IASC-ASCE 结构健康监测基准与物理信息损伤识别

新
许可证: various(论文版权归作者;数据按任务组条款分发) · 更新于 2026-11-11
我的评分

一、简介

结构健康监测是物理 AI 落地土木工程时最容易变成口号的一块。常见演示停在「把传感器数据喂进网络,得到一个损伤概率」,而工程决策真正需要的是三件事:损伤在哪一层哪一根构件、折减了多少、以及这个结论有多可信。前两件事属于结构动力学的反问题,第三件事属于概率建模,三者被混在一起谈时,指标数字往往失去意义。

IASC-ASCE 结构健康监测基准的价值恰在于它是这个方向少见的、由结构工程共同体正式发布的统一算例。它的意义不在于「有一个公开数据集」,而在于提供了一套受控的对照设置:同一栋四层钢框架、同一批传感器位置、同一组六种损伤模式、同一套噪声假设,不同方法可以在完全相同的口径下被排列。土木工程里能同时满足「有公认基准」与「有明确指标定义」的物理 AI 方向并不多,这个基准是其中之一。

读这篇的价值还有一层现实原因:本站此前关于该主题的条目存在大面积事实失真——把一个实验室缩尺钢框架写成了大跨度悬索桥,把一个 2000 年的基准问题论文写成了 PINN 数字孪生系统,还给出了无法核实的精度与寿命预测数字。这些数字若被写进技术方案或投标文件,会在评审阶段直接崩塌。因此本条目按「以核查纠偏为核心」重写:先还原基准的真实几何、损伤模式与噪声设定,再把物理信息方法在这个基准上的真实表现写清楚,最后逐条标注哪些旧表述需要撤回。

读者对象有三类:需要一套可信结构损伤识别评测协议的算法工程师;要向业主证明「监测数据加物理模型可以支撑检修决策」的桥梁与房屋运维团队;以及做物理信息方法、想在低维结构反问题上找一个标准算例校验实现的研究者。物理信息方法的全景与选型可参考物理信息神经网络版图,算子方法的取舍见神经算子选型指南。核对日期为 2026 年 11 月 11 日。

二、原理与工作方式

结构损伤识别在数学上是一个不适定的反问题。已知的是结构在激励下的加速度响应,未知的是构件刚度的退化程度。经典路径是模态反演:先由响应估计固有频率与振型,再由模态量反推刚度矩阵的退化。这一路径的困难在两层。其一,频率对局部损伤的敏感性远低于对整体刚度的敏感性,一个支撑件完全失效可能在总刚度上只留下百分之几的痕迹。其二,模态估计本身受噪声、激励不完备与建模误差三重污染,反演过程会放大这些误差。

物理信息方法在这条路径上的介入点有三个层次。第一层是把结构动力学控制方程写进损失函数。阻尼振子方程的残差与数据拟合项一起最小化,网络因此不能给出物理上不可能的输出。Z24 桥的研究给出的对比很有代表性:纯数据驱动的网络在验证集上可以做到约 97.7% 的准确率、宏平均 AUC 接近 1.00,而引入阻尼振子方程残差的物理信息网络准确率约 92%、宏平均 AUC 约 0.95——精度略降,稳定性与可解释性上升。

第二层是把可微分求解器直接嵌进网络架构。arXiv:2607.05025 提出的物理信息高斯 Copula 变分自编码器(PI-GCVAE)走的是这条路:架构内嵌一个可微分的数值特征值求解器,潜空间采样因此天然满足结构动力学控制方程,可训练参数被压到四万五千量级。

第三层是引入结构的空间拓扑先验。图的边对应构件连接关系,物理矩阵编码来自模态分析给出的力学约束,监测矩阵则由分层对比学习在节点、子图、全局三个尺度上学习。IEEE Access 2026 的多尺度图对比框架在 IASC-ASCE、Z24 桥与广州塔三个基准上验证,在 IASC-ASCE 上用 20% 标注数据达到 94.2% 准确率,标注降到 5% 仍保持 89.7%。

