境作用、荷载效应与抗力建模方法与时-空模型，提出基于概率图理论的结构体系可靠度分析方法和失效准则，发展基于模型的结构安全评定方法，揭示结构服役性能演化规律与抗力衰减规律；最后，建立基于监测数据的结构安全评定决策系统及Benchmark模型。本项研究将形成系统的基于监测数据的结构安全评定理论和方法，为保障桥梁服役安全提供科学依据。

本项目针对基于健康监测数据的结构安全评定难题，按照任务书内容与进度计划开展研究，在基于机器学习和深度学习的结构健康监测安全评定理论与方法方面取得重要成果。首先，研究了结构健康监测异常数据诊断与恢复方法，提出了基于分布扭曲变换的监测数据分布-分布回归预测方法。其次，研究了基于数据驱动的结构状态评估方法：提出了基于计算机视觉的结构分布式微小损伤融合卷积神经网络识别方法和各类小样本结构损伤的元学习识别方法；针对结构健康监测数据的空间强不完备性，提出了基于监测数据时空相关性的结构状态评估方法，揭示了相同荷载下监测数据相关性仅与结构参数有关而与荷载无关、相关性特征变量可作为结构状态评估指标的原理，提出了结构应变空间互相关建模与状态评估方法，建立了斜拉索索力空间相关性聚类模式的混合高斯模型及状态评估方法，提出了主梁挠度和斜拉索索力时序及概率分布相关的深度学习建模及状态评估方法。再次，研究了基于模型驱动的结构安全评定方法：融合视频和动态地秤监测数据建立了全桥车辆荷载空间概率分布无向图模型，提出了结构全场位移计算机视觉识别方法和结构模型修正稀疏贝叶斯算法，建立了基于计算机视觉的腐蚀拉索疲劳寿命评估方法、钢箱梁疲劳可靠度评估的贝叶斯网络方法、以及基于深度强化学习的维修决策方法。本项目率先建立了基于机器学习的结构健康诊断新理论，引领了国内外该方向研究。获国家科技进步二等奖1项、美国土木工程师学会Housner奖章，在本领域国内外顶级期刊上发表SCI论文40篇、大会报告18篇，申获发明专利和软件著作权16项，并应用于苏通大桥等10余座大跨桥梁的安全评估。主办本领域最具影响力之一的大型国际会议1次，发起并主办国际结构健康监测序列竞赛2次，担任国际学会理事长2人次、国际期刊副主编和编委3人次、国内一级学会副理事长和二级学会主任委员等，培养优青1名、青年长江学者1名、青年教师、毕业博士和硕士研究生多名。