基于可微分代理模型的装配式梁桥结构损伤识别方法

本发明涉及桥梁结构风险识别，具体涉及基于可微分代理模型的装配式梁桥结构损伤识别方法。

背景技术：

1、装配式梁桥由预制钢筋混凝土梁或预制预应力混凝土梁与现浇接缝构成，凭借其构造简洁、受力明确、施工高效以及建筑高度低等显著优势，成为公路交通系统中应用最广泛的中小跨径桥梁形式之一。在长期服役过程中，受重载交通、环境侵蚀及地基不均匀沉降等因素的耦合作用，装配式梁桥极易产生多种结构病害，如接缝开裂、底板损伤及混凝土剥落等，造成结构承载性能的退化。

2、为反演识别装配式梁桥的结构损伤状况（承载性能具体退化多少），现有技术往往基于监测与检测得到的实测结构响应开展有限元模型更新，具体而言，建立桥梁的有限元模型，并通过遗传算法、基于有限差分的梯度下降算法等优化算法更新模型的参数（例如将材料属性调低以模拟损伤），使得模型计算的结构响应与实测结构响应吻合，便认为更新完成后的模型参数（有效截面刚度、材料属性等）反映了真实的损伤状态，即完成了损伤识别。

3、然而，受制于有限元模型巨大的计算耗时，在面对多参数反演问题时（例如需要考虑每片主梁和每条接缝各自的损伤程度），极易陷入收敛缓慢或“维数灾难”的困境。采用计算效率更高的代理模型替代有限元模型，可一定程度上缓解上述问题。然而，传统代理模型（如kriging或传统神经网络）往往只能针对特定的一座桥梁进行建模，缺乏处理不同桥梁结构（例如跨径、主梁数量等拓扑信息，以及梁宽、材料属性等参数发生变化的情况）的通用能力。

4、因此，本发明拟提出一种适用于装配式梁桥结构响应预测的图神经网络代理模型，不仅能够实现结构响应的高效预测，更具备表征任意拓扑配置的装配式梁桥结构的潜力，克服了传统代理模型泛化性差的瓶颈。

技术实现思路

1、针对现有技术的不足，本发明提供了基于可微分代理模型的装配式梁桥结构损伤识别方法以解决上述问题。

2、本发明提供如下技术方案：

3、基于可微分代理模型的装配式梁桥结构损伤识别方法，包括以下步骤：

4、采用链式图来表征装配式梁桥的结构拓扑和损伤状态；

5、构建并训练一个融合注意力机制的图神经网络，作为输入装配式梁桥的结构拓扑和损伤状态参数预测该装配式梁桥对应的结构响应的代理模型；

6、将损伤识别表达为一个优化反演问题，目标为寻找使现场获取的实测结构响应与基于代理模型输出的预测结构响应之差异最小的损伤状态参数组合；

7、采用梯度下降算法高效求解该优化反演问题，反演出的最优解即代表了对装配式梁桥损伤状态的识别结果。

8、优选的，所述实测结构响应为反映结构性能的静力或动力指标。

9、优选的，所述损伤状态参数为预定义的用于表示结构损伤情况的参数。

10、优选的，链式图来表征装配式梁桥包括：

11、将装配式梁桥的每一片主梁视为一个节点，每一条连接相邻两片主梁的接缝视为一条边，则由主梁和接缝交替排列构成的装配式梁桥可以用一个链式图g= (v，e)来表示；其中，v为主梁集合；e为接缝集合。

12、优选的，所述图神经网络包括特征初始化与融合模块、多阶晶体图卷积编码器、全局上下文注意力编码器、以及解码器。

13、优选的，所述特征初始化与融合模块包括以下步骤：

14、获取装配式梁桥的链式图，提取每个节点的局部特征、每条边的局部特征以及表征装配式梁桥宏观物理特性的全局特征；将所述全局特征广播至每一个节点，并与各节点的局部特征进行拼接融合，生成初始节点嵌入矩阵，使每个节点的初始嵌入向量同时包含自身局部信息和结构整体信息。

15、优选的，所述多阶晶体图卷积编码器包括以下步骤：

16、将所述初始节点嵌入矩阵和边特征输入至由多层晶体图卷积层堆叠而成的编码器中；在每一层图卷积中，对于每条边，将其边特征向量、所连接的两个节点的当前节点嵌入向量输入进行拼接，并通过全连接层与门控激活函数生成物理约束消息；