值得单独说明的是 PI-GCVAE 的概率层。它用高斯 Copula 取代变分自编码器通常采用的潜变量独立假设,显式建模相邻构件之间的物理相关空间互相关,从而把「哪些损伤组合在物理上说得通」写进先验。这一点比单纯的精度提升更重要,因为损伤识别最终要输出一个可执行的检查清单。

三、适用边界与前提

第一层前提来自结构本身。基准结构是 UBC 地震工程研究实验室里的一栋四层、两跨两跨的钢框架,按约三分之一缩尺建造,平面尺寸 2.5 米乘 2.5 米,高度 3.6 米,构件采用热轧 300W 钢(名义屈服应力 300 MPa)。柱截面为 B100×9,楼板梁为 S75×11,支撑为每跨两根 12.7 毫米直径的螺纹钢杆并联斜置。材料取 300W 钢、几何接近正交且构件截面规则,这个前提决定了所有结论都是线弹性、小变形、规则框架下的结论,把它外推到斜拉桥、大跨悬索桥或老化混凝土桥,缺的不是数据量,而是物理前提本身。

第二层前提来自辨识模型的简化。任务组同时提供 12 自由度剪切型模型与 120 自由度模型。12 自由度模型把每层的两个水平平动与绕中心柱的转动合并为三个自由度,共 12 个;柱与楼板梁用 Euler-Bernoulli 梁表示,支撑用无弯曲刚度的杆件表示。这套简化在模态反演里效率极高,但也直接压平了局部信息。文献里对此有明确论断:以 12 自由度模型作为辨识模型属于过度简化,通过它只能检出理想化的损伤情形,若要正确定位局部构件损伤,应采用更完整的三维框架模型。因此把 12 自由度的成绩读作「损伤定位精度」会高估能力。

第三层前提来自噪声模型。基准的数值数据集在加速度时程上叠加 5% 的高斯噪声。arXiv:2607.05025 采用的是更细的两段设定:固有频率用 2.5% 的乘性高斯噪声,标准差与频率幅值成正比;振型用 5% 的加性高斯噪声,标准差按每阶振型峰值绝对幅度缩放。两段噪声的量级不同,且加性与乘性对结果的影响路径不同,因此「5% 噪声」这个说法在两篇文献里指的不是同一件事。

第四层前提来自数据集的合成性质。PI-GCVAE 的验证集由一万个蒙特卡洛采样得到的简支梁损伤场景构成,单元刚度折减系数从 0.5 到 1.0 的均匀分布中抽取。合成数据让「真实后验」可以通过随机化拟蒙特卡洛数值积分求出,从而对估计后验做全面验证——这是真实结构上拿不到的便利。代价是环境变异性、温度效应与运营荷载耦合在数据里完全缺席。

四、上手路径

第一步是选基准层。IASC-ASCE 任务组的工作分三个阶段:Phase I 是分析阶段,用有限元模型生成数据,研究传感器噪声、建模误差与传感器信息不完备的影响;Phase II 分为 Phase II-S(数值模拟)与 Phase II-E(实验),后者在 2002 年 8 月于 UBC 实测完成,损伤通过拆除支撑或松开梁柱螺栓模拟,激励包含电动力激振器、冲击锤与环境振动三种,数据与完整试验设置发布在任务组官方站点 wusceel.cive.wustl.edu/asce.shm。研究目的是新方法的自检,选 Phase II-E;目的是算法排序,Phase II-S 的受控性更好。

第二步是选方法族。模态反演适合物理假设清楚、模型可校准的场景;子空间辨识在灰盒与黑盒两种建模之间有可量化的差异,噪声水平上升时灰盒的层间刚度估计误差明显更小;倒谱系数一类特征对传感器位置敏感,按楼层成对聚类的现象在 12 自由度数值集上被反复观察到,特征提取前必须知道测点在哪一层;图对比与概率生成方法适合有结构拓扑先验或需要输出不确定性的场景。物理信息方法的全景综述见物理信息神经网络版图与基于物理的深度学习。

第三步是选指标。定位类任务看分类准确率与误报代价;反演类任务看刚度折减系数的均方根误差与平均绝对误差;概率方法必须同时看覆盖率、平均绝对校准误差与整体对数似然。只报均方根误差会掩盖校准失效——一个点估计很准但区间过窄的后验,在工程上是危险的。

第四步是对齐再动手。复现顺序建议是:先用任务组的官方基线跑通,确认自己的数据读取、损伤模式映射与指标实现都正确;再把物理信息层加上去做消融;最后才谈工程部署。物理信息方法的实现可参考DeepXDE与PhysicsNeMo,图方法的实现可参考PyTorch Geometric。

五、横向对比

第一类对照是三个基准之间的性质差异。IASC-ASCE 是缩尺实验室结构加有限元生成的数据,受控性最好,缺点是没有真实结构的环境变异性;Z24 桥是瑞士的三跨混凝土实桥,由 EMPA 在 Brite/Euram 的 SIMCES 项目下测试,损伤场景包括桥墩沉降 20 毫米与 80 毫米、锚头失效、混凝土剥落与预应力筋断裂,环境激励来自交通,真实度高但工况不可重复;广州塔是长期运营的实景结构,噪声与温度变异性最真实。这三者构成一条从受控到真实的梯度,用它们做泛化性检验比在单一基准上刷分更有意义。

第二类对照是辨识模型的粒度。12 自由度剪切模型、120 自由度有限元模型与完整三维框架模型在同一个结构上给出不同层级的可检性。上文引用的建模问题研究明确指出 12 自由度模型只能检出理想化损伤。若关心「哪一根支撑坏了」,必须落到更细的模型上;若关心「楼层刚度整体退化了多少」,12 自由度模型足够且更稳。

第三类对照是数据驱动、物理信息与物理数据融合三条路线。Z24 桥的研究给出了同一任务下的直接对照:纯数据驱动网络精度最高,物理信息网络精度略低但更稳;IEEE Access 2026 的框架则是把有限元分析与自监督对比学习结合,用物理矩阵与监测矩阵双路输入,并用温度自适应注意力融合两路特征。三条路线的差别不在「是否用了物理」,而在物理以何种形式进入模型——作为损失残差、作为架构内的可微求解器、还是作为图上的先验矩阵。

第四类对照是确定性输出与概率输出。PI-GCVAE 与其数据驱动基线的对比最能说明问题:基线的均方根误差更低(0.028 对 0.034),平均绝对校准误差却高出一倍以上(0.056 对 0.026)。工程决策关心的是后者——一个校准失效的置信区间比一个偏差略大的点估计更危险。不确定性量化的方法口径见贝叶斯推断与不确定性量化合集。

六、基准与数据

基准几何与结构参数:四层、两跨两跨钢框架,位于 UBC 地震工程研究实验室,约三分之一缩尺,平面 2.5 米乘 2.5 米,高 3.6 米;九根柱热轧 300W 钢(名义屈服 300 MPa),柱截面 B100×9,楼板梁截面 S75×11;支撑为每跨两根并联的 12.7 毫米直径螺纹钢杆,连接夹具给支撑引入一定柔性,建模时需考虑;质量分布为第一至第三层各四块 1000 千克楼板、第四层四块 750 千克楼板,每层两块偏心放置以增强平动耦合,每块楼板由两条槽钢固定,两条合计 19.5 千克。

损伤模式共六种,加无损工况共七种:一层所有支撑刚度全部损失;一层与三层支撑刚度全部损失;西面一层北支撑刚度损失;西面一层北支撑与北面三层西支撑同时损失;上述第四种再加二层梁柱节点部分松脱(仅传力不传弯矩);西面一层北支撑损失三分之一刚度。