17、以边特征作为动态调控阀门调节节点间的信息传递；计算每个节点的一阶邻域聚合特征，并迭代地通过邻接矩阵计算高阶邻域聚合特征，将各阶邻域聚合特征进行拼接并通过线性映射得到该层图卷积的节点的嵌入向量输出；

18、重复多层图卷积后，输出全图特征。

19、优选的，所述全局上下文注意力编码器包括以下步骤：

20、将所述全图特征输入至由多头自注意力和前馈神经网络交替堆叠而成的全局上下文注意力编码器中；

21、在每一注意力层中，通过多个注意力头并行计算所有节点间的长程交叉注意力权重，加权聚合得到全局混合特征，并叠加残差连接与层归一化；随后通过包含两个线性变换层和非线性激活函数的前馈神经网络对每个节点独立进行特征通道非线性映射，并再次叠加残差连接与层归一化；经过多层注意力编码后，输出融合了全局上下文信息的输出张量。

22、优选的，所述解码器包括以下步骤：

23、根据待预测的结构响应类型，从所述输出张量中选取对应的节点特征嵌入，输入至由多层感知机构成的解码器中，输出预测的结构响应。

24、优选的，随机选取装配式梁桥的损伤状态参数初始值；

25、将当前迭代轮次的损伤状态参数初始值输入至所述图神经网络的代理模型中，由所述图神经网络输出预测的结构响应；

26、将所述图神经网络输出预测的结构响应与现场获取的实测结构响应进行比较，计算反演损失函数；

27、利用所述图神经网络可微分运算的性质，通过反向传播计算所述反演损失函数对损伤状态参数的梯度；所述梯度的计算依托代理模型训练收敛后固定的网络权重与偏置参数，采用自动微分技术实现，在前向传播过程中记录所执行的操作，并在反向传播过程中应用链式法则，将所述梯度展开为代理模型各层雅可比矩阵的乘积，从而获得所述损失函数的最陡峭变化方向；

28、基于所述梯度，按照预设的更新步长，采用梯度下降算法对所述损伤状态参数进行迭代更新，以减小所述反演损失函数值；该更新过程中，代理模型的网络权重与偏置参数保持不变；

29、重复执行上述步骤，直至满足收敛条件，停止迭代，并将收敛时得到的损伤状态参数作为所述装配式梁桥的损伤识别结果。

30、优选的，可对装配式梁桥的损伤状态参数初始值进行多次采样（例如随机采样或拉丁超立方体采样），并相应地多次执行上述反演识别，得到损伤识别结果的统计特征（例如平均值、中位数或众数）来作为所述装配式梁桥的损伤识别结果，从而降低损伤状态参数初始值的随机性带来的不确定性。

31、本发明具有如下有益技术效果：

32、本发明将损伤识别任务定义为一个可微分优化反演问题。利用深度学习框架的自动微分特性，所提方法可以直接计算响应偏差（代理模型预测的结构响应与实测结构响应之差）对损伤参数的准确梯度，从而绕过了传统方法中昂贵的数值梯度计算或盲目的启发式搜索。这种“拓扑感知代理模型+梯度驱动优化”的架构，实现了对多构件损伤状态的快速、定量反演，为大量装配式梁桥的自动化养护与性能评估提供了全新的技术路线。

33、链式图是装配式梁桥的通用数据表征形式，图神经网络代理模型可泛化至任意一座装配式梁桥。妥善训练的hg-attnnet能够预测任意给定结构拓扑与物理参数（含损伤状态）的结构响应，而不需要每次都针对新的桥梁和荷载工况重新执行训练。

34、与传统的有限元模型更新相比，本损伤识别方法的效率可实现显著飞跃，其一，构建的hg-attnnet代理模型可直接泛化至关心的装配式梁桥，故应用时只涉及反演识别，而不再需要耗费时间建模；其二，与有限元模型更新依赖的启发式算法或基于有限差分间接计算梯度的确定性算法相比，可微分优化反演过程对损伤状态参数的调整和优化都更明确和直接，为处理识别各接缝与各主梁的独立损伤状态参数这一高维反演任务提供支撑。