数据规格:传感器布置为每层四个加速度计、两个沿 x 向两个沿 y 向,全楼共十六个测向位置;12 自由度数值集中每个工况生成一千六百条加速度时程(每个传感器一百次实现),每条约一百秒,采样率一千赫兹,并叠加百分之五高斯噪声;实验阶段(Phase II-E)覆盖九个损伤水平与三种激励类型,任务组提供完整试验设置与数据下载。

物理信息方法在这批基准上的公开结果,口径各不相同,需分别看待。Z24 桥研究:纯数据驱动网络 V3 验证准确率约 97.7%、宏平均 AUC 约 1.00,其表格另给测试准确率 99.54% 与 AUC 1.000,摘要与表格口径存在差异;物理信息网络 V1 约 92%、AUC 约 0.95;全部结果基于单个竖向加速度计 acc_09,物理模型采用等效单自由度简化,物理信息训练需 HPC 集群。PI-GCVAE:十二维单元场景下,95% 覆盖率随正则权重从 69.0%(γ=0.25)、78.9%(γ=0.30)、83.5%(γ=0.35)升到 88.5%(γ=0.40),论文摘要另报 77.2%;十单元扩展场景覆盖率 90.1%;与数据驱动基线相比,均方根误差 0.034 对 0.028、平均绝对校准误差 0.026 对 0.056、可训练参数四万五千四百四十二对十八万七千七百四十三。图对比框架:在 IASC-ASCE 上以百分之二十标注数据达 94.2%,标注降至百分之五仍保持 89.7%,相对既有方法高 4.4 至 6.1 个百分点。

七、物理 AI 场景中的用法

第一条用法是方法筛选。一个新方法在这三个基准上依次跑:先在 IASC-ASCE 上看受控条件下能否区分六种损伤模式,再在 Z24 桥上看真实环境激励与不完全损伤下是否仍然成立,最后在实景长期结构上看温度变异性带来的误报率。掉队的位置比总分更能说明该补什么——在受控基准上失分通常是实现问题,在真实数据上失分通常是建模假设问题。

第二条用法是标注预算的界定。用少量标注数据跑标签效率实验,得到「标注量—精度」曲线,回答在什么预算下模型可用。对工程单位而言这一条最直接:结构健康监测的常态是长期监测数据很多、已知损伤极少,能把损伤标注成本压到可承受范围的方案才可能落地。标签效率实验的写法可参考物理知识机器学习综述。

第三条用法是失效检测的常态化。把物理残差纳入常规监控指标:网络在传感器之间的预测与结构动力学方程的偏离程度,本身就是模型可信度的指示。残差突然抬升,通常先于精度塌陷出现,可以作为告警的前置信号。

第四条用法是输出可执行结论。损伤识别最终要落到「去检查哪几根构件」。概率方法的价值正在于此:它给出的是带区间的构件级刚度折减分布,能直接映射成一份带优先级的检查清单,单一分类标签做不到这一点。整体方法路径见物理 AI 学习路径。

第五条用法是与数字孪生系统对接。结构健康监测通常只是更大系统的一个数据源,模型更新与健康指数计算需要稳定的接口与可复现的版本口径。本条目把基准几何、噪声设定、指标定义逐项固定下来,正是为了让不同团队的实现能够互相比较,这一纪律与站内电池热管理物理信息案例中强调的可复现口径一致。

八、不适用场景与失效模式

第一类失效来自尺度与物理前提。基准是缩尺线弹性钢框架,把结论外推到长大桥的徐变、收缩、温度应力、连接非线性与老化材料,属于前提错配。Z24 桥的物理模型本身也只是等效单自由度简化,作者在论文里明确列为局限。

第二类失效来自模型简化导致的不可检性。12 自由度剪切模型压平了构件级自由度,其上的高分类准确率不能读作损伤定位能力。文献中对此有直接论断:若要正确定位局部构件损伤,应采用更完整的三维框架模型。把楼层级结果当作构件级结论,是这个方向最常见的越界。

第三类失效来自观测覆盖。单传感器 Z24 研究中,作者自陈其局限是分析依赖单个传感器信号,多传感器网络才能捕捉全局振动模态;论文也把多传感器融合与多自由度物理信息网络列为后续方向。传感器位置的选择会直接决定哪些模态可见、哪些不可见,用少量测点上的高精度结果推断整体状态,是典型的以偏概全。

第四类失效来自合成数据的乐观偏差。PI-GCVAE 的验证集由有限元模型生成,环境变异性、运营荷载耦合与传感器故障模式都不在数据里,真实后验之所以可算,正因为一切由已知模型产生。这类结果在真实结构上的表现通常下降,论文本身也把早期损伤诊断定位为「初步分析」。

第五类失效来自指标混用。覆盖率、分类准确率与刚度折减误差是三件不同的事:论文摘要报 77.2%、正文表格给 78.9%、十维扩展给 90.1%,指的是同一指标在不同设置下的取值,若被拼成「精度 90%」的结论就完全失真。同一研究里摘要与表格的数字口径差异,本身也是复现时需要警惕的信号。

第六类失效来自环境混杂。温度波动引起的热膨胀与收缩,在监测信号上与结构退化高度相似,论文明确指出不少方法在温度极端时误报率抬升,需要把温度作为输入或做自适应融合来处理。此外,把这类结构监测数据喂进为流体或电磁问题训练的通用模型,往往因为输入分布差异而完全失效。

九、版本与口径核对

记录一:来源对象需更正。此前本站条目的 source_url 指向的记录,实际是 Johnson E. A.、Lam H. F.、Katafygiotis L. S. 与 Beck J. L. 于 2000 年发表的「A Benchmark Problem for Structural Health Monitoring and Damage Detection」(第十四届工程力学会议,奥斯汀),并收录于 World Scientific 的《Structural Control for Civil and Infrastructure Engineering》,DOI 为 10.1142/9789812811707_0028。这是一篇基准问题定义论文,其中并无物理信息神经网络相关内容,此前把它描述为 PINN 数字孪生系统属对象错误。

记录二:结构类型需更正。此前称「大跨度悬索桥」,实际基准为 UBC 实验室内的四层两跨两跨钢框架缩尺结构,平面 2.5 米乘 2.5 米、高 3.6 米。

记录三:层数需更正。此前称「6 层钢框架」,任务组全部三个阶段使用的结构均为四层。

记录四:传感器与损伤场景需更正。此前称「韩国 KimdaeJung 桥 10 年监测数据」,该桥是韩国全罗南道连接阿파岛与务安郡的跨海桥,采用外倾式与预应力混凝土箱梁组合形式,中央外倾段跨径 325 米,两座主塔高出桥面 15.5 米,十二条桥墩各跨 60 米,总长 925 米、桥宽 24 米;其公开监测成果为遥感 InSAR 时间序列测量,观测窗口为 2013 至 2017 年(后续工作延展到 2019 年),跨中位移速率约每年负 8.8 毫米。这是一份形变遥感成果,与结构健康监测的加速度传感数据集性质不同,「10 年」也与实际观测窗口不符。

记录五:「5% 噪声下损伤定位精度 92%」这一表述需拆分更正。约 92% 这个数字出自 Z24 桥研究,是物理信息网络 V1 的分类准确率,测试基于单个竖向加速度计,且论文自陈采用等效单自由度简化;而 5% 噪声出自 arXiv:2607.05025 的振型加性噪声设定,同一研究另设 2.5% 的频率乘性噪声。两个数字分属不同研究、不同任务、不同含义,此前条目将二者合并为单一结论,需予拆分。

记录六:剩余寿命预测误差小于 15% 的数字,在公开文献中未找到对应的一手报告,予以撤回。Z24 桥研究与 PI-GCVAE 均只做损伤识别与刚度反演,未涉及寿命预测。

记录七:实时性数字需更正。此前称推理可达约 1 Hz 更新,Z24 桥研究明确指出物理信息训练计算量大、需使用 HPC-MARWAN 集群。Z24 桥研究报告的推理频率约每秒一次,与该文自身的结论方向相反。

记录八:框架实现需更正。此前称提供 PyTorch/TensorFlow 多后端实现并适合作为物理 AI 入门首选框架,核查未发现存在这样的实现或代码库。相关论文中,Z24 桥研究使用 TensorFlow,PI-GCVAE 亦使用 TensorFlow;「多后端实现」与「入门首选框架」两个定位均无来源,予以撤回。

记录九:图方法归属需更正。此前把图神经网络描述为本条目所述系统的内建组件,需区分。站点上确有以 IASC-ASCE、Z24 桥与广州塔为验证集的多尺度图对比框架研究,属独立文献成果,并非某个数字孪生产品的功能说明。

记录十:许可口径确认为多种来源并存,论文版权归各自作者,数据按任务组条款分发,引用时按各自条款分别标注。

十、参考资料

  1. Johnson E. A., Lam H. F., Katafygiotis L. S., Beck J. L., “A Benchmark Problem for Structural Health Monitoring and Damage Detection”, Fourteenth Engineering Mechanics Conference, Austin TX, 2000;收录于 World Scientific, “Structural Control for Civil and Infrastructure Engineering”, DOI 10.1142/9789812811707_0028.
  2. Dyke S. J., Bernal D., Beck J. L., Ventura C., “Experimental Phase II of the Structural Health Monitoring Benchmark Problem”, ASCE, 2003, https://authors.library.caltech.edu/records/1k7mb-x6m79/files/Report_bldg_shm_exp2.pdf
  3. IASC-ASCE Structural Health Monitoring Task Group 官方数据与试验设置页, http://wusceel.cive.wustl.edu/asce.shm/
  4. Phan H. et al., “Enhancing the Damage Detection and Classification of Unknown Classes with a Hybrid Supervised–Unsupervised Approach”, Infrastructures 9(3) 40, 2024.
  5. Lee J., Worden D., “A Neural-Wavelet Technique for Damage Identification in the ASCE Benchmark Structure Using Phase II Experimental Data”, Mathematical Problems in Engineering, 2010, Article 675927.
  6. Li H., Zhang M., Wang J. R., Hsu S.-L. J., “Fundamental Modeling Issues on Benchmark Structure for Structural Health Monitoring”, Journal of Earthquake Engineering, 2009.
  7. Datta D., Dutta A., “Comparison of Black and Gray Box Models of Subspace Identification under Support Excitations”, Structural Monitoring and Maintenance 4(4).
  8. Fernandez-Navamuel A., Omella A. J., Zamora-Sanchez D., Pardo D., “Uncertainty-aware Damage Identification in Short-span Bridges via Physics-informed Variational Autoencoder”, arXiv:2607.05025v2, 2026.
  9. Riyahi A., Mestari M., Bouihi B., “Data-Driven and Physics-Informed Neural Networks for Structural Health Monitoring of the Z24 Bridge”, Journal of the Civil Engineering Forum, Universitas Gadjah Mada, 2026, p. 217-228, DOI 10.22146/jcef.24173.
  10. Zhang S., Qiu L., Zeng Z., “Physics-Data Synergy in Structural Health Monitoring: A Multi-Scale Graph Contrastive Framework with Temperature-Adaptive Fusion”, IEEE Access 14: 35276-35291, 2026, DOI 10.1109/ACCESS.2026.3669746.
  11. Jung J., Kim D.-J., Palanisamy S. K. V., Yun S.-H., “Long-Term Deflection Monitoring for Bridges Using X and C-Band Time-Series SAR Interferometry”, Remote Sensing 11(11), 2019.
  12. D.Claw 研究部,《物理信息神经网络版图》,本站综述,2026-11-11。

本文基于公开文献与官方文档整理,仅供参考,不构成工程或投资建议。资料核查截至 2026 年 11 月 11 日;文中性能数字均取自各自原论文,因划分、测点与指标口径不同,跨研究比较须逐项对齐后再引用。

标签: