2021年度進展10：橋梁智能建造與安全運維

唐繼舜 2022-04-07

展開全文

引言

以智能化為特征的第四次工業(yè)革命已經來臨。隨著“交通強國”、“數(shù)字中國”、“新基建”戰(zhàn)略下“全力推進交通基礎設施智能運維與智能裝備研發(fā)”倡議的深入推進，中國工程院戰(zhàn)略咨詢與研究項目“智能橋梁發(fā)展戰(zhàn)略研究”、交通運輸部交通強國2035重大科技專項“高質量基礎設施：數(shù)字孿生與智能建養(yǎng)”、“工程科學與綜合交叉”重點專項“橋梁智能建造理論與方法”、“交通基礎設施結構智能診治基礎科學問題”等項目的規(guī)劃和實施，以5G、云計算、人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代技術深度融合催生的數(shù)字經濟正加速驅動基礎設施的轉型升級，以“數(shù)字孿生”為核心的新型智能化基礎設施建設正面臨前所未有的發(fā)展機遇?！度蚬こ糖把?021》報告指出，“全域全要素的數(shù)字孿生城市感知和仿真技術”是土木、水利和建筑領域的TOP10工程開發(fā)前沿之一。

為保障橋梁工程安全、可靠、高效運行，面向“安全、智能、綠色”三大需求，充分融合工業(yè)化、數(shù)字化、智能化技術，建立新一代橋梁工程智能建造與智能運維體系的需求與日俱增。在此背景下，為及時學習和把握該方向研究動向，筆者歸納總結了2021年國內外學者在該領域的研究，圍繞橋梁全壽命周期重點展示了橋梁智能設計與建造、智能檢測與運維決策兩方面的前沿技術和重要成果，并嘗試總結了本方向研究熱點與前景展望，以期為廣大同行開展相關工作提供些許參考和思路。文獻遠不止所列，掛一漏萬之處難免，若未統(tǒng)計到位還望指正。

橋梁智能設計與建造

近年來，我國橋梁智能化正在穩(wěn)步向前發(fā)展,其中橋梁智能設計與建造一直是該方向下的研究熱點。橋梁智能建造是指綜合運用新興前沿技術，如BIM（Building Information Modeling，建筑信息模型）技術、物聯(lián)網(wǎng)技術、3D打印技術、數(shù)字孿生技術及計算機視覺技術等，使之相互協(xié)調，實現(xiàn)橋梁結構的自動化、可視化、數(shù)字化及信息化等[1]，從而在滿足經濟、美觀、環(huán)保的基礎上，安全、高效、高質量的完成橋梁建造過程。而橋梁的智能規(guī)劃設計作為橋梁結構全壽命周期內的第一步，更是重中之重。

1.1

橋梁智能設計

橋梁設計是一項繁瑣、復雜的工程，主要流程包括總體布置、結構尺寸擬定、結構分析和配筋計算等。隨著橋梁結構趨向大型化、規(guī)模化、復雜化[2]，傳統(tǒng)設計方法手段單一、建模效率低、計算誤差大、重復性高等問題日益突出，為解決上述問題，以實現(xiàn)橋梁設計信息化、自動化為目標的橋梁智能設計技術應運而生。本節(jié)主要針對基于機器學習的橋梁智能設計優(yōu)化方法、基于BIM的橋梁設計流程與設計軟件的開發(fā)進行了文獻調研與分析。

機器學習作為人工智能的核心組成部分，融合了多門學科知識與智能算法，為橋梁智能設計提供了重要理論基礎。機器學習中所涵蓋的遺傳算法、群智能算法、人工神經網(wǎng)絡（ANN）等算法的應用極大地提高了橋梁設計優(yōu)化的效率與質量。

遺傳算法是一種常用的優(yōu)化求解方法，具有較強的全局搜索與優(yōu)化能力。Korus等[3]基于遺傳算法，通過可視化編程語言（VPL）建立了一個可視化的規(guī)劃-遺傳算法框架，實現(xiàn)了拱橋幾何參數(shù)優(yōu)化過程的自動化，圖1展示了優(yōu)化系統(tǒng)中用戶與遺傳算法之間的關系。Nour等[4]基于遺傳算法，以設計總成本為目標函數(shù)，提出了一種針對T型截面梁的截面尺寸及預應力筋配置的優(yōu)化方法。群智能算法通過模擬生物群體行為實現(xiàn)對目標的優(yōu)化，唐煜等[5]和Jawad等[6]基于人工蜂群智能算法（ABC），分別提出了橋梁結構有限元模型局部剛度優(yōu)化方法和平面與空間桁架結構尺寸組合優(yōu)化算法。徐喆等[7]基于響應面法（RSM）構造結構動力響應的目標函數(shù)，通過麻雀搜索算法（SSA）對目標函數(shù)進行優(yōu)化求解，完成有限元模型的高精度修正。孫強等[8]基于數(shù)值計算方法，結合蟻群混合遺傳算法與Kriging代理模型，提出了一套針對流線型箱梁氣動外形的優(yōu)化方法。人工神經網(wǎng)絡通過模擬大腦對信息的處理與記憶方式實現(xiàn)對目標信息的處理。Serwa等[9]基于人工神經網(wǎng)絡方法，研發(fā)了一個應用神經網(wǎng)絡的軟件，提出了一種橋梁結構地面激光掃描數(shù)據(jù)的半自動三維配準方法。

圖1 基于規(guī)劃-遺傳算法優(yōu)化系統(tǒng)操作流程[3]

單一的機器學習算法往往具有一定的短板，例如遺傳算法雖有較強全局搜索能力，但局部搜索能力卻不理想。因此，應用機器學習算法時往往會結合兩種及以上算法或與其他技術手段交互運用，從而彌補單一算法的不足。萬華平等[10]分析了地震作用下，支座參數(shù)對橋梁結構易損性的影響規(guī)律，利用高斯過程模型取代高成本、高時耗的動力時程分析，實現(xiàn)對支座力學參數(shù)的優(yōu)化設計。付雷等[11]結合了響應面模型（RSM）和鯨魚優(yōu)化算法（WOA），提出了一種有限元模型修正方法，提高了設計的精度與效率。冀偉等[12]結合響應面法和Fmincon算法，通過構造目標函數(shù)并進行迭代計算，實現(xiàn)了對某波形腹板鋼箱-混凝土箱梁橋有限元模型的修正。秦世強等[13]基于萬有引力搜索算法（GSA）和Kriging模型，利用隨機交叉變異方法對GSA進行改進，提出了一種有限元模型的智能優(yōu)化方法。Musa等[14]基于“教與學”優(yōu)化算法（TLBO）和“生物地理學”優(yōu)化算法，通過MATLAB編碼并結合SAP2000-OAPI策略，實現(xiàn)了鋼桁架橋離散尺寸的優(yōu)化設計。

橋梁設計中常會面對多目標優(yōu)化問題，與單一目標優(yōu)化問題不同，多目標優(yōu)化結果應該是一個最優(yōu)解集，而不是唯一最優(yōu)解。馮帆等[15]基于ANSYS和結構優(yōu)化理論，建立了某特大橋鋼-混結合段的數(shù)學模型，并結合多目標遺傳算法進行模型優(yōu)化，確定了最優(yōu)加載方案。張帥等[16]建立了剪刀式折疊橋梁展橋機構分析模型，通過遺傳算法與非線性規(guī)劃（GA-NLP）混合算法對模型求解，實現(xiàn)了對展橋機構的多目標優(yōu)化設計。

BIM技術是一種新興技術手段，廣泛地運用于建筑領域，其核心是利用參數(shù)化方法建立與實際建筑工程一致且工程信息完整的虛擬三維模型。BIM技術具有可視化、精細化、參數(shù)化、信息化等特點，可以清晰、準確、實時地反映設計或施工流程中工程的各項信息與屬性，從而提高設計與建造效率，有利于工程項目的協(xié)同管理。

近年來，隨著計算機技術在建筑領域中的廣泛應用，橋梁工程設計已由人工手繪逐漸過渡為計算機繪圖[17]，利用BIM技術可以實現(xiàn)高效自動化出圖，郭衡等[18]依托某斜拉橋主塔沉井結構設計，對BIM正向設計、模型建立、圖紙繪制進行了深入研究，提出了滿足復雜沉井結構設計要求的建模思路以及新型的BIM出圖方式，沉井鋼殼建模思路如圖2所示。模型的建立是橋梁設計流程中的重要一環(huán)，基于BIM技術可以建立完整的橋梁工程模型，通過輸入工程參數(shù)實現(xiàn)設計自動化，提高設計效率。田慶等[19]提出了一種基于BIM的高鐵橋梁墩柱模板的設計方法，提高了模板結構的設計精度及自動化設計效率。張憲亮[20]基于OSG引擎，解決了BIM GIS中模型與導入場景中的坐標一致與模型匹配問題，構建了橋梁設計的自動化與可視化系統(tǒng)。

圖2 沉井鋼殼建模思路[18]

由于橋梁結構具有大型化、規(guī)?；?、復雜化的特點，建模過程常伴隨工作重復性強、建模效率低、信息傳遞錯誤率高等問題，為使建模各階段數(shù)據(jù)能順利傳遞，提高建模效率，國內外多位學者對BIM模型的建模方式優(yōu)化進行了深入研究。韓廣暉等[21]研究了BIM模型由參數(shù)化到智能化的實現(xiàn)過程，基于AI BIM在橋跨布置中的運用，從仿真分析方面延伸了BIM模型在鐵路橋梁工程中的應用。蔣浩鵬等[22]基于IFC標準對橋梁設計的BIM模型進行了優(yōu)化，運用Revit對某工程BIM模型的設計方式與步驟進行了改進，提高了設計效率。陳華衛(wèi)等[23]利用Revit Dynamo建立了適用于T形梁橋的快速建模途徑，彌補了Revit在復雜與異型結構建模中的不足。

BIM技術雖然有強大的建模能力，卻無法對模型進行結構分析，針對該問題，國內外學者對BIM與有限元分析的融合與轉化進行了研究。何祥平等[2]通過對BIM模型的二次開發(fā)，提出了一種將Revit建立的BIM模型向Midas/Civil有限元模型自動轉化的方法，解決了BIM在橋梁結構分析方面的短板。Alexis等[24]開發(fā)了一種參數(shù)化BIM方法，利用參數(shù)化算法在設計軟件中完成橋梁建模，并在結構分析軟件生成對應模型以實現(xiàn)結構分析。王文芳等[25]基于Revit與ANSYS，利用C#語言完成了BIM模型到有限元模型之間的準確轉換，實現(xiàn)了BIM技術與橋梁結構設計的有效融合。

目前國內橋梁設計軟件多為國外軟件，國內多名研究人員基于BIM技術、編程語言等，在原有軟件的基礎上進行了改良與創(chuàng)新。馬汝杰[26]等運用CIS BIM技術實現(xiàn)了既有橋梁工程結構的還原，在此基礎上研發(fā)了基于BIM的橋梁自動化設計軟件，滿足了橋梁結構改擴建設計需求。藺鵬臻等[27]基于BIM技術，通過Revit二次開發(fā)構建了混凝土橋梁結構耐久性數(shù)據(jù)庫，開發(fā)了一款橋梁結構耐久性分析與設計軟件。劉旭政等[28]基于Python語言，結合多目標約束與優(yōu)化布載設計，開發(fā)了一套索吊橋橋梁荷載試驗車輛自動化布載程序（CSBVL）。

根據(jù)上述內容可知，基于機器學習的智能設計在橋梁模型優(yōu)化方面取得了不少研究成果，未來的研究方向可以從如下幾個方面進行：①進一步深化各種智能算法在模型修正優(yōu)化中的應用，得到更為高效的設計優(yōu)化算法；②開展橋梁設計方案比選優(yōu)化算法的研究，或針對橋梁幾何外形優(yōu)化方案的拓撲算法流程進行探索；③圖像化底層設計平臺以及國產化仿真分析軟件還有待研發(fā)。

BIM技術在橋梁參數(shù)化模型的建立上已較為成熟，但仍然存在下列不足：①BIM技術主要應用在工程模型的建立，但缺少對模型的分析及驗證手段，對于模型結構的分析需要通過其他平臺實現(xiàn)；②常用有限元軟件難以直接從BIM模型中獲取結構參數(shù)，需要重新建立結構分析模型，導致設計效率低；③針對橋梁工程的BIM技術研究不夠深入，研究方向主要集中在自動化設計，缺少相應的行業(yè)技術規(guī)范與設計標準。

1.2

橋梁智能建造

橋梁建造過程中常面臨施工控制難、施工精度低、協(xié)同管理難、信息共享差等問題，綜合運用BIM、數(shù)字孿生、物聯(lián)網(wǎng)、3D打印等新興技術，是實現(xiàn)橋梁智能建造，提高施工質量與效率的重要途徑。本節(jié)主要從BIM技術在施工過程中的應用、高效智能建造理論方法、智能施工技術等方面對橋梁智能建造進行闡述。

BIM技術在橋梁智能建造的應用主要體現(xiàn)在通過可視化施工模擬，對橋梁工程的施工過程實時監(jiān)控以實現(xiàn)精準控制，從而提高施工質量與施工效率。孟凡成等[29]基于BIM設計理念，運用Midas civil建立某變截面連續(xù)梁橋模型，對模型結構進行了強度、剛度及穩(wěn)定性驗算，實現(xiàn)了對工程施工過程的精確控制。張暉[30]利用Revit平臺建立了某懸索橋錨碇的三維可視化模型，在此基礎上對模型進行碰撞檢查、虛擬漫游（見圖3）、施工模擬（見圖4）和工程量統(tǒng)計，有效地提高了施工質量與施工效率。杜戰(zhàn)軍等[31]將BIM技術和信息化平臺應用到大跨鋼桁架橋梁的施工中，提出了一種基于BIM的精細化建模思路，通過對施工進度進行模擬，實現(xiàn)了對橋梁施工過程的全監(jiān)控。黃寧等[32]運用BIM技術實現(xiàn)了重力式錨固系統(tǒng)的精準定位，提高了安裝精度，確保了施工的質量與效率。張?zhí)锏萚33]運用參數(shù)化技術對某系桿拱橋進行了二次開發(fā)，建立了相應BIM模型，實現(xiàn)了對橋梁施工過程中的監(jiān)控數(shù)據(jù)的信息化與可視化。陶建軍等[34]構建了某預制節(jié)段梁橋BIM參數(shù)化模型，并利用云平臺技術對BIM模型進行三維可視化處理，實現(xiàn)了施工過程的協(xié)同化管理。王汁汁等[35]運用BIM技術創(chuàng)建了纜索吊裝系統(tǒng)的參數(shù)化模型，在此基礎上進行了施工模擬，實現(xiàn)了施工方案比選信息化。巴懷強等[36]基于三維激光掃描與BIM逆向建模技術，針對大噸位轉體橋梁建立了點云和逆向BIM模型，提出了一種高效、可靠的獲取轉體橋梁自重和不平衡力矩的方法。

（a）錨碇內部

（b）樓梯平臺預埋件高程設計誤差

圖3 錨碇內部虛擬漫游[30]

（a）基坑開挖

（b）樓梯平臺預埋件高程

（c）基坑回填

圖4 錨碇施工模擬[30]

數(shù)字孿生是指通過數(shù)字化方式建立虛擬模型，利用數(shù)據(jù)反映模擬對象的現(xiàn)實行為，實現(xiàn)虛實交互[37]。隨著數(shù)字孿生技術的發(fā)展與成熟，該技術也被廣泛應用于橋梁建設過程中。工程數(shù)字孿生技術以BIM為載體，融合了多種信息技術，可以實現(xiàn)對橋梁施工全過程、全要素的智能控制。張鴻等[38]基于工程數(shù)字孿生的智能建造概念，針對某斜拉橋提出了全過程自適應幾何控制技術體系。物聯(lián)網(wǎng)技術可以對實時數(shù)據(jù)進行信息傳輸與交互，從而對橋梁施工過程中的信息進行精準識別。鐘康健等[39]結合BIM技術、數(shù)字化技術和物聯(lián)網(wǎng)技術，針對施工過程中模型信息精確性與時效性較差的問題，建立了智慧橋梁工程施工管理平臺。3D打印技術以數(shù)字模型為基礎，可以利用三維圖形生成高精度的實物。Svetlana等[40]采用結構方程建模技術量化了相關因素對測量值的影響，研究了影響3D打印技術在橋梁施工中適應性的因素。李施展[41]將3D打印技術應用到橋梁施工測量中，實現(xiàn)了對施工測量工具的個性化定制。

橋梁的預制裝配建造是指將橋梁上部或下部結構的部分構件在預制構件廠中進行加工，再運送至施工現(xiàn)場進行拼裝?，F(xiàn)代化工藝技術的運用可以有效地加快工廠預制速度、提高現(xiàn)場安裝精度，實現(xiàn)橋梁建造的工廠化、智能化。唐俊義等[42]對比分析了當前普遍存在的橋梁防撞護欄的優(yōu)勢，提出了一種新型倒U形裝配式防撞護欄，提高了護欄的防撞性能。王志剛等[43]對比分析了現(xiàn)澆橋墩和預制管墩在構件輕量化方面的差異，提出了一種高效的裝配式橋墩工業(yè)化快速建造技術方案。梁棟等[44]基于3D激光掃描技術，提出了一種鋼橋塔節(jié)段虛擬裝配方法，實現(xiàn)了對預制裝配構件的數(shù)字化檢測與調控。姜早龍等[45]基于精益價值鏈理論，綜合考慮裝配式橋梁建造的各個階段，利用BIM、北斗監(jiān)控等技術，構建了橋梁工程裝配式智能建造全過程管理模式的總體架構。Deng[46]等開發(fā)出一種新型梁間接頭，用于全預制鋼-超高性能混凝土（UHPC）輕型組合橋梁（LWCB），這種結構有助于加快橋梁的施工進度，實現(xiàn)智能、快速建造。

工業(yè)化智能建造裝備的使用不僅可以提高施工效率，還能保證施工精度，提高施工質量。胡明等[47]建立了某型架橋車模塊化橋節(jié)單、雙節(jié)成橋的有限元模型，基于結構剛度最大對模塊化橋節(jié)進行拓撲優(yōu)化，實現(xiàn)了橋節(jié)的輕量化設計。夏昊等[48]提出了一種墩梁一體化架設高效施工技術，設計了一體化架橋機，實現(xiàn)了橋梁墩梁的同步施工。高貴等[49]針對CRTS雙塊式無砟軌道，開發(fā)了一種一體化底座模板系統(tǒng)和自動整平設備，實現(xiàn)了底座板施工過程的智能化、信息化。

綜上可知，BIM技術的應用促進了橋梁智能設計與建造的發(fā)展，通過自動化設計建模提高工程設計的質量與效率，通過可視化施工模擬對施工進程進行監(jiān)控并實現(xiàn)精確控制，同時在BIM建模的參數(shù)化、多樣化及二次開發(fā)中取得了豐碩的研究成果。未來的研究可從以下方面入手：①進一步提高BIM正向設計的精細化水平，提升施工過程控制和管理的準確化程度；②提高三維建模效率和BIM數(shù)據(jù)的利用率，實現(xiàn)全專業(yè)的集方案、施工圖、深化設計于一體的信息化設計；③推動BIM建模和有限元分析的結合，賦予BIM模型最高級的力學屬性；④深入研究BIM技術的標準化和數(shù)字化，使整個橋梁工程能夠實現(xiàn)數(shù)字化表達；在此基礎上，積累大量的樣本，形成大數(shù)據(jù)，并通過這些大數(shù)據(jù)進行智能化的轉換，實現(xiàn)數(shù)據(jù)真正的有效傳遞，達到橋梁全壽命期BIM應用。

除了BIM技術以外，數(shù)字孿生技術、物聯(lián)網(wǎng)技術、3D打印技術等都在橋梁工程領域廣泛應用，為橋梁建造實現(xiàn)工業(yè)化、數(shù)字化、智能化提供了理論基礎，而裝配化建造技術的研究與工業(yè)化建造裝備的研發(fā)為智能化建造提供了技術手段。從上述文獻調研結果來看，目前針對這些方面的研究還不夠完備，理論也不夠全面，后續(xù)研究可以從以下方面進行：①結合多種現(xiàn)代化技術手段，研究橋梁建造場景多源異構數(shù)據(jù)的高效融合算法；②基于數(shù)字化方法實現(xiàn)預制構部件的檢測，從而保證預制拼裝施工的質量；③研發(fā)新型工業(yè)化裝配式智能建造裝備，實現(xiàn)預制裝配式橋梁建造的高效化、綠色化。

橋梁智能檢測與運維決策

國內橋梁數(shù)量巨大、歷史復雜、環(huán)境多樣、荷載繁重。由于運維養(yǎng)護理論及技術的限制，面臨橋梁病情延誤多、狀態(tài)感知不及時、橋梁病情發(fā)展快、病情轉移多及處置措施待優(yōu)化等問題。針對橋梁管養(yǎng)，國內外學者重點從智能檢測、智能識別、智能評估、智能預警及智能養(yǎng)護維修四個方面出發(fā)，通過檢查及診治實現(xiàn)橋梁管養(yǎng)的數(shù)字化、智能化及精細化，從而開展橋梁的“預防”管養(yǎng)、“靶向”管養(yǎng)及“動態(tài)”管養(yǎng)，提高橋梁管養(yǎng)的有效性、針對性和科學性，實現(xiàn)橋梁的“診治”一體化。

2.1

橋梁智能檢測技術

橋梁檢測是橋梁建造、運維過程中不可或缺的重要環(huán)節(jié)，可以及時發(fā)現(xiàn)橋梁在建造和運營中的各種問題?，F(xiàn)在國內比較成熟的傳統(tǒng)橋梁檢測技術包含紅外熱像儀技術、光纖傳感器檢測技術、聲探測技術等，隨著機器人、無人機、雷達技術等智能檢測技術及機器學習、神經網(wǎng)絡等人工智能技術與傳統(tǒng)工程技術相結合[2]，橋梁的檢測技術也越來越數(shù)字化、智能化、高效化、精準化。

在非接觸式檢測技術方面，Yu等[51]提出兩種基于柔性視覺的大跨度橋梁撓度遠程檢測方法（工作原理見圖5）：①通過橋下的攝像頭檢測橋梁燈光的運動獲得結構撓度，提出了一種用于放大系數(shù)標定的無工具物體距離測量方法；②對于跨越水面或深峽谷的橋梁，在橋面上的攝像頭監(jiān)測撓度，采用只考慮與垂直位移測量相關的攝像機姿態(tài)的監(jiān)測模型進行干擾校正。這兩種方法在各種橋梁和其他大型工程結構的安全評估中都有很大的潛力。Abedin等[52]針對簡支和連續(xù)跨度鋼箱梁橋在各種損傷狀態(tài)下的行為，提出一種基于非接觸式傳感器的鋼箱梁橋健康監(jiān)測技術。Qin等[53]開發(fā)了一種結構知識InSAR集成方法，提出一種用于跨海橋梁高精度變形監(jiān)測和風險識別的結構知識合成孔徑雷達干涉測量集成方法，用于跨海橋梁的高精度變形監(jiān)測和可靠風險識別。

圖5 基于視覺的撓度測量方法[51]

在無人機檢測技術方面，孫金更等[54]發(fā)明了一種橋梁智能檢測飛行機器人，該發(fā)明主要依靠飛行器指引機器人去往指定位置，而后飛行器按傳感器指令與爬壁機器人脫離，爬壁機器人將檢測的圖像數(shù)據(jù)發(fā)送給計算站，該技術為既有運營橋梁評估提供了技術保障。譚國金等[55]研究了一種橋梁撓度智能檢測裝置及方法，該發(fā)明基于激光雷達技術及三維點云模型，選用飛行吸附機器人搭載檢測設備實時監(jiān)測橋梁各位置撓度，避免了人工讀數(shù)誤差及無人機晃動對檢測精度的影響，提高了檢測精度。Peng等[56]提出了適合無人機圖像識別的R-FCN網(wǎng)絡和Haar AdaBoost相結合的裂縫識別方法，該方法基于無人機的機器視覺，通過混合特征學習進行橋梁裂縫識別和寬度量化，進而獲取裂縫圖像（有效像素7952′5304）和GPS位置。Zhang等[57]提出一種基于無人機智能巖石定位的橋梁沖刷檢測方法，以無人機作為測量地球磁場、橋梁和智能巖石的移動站，配備三軸高分辨率磁強計和全球定位系統(tǒng)（GPS），實現(xiàn)磁場及其相應坐標的同步測量。在Roubidoux Creek大橋進行的6次現(xiàn)場測試表明，該方法精度約為0.3米。Feroz等[58]提出了基于無人機的橋梁狀態(tài)評估遙感應用方法，分析了視覺圖像傳感技術與無人機集成用于數(shù)據(jù)采集的遙感技術，推動了無人機檢測及數(shù)據(jù)分析的發(fā)展。由于無人機在移動拍攝條件下，收集的裂縫圖像存在清晰度低、背景復雜、光噪聲嚴重干擾等質量缺陷，無法適應對裂縫圖像要求高的傳統(tǒng)裂縫檢測算法。Dan等[59]提出一種基于2D-APES和移動機器視覺的橋梁表面裂縫自動識別的方法，利用二維幅值和相位估計法獲得裂縫圖像的高精度二維光譜估計，通過過濾低頻信息來增強裂縫信息，從而實現(xiàn)裂縫的自動識別。

無人機等可移動設備在橋梁的裂縫定位及識別中起了重大作用，無人機具有靈巧，易操作，成本低，維護簡單等優(yōu)點，因此近幾年被廣泛應用于橋梁檢測中，而卷積神經網(wǎng)絡（Convolutional neural network，CNN）的應用使無人機能夠精準定位裂縫位置。但無人機圖像受氣候及環(huán)境影響較大，如何精確分析無人機圖像并實現(xiàn)定位仍是一個研究課題。

針對實際場景中橋梁裂縫檢測精度不高、效率不足等問題，吳向東等[60]提出一種基于卷積神經網(wǎng)絡與條件隨機場（Conditional random filed，CRF）的裂縫檢測算法，系統(tǒng)框架如圖6所示。使用特征提取網(wǎng)絡對原圖進行處理，提取適合裂縫檢測的特征；通過區(qū)域推薦網(wǎng)絡對原始圖片中存在裂縫的候選區(qū)域進行初步定位；將得到的候選區(qū)域作為分類與回歸網(wǎng)絡的輸入，利用CRF對該區(qū)域的空間特性進行建模，綜合判定該區(qū)域是否屬于裂縫。馬學志等[61]設計開發(fā)了由數(shù)據(jù)采集、處理兩個子系統(tǒng)構成的無人機巡檢系統(tǒng)，該系統(tǒng)可以檢測毫米級裂縫，對橋梁養(yǎng)護階段具有重要意義。勾紅葉等[62]針對常規(guī)無損檢測方法效率低的問題，基于卷積神經網(wǎng)絡算法提出了一種集超聲檢測與圖像識別于一體的智能檢測機器人，為正交異性鋼橋面板的橋面裂縫檢測提供了一種新方法，智能監(jiān)測機器人如圖7所示。

圖6 橋梁裂縫檢測系統(tǒng)框架[60]

（a）機器人作業(yè)示意

（b）機器人樣機

圖7 智能檢測機器人[62]

近年來，預應力筋以及混凝土內部質量的檢測技術快速發(fā)展，Liu等[63]提出一種基于隨機森林（Random forest，RF）特征選擇和GA-SVM（Genetic algorithm optimization support vector machine）模型的橋梁預應力波紋管整體灌漿密實度檢測方法，提取波形的時域和頻域特征并使用隨機森林篩選重要特征，通過遺傳算法對模型進行訓練并用于預測。該方法可顯著提高檢測效率，為缺陷定位和量化做準備。預應力混凝土結構中鋼筋束扮演了重要角色，而針對鋼筋束故障評估的相關研究較少。為此，Mariniello等[64]研發(fā)了一種檢測預應力混凝土橋梁中鋼筋束故障的布局感知極限學習機（LA-ELM），該程序通過分析應力數(shù)據(jù)，從而準確檢測和定位影響目標PSC橋梁預應力系統(tǒng)的損傷。通過與經典機器學習算法比較，該方法在較短的計算時間內獲得了顯著的精度，與經典的ELM實現(xiàn)相比，LA-ELM在統(tǒng)計上取得了顯著的改進。

2.2

智能識別算法

橋梁在使用過程中會因為各種因素，如施工不規(guī)范、自然災害、超載車輛通行等，產生影響橋梁正常使用壽命的病害，基于人工智能算法的數(shù)字圖像處理技術及信號分析技術，為橋梁病害的識別與分析提供了新的思路。本節(jié)從橋梁動力信號識別、橋梁表觀病害識別、橋梁結構損傷識別、潛在火災風險橋梁識別/預警及橋梁三維點云數(shù)據(jù)的獲取等方面對2021年國內外學者針對橋梁智能識別所做研究進行總結。

在橋梁動力信號識別方面，羅燁鈳等[65]為識別結構模態(tài)參數(shù)，基于盲源分離算法中的Fast-ICA算法，對EEMD（Ensemble Empirical Mode Decomposition）算法進行改進，最終形成一種新的信號分解高效算法，較既有算法所得頻率值更接近理論值。Wu等[66]提出了一種利用結構自由振動或抖振響應時程識別橋面顫振導數(shù)的方法——無跡卡爾曼濾波(UKF：Unscented Kalman Filter)法，并通過橋梁風洞試驗證明了所提方法的優(yōu)越性與準確性。劉兆翌等[67]提出了基于CA-CFAR的梁振動目標位置及頻率識別方法，該方法可用于橋梁振動檢測識別，可以確定橋體振幅較大的位置并檢測出該位置的振動頻率，確定其是否符合安全標準。

在橋梁表觀病害識別方面，馬彪[68]提出了一種交替更新U型全卷積網(wǎng)絡（U-CliqueNet）算法，實現(xiàn)了端到端的橋梁底部裂縫與露筋自動監(jiān)測。楊瑞騰[69]提出了基于HSV色度空間的閾值分割算法、基于邊緣檢測和閾值分割算法及基于單尺度Retinex和最大類間方差法結合的分割算法等三種算法，分別對鋼結構橋梁表面的銹蝕、涂層脫落及裂縫等病害進行檢測，并開發(fā)了結構病害檢測軟件系統(tǒng)。針對復雜環(huán)境下鋼筋混凝土橋表觀病害形態(tài)復雜、分布不均且大小不一等特征，鄒俊志等[70, 71]提出基于改進YOLOv3的結構表觀多病害識別方法，可快速準確檢測結構病害。李保龍等[72]通過概率神經網(wǎng)絡對螺栓損傷進行定位，分析了不同訓練集下概率模型對損傷定位識別的影響。楊揚等[73]通過對混凝土表面病害圖像的特征提取，基于SVM分類器，建立了單/多特征病害圖像分類模型，結果表明多特征融合分類模型的判別穩(wěn)定性明顯優(yōu)于單一特征分類模型。針對鋼橋病害識別效率低、精度不高等問題，朱勁松等[74]結合卷積神經網(wǎng)絡和遷移學習，提出了一種鋼結構表觀病害識別方法，模型如圖8所示，與傳統(tǒng)卷積神經網(wǎng)絡模型相比，該方法減少了數(shù)據(jù)的需求量，運行效率和病害識別準確率明顯提升。含有裂縫的圖像識別結果決定了結構裂縫識別效率及完整性，為此，馬嘉斌[75]對Mask算法進行改進，并提出了圖像切片處理方法，確保圖像裂縫細節(jié)的信息完整，通過圖像融合與裂縫連接算法得到了只含有完整裂縫的圖像；在此基礎上，基于SVM決策樹算法對圖像進行分類，最終結合裂縫特點提出了基于骨架化圖像的測量算法，實現(xiàn)對裂縫寬度、長度及面積占比的測量，裂縫長度計算示意圖如圖9所示。謝文高等[76]針對橋梁水下結構病害檢測存在危險性高、效率及準確性低等問題，通過圖像處理、高斯濾波以及分權閾值法等方法對裂縫圖像進行預處理并提取裂縫特征，實現(xiàn)對橋梁水下結構裂縫的識別。王桂平等[77]通過遷移學習克服數(shù)據(jù)不足的問題，基于動態(tài)學習率調整策略，對卷積模型進行調整，該模型相較于主流深度學習模型具有較高的病害識別準確率。

圖8 鋼橋病害識別的遷移學習模型框架[74]

（a）裂縫長度

（b）裂縫最大寬度

圖9 裂縫尺寸測量示意圖[75]

在橋梁結構損傷識別方向上，包龍生等[78]基于BP神經網(wǎng)絡算法，將橋梁損傷前后的模態(tài)數(shù)據(jù)結合橋梁結構的損傷指標作為輸入及輸出變量，構建了一種損傷識別程序，該程序在簡支梁橋和連續(xù)梁橋上的損傷識別效果較好。邵紅艷[79]等基于Newmark法及Python獲取低水平加速度信號，通過訓練卷積自編碼神經網(wǎng)絡（CAE）對測試工況進行重構，可準確發(fā)現(xiàn)結構損傷發(fā)生的時刻。韓宇等[80]在網(wǎng)絡前端通過卷積層對橋梁動撓度、動應變等數(shù)據(jù)空間特征提取和長短記憶神經網(wǎng)絡對時間序列上的各參量的時間依賴特征進行特征提取，實現(xiàn)了特定工況下的橋梁損傷的識別。朱前坤等[81]開發(fā)了一種完全非接觸式影響線識別系統(tǒng)，通過便攜式相機并基于YOLO算法識別行人，結合無線傳感器獲得結構荷載并將其作為輸入信息，通過該識別系統(tǒng)輸出結構的位移響應，進而為橋梁損傷識別提供依據(jù)。繆炳榮等[82]基于最有價值球員算法（Most Valuable Player Algorithm，MVPA），采用結構振型與固有頻率構建目標函數(shù)，引入罰函數(shù)減小誤識別信息，進而對結構損傷位置和程度進行識別。Nguyen[83]提出了一種全新的能耗系數(shù)()來識別和評估結構的狀況，并利用Kelvin-Voigt模型()來改進傳統(tǒng)Hooke的線性力學變化模型從而真正模擬實際工況下結構的性質；此外，為使新參數(shù)在識別過程中更加準確的發(fā)揮作用，文章利用結構的振幅加速度數(shù)據(jù)在深度學習平臺上訓練。針對傳統(tǒng)橋梁結構損傷診斷方法在時間聯(lián)合序列信號特征提取及損傷識別方面不理想的問題，韓宇等[84]提出一種基于聯(lián)合卷積神經網(wǎng)絡（convolutional neural network，CNN）和長短時記憶神經網(wǎng)絡（long short-term memory，LSTM）模型的橋梁結構損傷診斷方法，通過CNN對動撓度、動應變進行傳感器拓撲相關特征提取后，再利用LSTM進一步提取時間維度相關性特征，實現(xiàn)了4種特定工況下橋梁損傷的識別，工作原理見圖10。

（a）CNN-LSTM網(wǎng)絡框架

（b）LSTM工作原理

圖10 CNN-LSTM網(wǎng)絡框架及LSTM工作原理[84]

從橋梁受火災風險角度出發(fā)，Khan等[85]以火災的社會和經濟影響、結構易損性和火災的可能性等各種因素作為估計橋梁的火災風險的標準，通過計算流體力學模擬火災，利用新開發(fā)的開源FSDM框架，將真實火災荷載應用到熱力模型中，最后對模型的防火性進行估算以識別具有火災風險的橋梁。Abedi等[86]基于國際橋梁火災事件所收集的證據(jù)建立了一個綜合數(shù)據(jù)庫，在此基礎上對機器學習、深度學習和遺傳算法等進行訓練，最終構建具有識別現(xiàn)有、新建、歷史橋梁遭受火災損壞或由火災引起的具有倒塌傾向的模型，提出一種識別火災易損橋梁的快速、自主和智能機器學習方法（Rapid, Automated, and Intelligent，RAI）。

在橋梁形態(tài)變化以及點云數(shù)據(jù)的主要結構元素提取方面，熊文[87]基于傳統(tǒng)ICP配準算法，依據(jù)經過優(yōu)化的相對不動點集，實現(xiàn)對橋梁點云數(shù)據(jù)的高效分割與配準，對新舊點云數(shù)據(jù)模型進行三維幾何差異分析，進而識別與分析橋梁形態(tài)變化。Yan等[88]提出一種基于啟發(fā)式方法，利用有關鋼梁橋幾何和拓撲約束的領域知識來識別和提取橋梁主要結構元素的各個實例并基于無人機激光掃描儀獲得的點云數(shù)據(jù)驗證了所提出方法具有可觀的有效性。

2.3

智能評估及預測

大數(shù)據(jù)技術、云計算、5G技術、智能算法及數(shù)字孿生等新興科技逐漸被引入各項工程，積極借助數(shù)字化、智能化、信息化技術挖掘并不斷優(yōu)化數(shù)據(jù)處理、響應分析和結構狀態(tài)預測的更優(yōu)模式，科學提出高效精準的智能算法與狀態(tài)評估及預測模型，也是當前學術界聚焦的研究熱點。國內外學者針對橋梁智能評估及預測，從橋梁的變形、動力響應、疲勞性能、結構壽命預測及評估、橋梁性能以及損傷評估方面及抗震性能等多個方向，創(chuàng)新性的采用機器學習算法、深度學習網(wǎng)絡、馬氏鏈蒙特卡洛模擬法等各類算法及模型，對橋梁性能開展了深入研究。

在橋梁結構狀態(tài)的變形評估與預測方面，畢增輝[89]針對使用bisquare空間基構建橋梁監(jiān)測的空間相關性會出現(xiàn)變形預測精度偏低的問題，提出采用指數(shù)型空間基的STRE模型對橋梁面狀監(jiān)測數(shù)據(jù)的變形進行預測，根據(jù)模擬實驗和實測面狀橋梁監(jiān)測數(shù)據(jù)的變形預測的結果對比顯示，改進后的模型預測結果精度提高20.1%。勾紅葉等[90]構建了橋梁-軌道變形映射通用解析模型，揭示了結構服役性能演變與行車安全的動態(tài)映射關系，研發(fā)了復雜條件下高速鐵路橋梁行車安全智能評價系統(tǒng)，為實現(xiàn)高速鐵路智能評估提供了理論支撐。Wang等[91]建立了一種基于軌道幾何檢測大數(shù)據(jù)驅動的橋梁變形預測模型，提出了一種鐵路橋梁變形評估新方法，對橋梁狀態(tài)演化、軌道幾何退化和基礎設施維修預測等方面的研究具有一定的參考價值。針對波紋鋼腹板預應力混凝土剛構橋采用平衡懸臂法架設的撓度預測問題，Wang等[92]通過拉丁超立方采樣和有限元模型建立預測模型數(shù)據(jù)庫，在此基礎上，基于心智進化計算（MEC）算法和反向傳播（BP）算法提出神經網(wǎng)絡的撓度預測框架。該方法可為復雜施工過程中CSWs-PC橋梁的撓度控制提供有效的預測趨勢。

在橋梁動力響應分析與預測方面，尚志鵬[93]探索出兩套橋梁動力響應預測方法：①通過結構動力響應數(shù)據(jù)構建基于自回歸系數(shù)的初始損傷因子，進而建立單一貝葉斯動態(tài)線性模型以對結構損傷進行動態(tài)預測；②通過移動平均法將多種荷載耦合作用的結果解耦為橋梁的極值應力，基于貝葉斯方法開展動態(tài)線性模型及其相關權重的概率遞推，進而實現(xiàn)對解耦后橋梁極值應力的預測。Li等[94]建立了三維列車-橋梁-軌道的系統(tǒng)模型，通過數(shù)值實驗建立了神經網(wǎng)絡訓練數(shù)據(jù)庫，最后提出了一種基于前饋神經網(wǎng)絡(FFNN)和深度長短期記憶(LSTM)網(wǎng)絡進行車-橋系統(tǒng)動態(tài)響應預測的方法框架，并以我國高速鐵路采用的列車車輛和橋梁系統(tǒng)為題材，對預測結果的準確性及效率進行了研究。研究表明該框架能有效準確地預測各種車橋相關動態(tài)響應，可以為車-橋耦合分析提供一種有效的替代方案，具有顯著的現(xiàn)場測量數(shù)據(jù)包容能力和實現(xiàn)在線響應預測的潛力。為保證高速鐵路橋上行車安全，勾紅葉等[95,96]等基于蘭新高鐵風速監(jiān)測數(shù)據(jù)，通過Gumbel、Clayton和Frank函數(shù)建立混合Copula函數(shù)，以蘭新高鐵長時氣象監(jiān)測數(shù)據(jù)為基礎，提出了基于混合Copula函數(shù)的風雨聯(lián)合概率分布模型，全面細致描述了特殊地區(qū)的風雨聯(lián)合分布規(guī)律和時空關聯(lián)特性；利用三種人工神經網(wǎng)絡模型對風速進行預測，構建了一種風速預警系統(tǒng)，預測結果如圖11所示。

（a）小波分解-時間序列法

（WT-TS）

（b）經驗模態(tài)分解-神經網(wǎng)絡法

（EEMD-ANN）

（c）經驗模態(tài)分解-遺傳算法優(yōu)化的神經網(wǎng)絡法

（EEMD-ANN-GA）

（d）預測誤差

圖11 混合預測模型預測結果[95]

在橋梁壽命周期疲勞演化和服役壽命的評估與預測方面，王俊峰等[97]提出了一種公路混凝土橋梁疲勞壽命預測方法，并采用馬氏鏈蒙特卡洛模擬法（MCMC）考慮車輛與車道的相關性，進而對多車道精細車流進行模擬，最后通過鋼筋混凝土簡支T梁橋驗證了預測結果的合理性。Jiang等[98]通過建立橋梁全壽命周期疲勞演化的概率多尺度模型，考慮材料微觀結構的不確定性和隨機宏觀因素，提出并論證了一種用于鋼橋疲勞啟動壽命和剩余壽命預測的數(shù)字孿生驅動框架。由于該框架仍處于開發(fā)階段，僅能應用于帶u形肋膜片焊接接頭分段OSD試件的疲勞壽命預測。Zhu等[99]基于改進的Relief算法提出一種特征選擇算法，為橋梁退化預測選擇最佳特征集以提高劣化模型的性能。同時，建立了一種結合遞歸神經網(wǎng)絡（RNN）和卷積神經網(wǎng)絡（CNN）的橋梁劣化新模型（DPMB）。采用1992-2019年美國德克薩斯州橋梁的歷史數(shù)據(jù)對所提出的方法進行了驗證，結果表明該模型的穩(wěn)定性和精度優(yōu)于其他現(xiàn)有模型，準確預測了未來3-4年橋梁的未來狀況評級。

在基于構建模型/框架評估橋梁性能和損傷方面，陳小波等[100]構建了橋梁韌性指標，并通過BIM和GIS模型獲取結構數(shù)據(jù)集進而建立橋梁韌性評估系統(tǒng)，最后采用熵權法-TOPSIS法對橋梁韌性進行全面評估。趙小雄[101]利用結構加速度響應數(shù)據(jù)，通過結合機器學習及損傷指標法進而構建加權隨機森林模型（Weighted Random Forest：WRF），實現(xiàn)對結構加速度響應的預測及損傷評估。Kim等[102]基于2D空間中切片的概念，設計了一個使用3D激光掃描對橋梁構件進行自動損傷評估的框架，實現(xiàn)對不同大小和形狀的橋墩表面損傷的定位和量化，并在全尺寸橋的點云上，系統(tǒng)驗證了所提出框架在損害定位和量化方面的性能，為實現(xiàn)全尺寸橋梁的自動損傷評估提供基礎。Sengupta等[103]開發(fā)了一種定量解釋沖擊回波（IE）信號并將解釋映射到序數(shù)離散指數(shù)（稱為狀況評級（CR））的分析方法，基于IE數(shù)據(jù)，所提出的CR預測模型可以準確估計橋面的整體狀況。該模型使用長期橋接性能（LTBP）數(shù)據(jù)集進行訓練、驗證和測試，結果表明：在原始IE測試數(shù)據(jù)下，所提出的模型能夠自動預測橋面的CR，準確率為87.5%。Li等[104]根據(jù)不同橋梁因素的數(shù)據(jù)特征，引入多個卷積神經網(wǎng)絡和反向傳播神經網(wǎng)絡（BPNN），提出了一個端到端的框架，通過分析多個監(jiān)測因素的客觀特征和相關性來評估橋梁的健康狀況。所提出的框架發(fā)展了學習多個橋梁因素的綜合表示的能力，克服了傳統(tǒng)網(wǎng)絡中特征提取的限制，從而提高了健康異常評估的性能。

在橋梁抗震性能及風險評估與預測方面，Rachedi等[105]通過從有限元模型中獲得的數(shù)值數(shù)據(jù)庫來訓練神經網(wǎng)絡，提出了一種基于神經網(wǎng)絡的高架橋地震風險評估方法，并基于神經網(wǎng)絡預測結果，建立了考慮三類土的結構極限狀態(tài)(破壞指數(shù))的易損性曲線。Wang等[106]討論了有關概率地震響應預測及擴展樁豎支座橋梁的變量重要性機器學習方法。對大量考慮土體和結構不確定性的非線性土-橋有限元模型進行分析，并通過5次交叉驗證過程優(yōu)化了多元線性回歸（MLR）、拉索回歸（Lasso regression）、神經網(wǎng)絡（NN）、隨機森林及梯度提升樹（GTB）等5種ML方法，最終確定了最優(yōu)參數(shù)。結果表明NN及GTB能夠較好預測土橋體系的地震反應，RF次之，Lasso和MLR一般不能給出可靠估計。

數(shù)字孿生技術除了用于鋼橋的疲勞壽命預測，還能用于橋梁的地震倒塌易損性評估，香港理工大學的Lin等[107]提出了一種基于數(shù)字孿生模型的大跨度斜拉橋地震倒塌易損性評估方法。該方法改善了地震需求和橋梁建模的不確定性，證明了數(shù)字孿生技術對于大跨度斜拉橋的地震坍塌評估是可行的。

在當前橋梁管理策略依賴于經驗驅動的手動分配條件評級的背景下，Li等[108]將橋梁檢測報告中的敘述性描述確定為未開發(fā)的數(shù)據(jù)源，并提出了一個數(shù)據(jù)驅動的框架作為自動狀態(tài)建議和實時質量控制兩種應用的支持工具。該框架使用深度神經網(wǎng)絡在檢查報告文本和條件評級之間建立映射，為狀態(tài)評估提供了一個網(wǎng)絡-人協(xié)作的路徑，可提高全國范圍內狀況評級實踐的一致性。

傳統(tǒng)橋梁狀態(tài)評估方法費時、費力且容易出錯的問題，機器學習在橋梁狀態(tài)評估中的應用解決了這類問題，然而數(shù)據(jù)集中大量標簽噪聲嚴重影響了結構評估模型的性能，為此，Wang等[109]考慮了橋梁條件等級之間的自然順序關系，提出了一種橋梁狀況評估的標簽排序方法（LR-BCA），并針對評估數(shù)據(jù)集中的沖突實例開發(fā)了一種啟發(fā)式數(shù)據(jù)清理（HDC）方法用于篩選狀態(tài)評估數(shù)據(jù)。并基于實橋條件數(shù)據(jù)集證實了提出的HDC方法的有效性，表明LR-BCA方法具有了99%的準確率。

2.4

智能養(yǎng)護維修

隨著橋梁建設數(shù)量和使用年限的不斷增長，橋梁逐漸由快速建設階段向運維管理階段過渡。橋梁養(yǎng)護管理是一項任務復雜、系統(tǒng)性強的工作，由于近年來人工智能在我國各領域的應用日漸廣泛，橋梁管理和養(yǎng)護領域的人工智能探索大量涌現(xiàn)，借助新型技術挖掘養(yǎng)護運營管理模式成為研究熱點?；跇蛄褐悄軝z測技術，通過構建智能識別算法模型進而對結構開展智能評估及預測，最終建立科學的評價體系及基于信息化的全壽命評價模型[110]，進而實現(xiàn)橋梁全壽命周期的智能養(yǎng)護維修。

在橋梁養(yǎng)護管理信息和數(shù)據(jù)處理模式的優(yōu)化方面，劉大洋等[111]在構建橋梁病害核心知識庫、核心算法體系等的基礎上，開發(fā)了一套橋梁檢測病害智能診斷與決策系統(tǒng)，實現(xiàn)了梁式橋常規(guī)病害的實時智能診斷、成因分析、養(yǎng)護對策報告一鍵生成。大幅提高梁式橋病害診斷和決策的智能化水平。張振東等[112]基于現(xiàn)行規(guī)范提出并開發(fā)了一套橋梁經常性檢查智能系統(tǒng)，涵蓋數(shù)據(jù)采集、管理、評價、報表及歷史病害呈現(xiàn)等功能，實現(xiàn)了數(shù)據(jù)的自動化采集、存儲及管理，是橋梁“大數(shù)據(jù)”獲取與積累的有效保障，將為橋梁檢測、評價、養(yǎng)護分析決策及數(shù)據(jù)挖掘奠定良好的基礎，具有應用推廣前景。Li[113]提出一種基于詞源增強機器閱讀理解的命名實體識別（NER）神經模型，用于識別漢語橋梁檢查文本中的平面和嵌套實體。通過中國橋梁檢驗公司命名為實體語料庫驗證了所提出的模型，并與主流NER模型進行比較。結果表明，所提出的模型在橋梁檢測語料庫上優(yōu)于主流NER模型。該模型不僅為橋梁檢測信息自動提取提供了基礎，而且支持了知識圖譜構建、問答系統(tǒng)等下游任務。使得橋梁管理領域的重要數(shù)據(jù)源得到充分利用。Cheng等[114]采用隱形計算機的新概念，在安全評估和防災方面開發(fā)了橋梁生命周期管理決策支持系統(tǒng)。該系統(tǒng)的設計和開發(fā)旨在將手動輸入和人機交互減少到最低限度。此外，該系統(tǒng)依托數(shù)據(jù)交換平臺檢索所需數(shù)據(jù)并自動對橋梁進行安全分析，實現(xiàn)在橋梁運維階段的安全評估和災難預警。

在基于新技術開發(fā)橋梁養(yǎng)護管理平臺方面，國內外學者在橋梁病害溯源、發(fā)展、決策分析及養(yǎng)護后評價的工作中做出積極探索。劉勇等[115]提出了一種基于BIM技術的高速公路橋梁管養(yǎng)系統(tǒng)設計，構建了BIM地理信息數(shù)據(jù)庫及BIM資源信息調度的數(shù)學模型；并根據(jù)橋梁管養(yǎng)信息調度結果進行模糊尋優(yōu)，實現(xiàn)橋梁管養(yǎng)系統(tǒng)的優(yōu)化。該系統(tǒng)提高了橋梁管養(yǎng)信息相關特征提取的準確度、縮短數(shù)據(jù)的調度耗時，可為橋梁設計、施工、養(yǎng)護、運營等綜合管控系統(tǒng)的推進提供幫助。王剛等[116]基于BIM技術的鋼結構橋梁養(yǎng)護管理平臺，將施工階段與運維養(yǎng)護階段的BIM模型相關聯(lián)，使病害可追溯、可對比，形成一個完整的橋梁信息檔案。通過該模型可查詢養(yǎng)護及檢測實時數(shù)據(jù)與歷史數(shù)據(jù)，對橋梁健康狀況評估提供數(shù)據(jù)支撐，使BIM技術的應用于實際工程指導運維養(yǎng)護管理邁進了一步。陳曉敏等[117]以橋梁BIM模型為核心，以橋梁構件為基本單位，提出了基于GIS BIM的橋梁養(yǎng)護管理技術，管理流程見圖12所示。Samadi等[118]開發(fā)了一個基于橋梁信息模型（BrIM）和橋梁維修優(yōu)化的集成框架，該框架在子單元層面對橋梁養(yǎng)護計劃進行了優(yōu)化，包括維護數(shù)據(jù)庫、檢查、優(yōu)化和可視化等模塊，而BrIM可自動反饋到所開發(fā)的遺傳算法（GA）優(yōu)化系統(tǒng)中，并利用BrIM的可視化功能來協(xié)助決策。Byun等[119]基于BIM構建了包含詳細的橋梁安全診斷和維護相關信息的橋梁管理系統(tǒng)（BMS），并與Midas CIM程序相連接，實現(xiàn)橋梁維護的可持續(xù)性。

在基于智能算法開發(fā)考慮橋梁順序和優(yōu)先級的維修養(yǎng)護框架方面，Abdelmaksoud等[120]提出了一種基于參數(shù)化物流模型的橋梁巡檢和維護調度概率框架。定義了維護限制狀態(tài)（MLS）和檢查限制狀態(tài)（ILS），對于每個極限狀態(tài)，構建一組邏輯模型來支持有關橋梁組和單個橋梁水平的決策，并利用加拿大安大略省交通部（MTO）擁有的橋梁狀況數(shù)據(jù)證明了該框架的準確性，此框架也可用于為其他網(wǎng)橋管理數(shù)據(jù)庫開發(fā)類似的模型，與許多北美橋梁管理系統(tǒng)（BMS）采用的馬爾可夫鏈方法相比，所提出的邏輯模型可以輕松跟蹤橋梁狀況，并且精度更高?？赡苡兄贐MS制定更好的管理戰(zhàn)略并優(yōu)化預算和資源的分配。Hadjidemetriou等[121]將橋梁網(wǎng)絡視為一個多系統(tǒng)多組件網(wǎng)絡（MSMCN），橋梁(即系統(tǒng))暴露在不同的環(huán)境中，而環(huán)境又由多樣化組件組成。這種網(wǎng)絡具有雙重正維護相關的經濟依賴性。利用雙正經濟依賴性，同時考慮橋梁臨界性，提出了一種基于橋梁條件和網(wǎng)絡臨界度的異構橋梁網(wǎng)絡預測群維護優(yōu)先級方法。將該方法與網(wǎng)絡中橋梁臨界分析的新方法相結合，可以解決道路網(wǎng)中橋梁的維護優(yōu)先順序問題。Gui等[122]基于概率神經網(wǎng)絡法、徑向基函數(shù)法和主成分分析法，研究了一種多參數(shù)項目級橋梁養(yǎng)護決策算法，提出了項目級橋梁養(yǎng)護決策的綜合評價模型，并進行了綜合狀態(tài)指數(shù)（CSI）模型、基于目標的可靠性（TBR）模型、退化率因子（DRF）和生命周期成本（LCC）估計和維護時間的確定，最終以3個橋梁案例驗證了維護算法的合理性。Nili等[123]將遺傳算法（GA）和離散事件模擬（DES）相結合，提出了一種模擬橋梁維修優(yōu)化（SiBMO）框架，該框架可優(yōu)化橋梁維護計劃，確定維修過程的最佳順序，從而將維養(yǎng)成本降至最低。將SiBMO應用于實際案例表明：其在尋找最佳維修計劃方面的能力、優(yōu)化高層計劃方面的效率及估算成本方面的準確性均較好。

圖12 基于GIS BIM的橋梁養(yǎng)護平臺整體架構[117]

在橋梁加固方面，Lzadi等[124]提出了一種使用Fe-SMA的雙角鋼連接加固系統(tǒng)，并開發(fā)了一種配備光學3D數(shù)字圖像關聯(lián)（DIC）測量系統(tǒng)的新型連接測試裝置，為橋梁連接提供了一種通用且經濟的技術，并且可以顯著減少不良疲勞開裂源的影響。Yang等[125]提出了一種新型的橋梁性能強化方法，通過用高性能自固結膠凝復合材料填充空心板梁橋，從而改善抗剪切性能，與加固前相比，橋梁主應力降低了50%以上，中跨撓度降低了10%-25%，并在一定程度上改善了橋梁的橫向連接。Xie等[126]研究了使用預應力CFRP板加固橋梁受損RC梁后的抗彎曲和抗疲勞特性，結果表明腐蝕和循環(huán)過載損傷的耦合作用顯著降低了加固后RC梁的彎曲剛度，但對極限載荷沒有產生較大影響，表明預應力加固系統(tǒng)的有效性。Yao等[127]提出了一種創(chuàng)新的鋼-混凝土接頭，它利用前后支承板和混凝土填充鋼單元，可用于大跨度鐵路混合箱梁斜拉橋。Zhang等[128]提出了一種使用灌漿波紋鋼套筒和現(xiàn)澆UHPC榫頭（縮寫為GS-UHPC）的混合連接接頭，其具有良好的整體性、能量耗散能力、變形恢復能力，可用于預制橋墩。Xiao等[129]研究了由鋼板和UHPC組成的復合板的力學原理，結果表明鋼-UHPC復合板具有優(yōu)異的延展性和剛度。

綜上所述，2021年國內外學者在智能檢測及運維決策研究工作中做出了積極探索。BIM、GIS和BP神經網(wǎng)絡等技術得到了大量應用，相關算法和模型也不斷被優(yōu)化，橋梁的養(yǎng)護管理平臺和維修方案逐漸完善，相關信息的提取和反饋更加快捷，對橋梁的養(yǎng)護精細化、管理智能化具有積極意義，提高了橋梁管養(yǎng)的效率與質量。

隨著人工智能領域方面算法的成熟，以及圖像處理、數(shù)字孿生等技術的發(fā)展，橋梁智能檢測技術取得一定突破?，F(xiàn)階段的橋梁智能檢測技術研究主要集中于智能檢測設備、爬壁機器人、激光雷達、智能算法及數(shù)字孿生技術等，為橋梁智能識別、評估、預測及養(yǎng)護維修提供了數(shù)據(jù)支持，避免了數(shù)據(jù)感知中繁雜的數(shù)據(jù)分類及噪聲，為橋梁智能“診治”提供了基礎。

橋梁全壽命周期的各個階段涌現(xiàn)出大批新技術、新裝備與新平臺。研發(fā)新的橋梁構件以及相應管理系統(tǒng)、合理優(yōu)化現(xiàn)代橋梁施工建設的步驟、構建橋梁智能建造全過程管理模式的總體架構，已成為智能橋梁建造階段的主要發(fā)展方向；無人機、新算法在橋梁檢測階段得到應用；新平臺與新模型的構建也為橋梁運營養(yǎng)護的可持續(xù)性提供了保證，但是新的技術與平臺存在一些問題，如：系統(tǒng)運行不平穩(wěn)，檢測精度不夠且應用場景受限較大，同時新型裝備與新平臺的普及性還有待提高。

結論與展望

目前，建筑工業(yè)進入4.0時代，全域感知（機器視覺）、數(shù)據(jù)獲取與機器學習等核心技術是實現(xiàn)雙向映射、動態(tài)交融與實時耦聯(lián)的基礎。中國橋梁數(shù)量龐大，種類繁多，傳統(tǒng)結構檢測和運維方式已不再適用，基于人工智能方法的建造、檢測、評估與預測是實現(xiàn)結構智能診治一體化的關鍵。多源異構數(shù)據(jù)融合算法、數(shù)字孿生技術、橋梁全壽命周期結構評估及長期性能演化預測分析理論已成了目前國內外學者研究的重要內容。筆者根據(jù)國內外研究現(xiàn)狀從以下幾方面對橋梁智能建造與安全運維研究重點進行展望：

（1）橋梁智能設計與建造方面，面臨多因素識別分析、多目標優(yōu)化決策及多任務協(xié)同控制的技術挑戰(zhàn)，需解決多環(huán)節(jié)、多源頭數(shù)據(jù)的智能感知、傳遞、管理、學習及控制的問題。智能設計方面，基于現(xiàn)有橋梁智能設計研究成果，進一步深化各種智能算法在模型修正優(yōu)化中的應用，提出基于機器學習的自適應橋梁智能設計理論方法；同時開展橋梁設計方案比選優(yōu)化算法的研究，針對橋梁幾何外形優(yōu)化方案的拓撲算法流程進行探索，進而構建圖像化底層設計平臺以及國產化仿真分析軟件。智能建造方面，解決空天地多維屬性下智能感知與交互的難題，構建橋梁建造場景多源異構數(shù)據(jù)高效融合算法，提出智能建造數(shù)字孿生理論，最終形成材料、結構與信息技術深度融合新型建造技術。

（2）橋梁智能檢測與運維決策方面，基于圖像法、射線法及光纖光柵傳感等新技術開展智能檢測機器人的研發(fā)，提高智能化檢測的適用性、可靠性、敏感性及相容性，研發(fā)復雜環(huán)境下檢測裝備可靠工作的動態(tài)檢測系統(tǒng)；構建結構智能診治數(shù)據(jù)集，研究結構表面缺陷智能識別算法，研究多源異構數(shù)據(jù)的智能融合與分析方法，建立結構智能化信息處理與基于深度學習的智能檢測理論。

（3）橋梁全壽命周期性能評估與性能演化預測方面，研究數(shù)字孿生技術的逆向建模方法，建立結構全壽命周期內的時序數(shù)據(jù)庫與關系型數(shù)據(jù)庫，通過測攝、智能傳感系統(tǒng)獲取多源異構數(shù)據(jù)集定義精確的物理模型和拓撲裝配關系，提出橋梁多物理、多尺度的動態(tài)數(shù)字映射方法；建立結構全壽命周期性能演化分析模型，提出數(shù)據(jù)驅動的結構性能識別的智能感知模型，建立結構全壽命周期性能評估和預測算法。

圍繞“安全、智能、綠色”三大需求，以國家“碳中和”、“碳達峰”目標為導向，通過多學科交叉融合，突破核心理論、關鍵算法、技術裝備及軟件平臺等關鍵技術難題，融合人工智能方法與橋梁全壽命周期理念，實現(xiàn)四維（空間時間）全壽命周期設計理論突破，深入發(fā)展橋梁智能建造與安全運維數(shù)字孿生平臺，推動橋梁產業(yè)轉型升級，最終實現(xiàn)中國橋梁的“工業(yè)化、數(shù)字化、智能化”。

團隊人員介紹

蒲黔輝，西南交通大學教授、博士生導師，土木工程學院院長。長期從事橋梁結構行為、智能檢測、大數(shù)據(jù)方法在橋梁工程中的應用等方面研究。近五年，負責/參加完成“城市典型交通基礎設施運維安全關鍵技術研究”等10余項國家重點研發(fā)計劃項目、國家科技支撐項目、國家自然科學基金項目、省科技廳項目等。發(fā)表國內外學術論文200余篇，出版專著1部，授權發(fā)明專利20余項，參編《城市軌道交通橋梁設計規(guī)范》等國家標準2部。獲國家科技進步二等獎、中國鐵道學會科技進步二等獎、中國交通運輸協(xié)會科學技術獎一等獎、中國振動工程學會科學技術獎一等獎、宏宇優(yōu)秀教師獎、陸氏青年教師獎等。擔任教育部高等學校土木工程教學指導委員會委員、中國土木工程學會理事、中國災害防治協(xié)會理事、四川省普通本科高等學校土木與水利類專業(yè)教學指導委員會主任委員、四川省土木工程學會副主任委員、四川省橋梁專委會副主任等。

勾紅葉，西南交通大學教授、博士生導師，土木工程學院副院長。四川省學術和技術帶頭人，交通運輸部“交通運輸青年科技英才”，四川省“天府萬人計劃”天府科技菁英，四川省杰出青年科技人才。長期致力于橋梁-軌道變形映射與行車安全、橋梁智能檢測與安全運維等方面的研究。主持國家自然科學基金3項，四川省杰青等省部級科研項目6項。出版專著2部、國家/地方標準4部。授權發(fā)明專利13項，軟件著作權8項。發(fā)表學術論文100余篇，其中SCI收錄50余篇，6項主持成果入選鐵路重大科技創(chuàng)新成果。成果應用于京滬、滬杭、寧杭、杭長等多條高鐵工程中，為橋軌系統(tǒng)協(xié)同設計、超高平順性和列車安全運營提供了關鍵技術支撐。獲茅以升科學技術獎橋梁青年獎、中國交通運輸協(xié)會科技進步獎一等獎、茅以升鐵道科學技術獎等。擔任《中國公路學報》、《交通運輸工程學報》、《中南大學學報（自然科學版）》、《Journal of Central South University》等期刊青年編委，《鐵道標準設計》編委，中國公路學會橋梁和結構工程分會理事、茅以升科技教育基金會橋梁委員會委員、橋梁智能檢測聯(lián)盟副理事長、四川省科技青年聯(lián)合會常務理事等。聯(lián)系郵箱：gouhongye@swjtu.edu.cn

楊永清，西南交通大學教授、博士生導師，結構工程試驗中心主任。長期致力于預應力混凝土橋梁結構和鋼管混凝土橋梁結構研究，近幾年主持完成的交通部西部科技項目山區(qū)大跨徑鋼筋混凝土箱型拱橋的設計及施工技術研究，高速鐵路特殊橋梁新結構鋼管混凝土收縮徐變試驗研究等部省項目多項，發(fā)表科研論文60余篇，參編教材專著2本、譯著1本。獲鐵道部科技進步一等獎、中國交通運輸協(xié)會科學技術獎一等獎、四川省科技進步二等獎等。

李曉斌，工學博士，高級工程師，碩士生導師。長期從事橋梁結構評估及快速加固技術、健康監(jiān)測、橋梁荷載試驗以及產品研發(fā)工作。近年來負責/參與十余項鐵道部科研項目、交通部科研項目以及重大工程項目，發(fā)表論文20余篇，授權發(fā)明專利、軟件著作權4項，參編《軌道交通結構檢測監(jiān)測技術規(guī)范》1部，獲中國交通運輸協(xié)會科技進步一等獎1項。

高玉峰，工學博士，高級工程師。長期從事橋梁結構檢測與維護，大型橋梁結構監(jiān)測與控制，橋梁結構健康監(jiān)測等方面的研究與工程實踐。參與完成的各類橋梁檢測與評定項目達50余項，主持完成大型橋梁結構施工監(jiān)測與控制項目達60余項，發(fā)表論文20余篇，授權發(fā)明專利2項、實用新型專利2項、軟件著作權3項。

趙虎，工學博士，高級工程師。長期從事高速鐵路基礎設施性能評估及維護，主持/研國鐵集團等各級重大重點課題20余項，入選中國科協(xié)第三屆暨中國鐵道學會首屆青年人才托舉工程，獲湖北省博士后創(chuàng)新崗位資助，入選湖北省科技廳入庫專家，授權受理各類知識產權20余項，發(fā)表論文20余篇，參編行業(yè)標準2項。

洪彧，工學博士，工程師。致力于橋梁結構健康監(jiān)測、結構受力行為研究。近年來，主持縱向課題1項，主持、主研橫向課題若干，參編專著1部，發(fā)表國內外高水平學術論文20余篇，擔任了多個SCI期刊的審稿人。

王君明，工學碩士，高級工程師。長期致力于橋梁結構設計、檢測監(jiān)測與模型試驗研究。近年來，主持、主研縱向、橫向課題若干，發(fā)表學術論文10余篇。

趙天祺，西南交通大學土木工程學院博士研究生。研究方向：復雜條件下車輛-軌道-橋梁耦合振動與行車安全。參與國家自然科學基金面上項目等縱向項目3項，發(fā)表中科院一區(qū)SCI論文1篇。

譚莊，西南交通大學土木工程學院博士研究生。研究方向：橋梁數(shù)字孿生與智能運維。參與國家自然科學基金面上項目等縱向項目2項，發(fā)表EI論文1篇，核心2篇。

參考文獻

[1] 來猛剛, 楊敏, 翟敏剛, 姚曉飛. 橋梁工業(yè)化智能建造[J]. 公路, 2021, 66(07): 195-202.

[2] 何祥平, 王浩, 張一鳴, 王飛球, 茅建校, 謝以順. Revit-Midas/Civil模型轉換方法及應用[J]. 東南大學學報(自然科學版), 2021, 51(05): 813-818.

[3] Korus K, Salamak M, Jasiński M. Optimization of geometric parameters of arch bridges using visual programming FEM components and genetic algorithm[J]. Engineering Structures, 2021, 241: 112465.

[4] Nour N A, D Vié, Chateauneuf A, et al. Dimensioning of partially prestressed concrete beams, optimization of T-shaped section with heels[J]. Engineering Structures, 2021, 235(4): 112054.

[5] 唐煜, 岳杰, 華旭剛. 基于人工蜂群算法的橋梁有限元模型局部剛度修正[J]. 鐵道科學與工程學報, 2021, 18(09): 2333-2343.

[6] Jawad F, Ozturk C, Wang D S, et al. Sizing and layout optimization of truss structures with artificial bee colony algorithm[J]. Structures, 2021, 30(2): 546-559.

[7] 徐喆, 辛景舟, 唐啟智, 肖維娜, 李雙江. 基于響應面法和麻雀搜索算法的結構有限元模型修正[J]. 科學技術與工程, 2021, 21(21): 9094-9101.

[8] 孫強, 周志勇, 胡傳新, 秦鵬, 黃德睦. 流線型箱梁氣動外形的數(shù)值優(yōu)化[J]. 哈爾濱工業(yè)大學學報, 2021, 53(10): 93-100.

[9] Serwa A, Saleh M. New semi-automatic 3D registration method for terrestrial laser scanning data of bridge structures based on artificial neural networks[J]. Egyptian Journal of Remote Sensing and Space Science, 2021(6): 787-798.

[10] 萬華平, 衛(wèi)志成, 蘇雷, 任偉新. 基于系統(tǒng)地震易損性的橋梁隔震支座優(yōu)化設計[J]. 地震工程與工程振動, 2021, 41(05): 69-78.

[11] 付雷, 馬聞達, 高鵬, 周建庭, 張俊, 趙月明. 基于RSM-WOA的橋梁結構有限元模型修正[J]. 中國科技論文, 2021, 16(08): 875-882.

[12] 冀偉, 邵天彥. 波形腹板鋼箱-混凝土箱梁橋的有限元模型修正[J]. 西南交通大學學報, 2021, 56(01): 1-11.

[13] 秦世強, 甘耀威, 康俊濤. 基于改進萬有引力搜索算法的南中環(huán)橋模型修正[J]. 振動與沖擊, 2021, 40(19): 116-124 136.

[14] Musa A, Serdar C, Discrete sizing design of steel truss bridges through teaching-learning-based and biogeography-based optimization algorithms involving dynamic constraints[J]. Structures, 2021, 34: 3533-3547.

[15] 馮帆, 溫偉斌, 伍彥斌, 曾文宋武, 黃方林. 橋梁鋼-混結合段試驗模型加載多目標優(yōu)化[J]. 科學技術與工程, 2021, 21(19): 8212-8217.

[16] 張帥, 韓軍, 涂群章, 楊小強, 楊旋. 基于GA-NLP的剪刀式折疊橋梁展橋機構多目標優(yōu)化設計[J]. 工程設計學報, 2020, 27(01): 67-75.

[17] 張茂勇. BIM技術在橋梁工程設計中的應用[J]. 建筑結構, 2021, 51(10): 170.

[18] 郭衡, 傅戰(zhàn)工, 譚國宏, 杜勛, 唐超. 常泰長江大橋主塔沉井結構BIM正向設計應用[J]. 鐵道標準設計, 2021, 65(11): 170-174.

[19] 田慶, 馬少雄, 趙欽, 徐飛, 徐宏. 高鐵橋梁墩柱模板結構體系自動化設計研究[J]. 鐵道標準設計, 2021, 65(09): 105-110.

[20] 張憲亮. 基于OSG的BIM GIS在橋涵方案設計中的應用研究[J]. 鐵道標準設計, 2021, 65(11): 175-179.

[21] 韓廣暉, 李輝, 周清華, 宋浩, 羅天靖, 楊喜文. BIM技術在鐵路橋梁工程中的應用及實現(xiàn)方法[J]. 鐵道標準設計, 2021, 65(11): 166-169.

[22] 蔣浩鵬, 姜諳男. 基于BIM技術的橋梁模型設計及信息處理研究[J]. 重慶交通大學學報(自然科學版), 2021, 40(12): 82-89.

[23] 陳華衛(wèi), 謝立廣. Dynamo插件在T形梁橋BIM建模中的應用[J]. 公路, 2021, 66(05): 163-166.

[24] Alexis G, Boton C. A parametric BIM approach to foster bridge project design and analysis[J]. Automation in Construction, 2021, 126: 103679.

[25] 王文芳, 楊剛, 姜亞麗. 基于BIM的橋梁有限元模型轉換與結構分析方法[J]. 大連海事大學學報, 2021, 47(03): 111-119.

[26] 馬汝杰, 夏建平, 徐潤, 馬文琪, 張常勇. BIM技術在改擴建公路橋梁勘察設計中的應用研究[J]. 公路, 2021, 66(03): 85-89.

[27] 藺鵬臻, 韓旺和. 基于BIM技術的混凝土橋梁耐久性分析軟件開發(fā)[J]. 鐵道工程學報, 2021, 38(03): 80-85.

[28] 劉旭政, 湯仲訓, 賈麗華, 王鵬. 橋梁荷載試驗車輛自動化布載程序對比分析[J]. 沈陽建筑大學學報(自然科學版), 2021, 37(01): 113-120.

[29] 孟凡成, 王萬峰. BIM技術在某變截面連續(xù)梁橋工程中的安全驗算分析[J]. 公路, 2021, 66(08): 192-196.

[30] 張暉. BIM技術在棋盤洲長江公路大橋北錨碇施工中的應用[J]. 世界橋梁, 2021, 49(01): 89-94.

[31] 杜戰(zhàn)軍, 吳繼峰, 任子健, 溫慶杰. 大跨鋼桁架橋梁施工BIM建模及信息化平臺系統(tǒng)[J]. 公路, 2021, 66(11): 114-119.

[32] 黃寧, 李建華, 高偉, 吳斌斌, 梅浩. 基于BIM的重力式錨碇預應力錨固系統(tǒng)的研究[J]. 公路, 2021, 66(02): 151-155.

[33] 張?zhí)? 何理, 孫銘悅, 楊剛. 基于BIM技術的拱橋施工監(jiān)控數(shù)據(jù)集成研究[J]. 鐵道工程學報, 2021, 38(05): 47-52.

[34] 陶建軍, 王蕩, 于長海, 王燁人, 賈興利, 陳星澎. 預制節(jié)段梁橋精細化BIM模型構建及平臺可視化應用[J]. 公路, 2021, 66(12): 154-158.

[35] 王汁汁, 張勇, 王維. 懸索橋鋼箱梁纜索吊裝施工BIM技術應用研究[J]. 公路, 2021, 66(11): 182-188.

[36] 巴懷強, 李超, 孫凱, 胡兆峰, 周銀. 基于點云模型的大噸位轉體橋梁高效稱重[J]. 科學技術與工程, 2021, 21(12): 5105-5110.

[37] 李浩, 王昊琪, 劉根, 王軍令, Steve Evans, 李琳利, 王曉叢, Shuai Zhang, 文笑雨, 聶福全, 王新昌, 郝兵, 姜偉, 劉永光. 工業(yè)數(shù)字孿生系統(tǒng)的概念、系統(tǒng)結構與運行模式[J]. 計算機集成制造系統(tǒng), 2021, 27(12): 3373-3390.

[38] 張鴻, 張永濤, 王敏, 鄭和暉, 姬付全. 全過程自適應橋梁智能建造體系研究與應用[J]. 公路, 2021, 66(04): 124-136.

[39] 鐘康健, 馬超凡. 建筑信息模型數(shù)字化物聯(lián)網(wǎng)技術引領下的智慧橋梁施工管理分析[J]. 公路, 2021, 66(07): 203-208.

[40] Svetlana B, Miroslaw J, Zhang X Q. Factors Affecting 3D Printing Technology Adaptation in Construction[J]. Journal of Construction Engineering and Management, 2021, 147(5): 04021026.

[41] 李施展. 3D打印技術在香溪長江大橋施工測量中的應用[J]. 測繪通報, 2021(S2): 121-124.

[42] 唐俊義, 周志祥, 余忠儒, 鄧國軍, 劉年. 一種新型裝配式橋梁人-車隔離防撞護欄[J]. 科學技術與工程, 2021, 21(27): 11805-11812.

[43] 王志剛, 孫貴清, 余順新, 賈俊峰. 公路橋梁裝配式橋墩工業(yè)化快速建造技術[J]. 公路, 2021, 66(06): 145-150.

[44] 梁棟, 趙愷, 馬印懷, 馬驊, 李長麗. 基于3D激光掃描的鋼橋塔節(jié)段虛擬裝配方法[J]. 橋梁建設, 2021, 51(03): 62-71.

[45] 姜早龍, 臧格格. 橋梁工程裝配式智能建造全過程管理研究[J]. 公路工程, 2021, 46(06): 39-45.

[46] Deng S W, Shao X D, ZHAO X D, et al. Precast steel–UHPC lightweight composite bridge for accelerated bridge construction[J]. Frontiers of Structural and Civil Engineering volume 15, 364–377 (2021).

[47] 胡明, 楊澤, 吳梅, 葉光友, 趙德明, 邱志強. 架橋車模塊化橋節(jié)強度分析與拓撲優(yōu)化[J]. 機械設計, 2021, 38(05): 19-25.

[48] 夏昊, 范晨陽. 市政裝配化橋梁墩梁一體化架設施工關鍵技術[J]. 公路, 2021, 66(04): 85-89.

[49] 高貴, 趙永強. CRTS雙塊式無砟軌道一體化底座模板系統(tǒng)和自動整平設備研發(fā)與應用[J]. 鐵道建筑, 2021, 61(06): 124-128.

[50] 趙天祺,勾紅葉,陳萱穎,李文昊,梁浩,陳子豪,周思清.橋梁信息化及智能橋梁2020年度研究進展[J].土木與環(huán)境工程學報(中英文), 2021, 43(S1): 268-279.

[51] Yu S S, Xu Z F, Su Z Y, et al. Two Flexible Vision-based Methods for Remote Deflection Monitoring of a Long-span Bridge[J]. Measurement, 2021(1):109658.

[52] Abedin M, Mehrabi A B. Health monitoring of steel box girder bridges using non-contact sensors[J]. Structures, 2021, 34: 4012-4024.

[53] Qin X Q, L Q Q, D X L, et al. A structure knowledge-synthetic aperture radar interferometry integration method for high-precision deformation monitoring and risk identification of sea-crossing bridges[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 103: 102476.

[54] 孫金更, 張善濤, 張娜. 一種橋梁智能檢測飛行機器人:, CN112623221A[P]. 2021.

[55] 譚國金, 楊正, 付巍,等. 一種橋梁撓度智能檢測裝置及方法:, CN112171692A[P]. 2021.

[56] Peng X, Zhong X G, Zhao C, et al. A UAV-based machine vision method for bridge crack recognition and width quantification through hybrid feature learning[J]. Construction and Building Materials, 2021, 299: 123896.

[57] Zhang H B, Li Z C, Chen G D, et al. UAV-based smart rock localization for bridge scour monitoring[J]. Journal of Civil Structural Health Monitoring, 2021, 11: 301-313.

[58] Feroz S, Dabous S A. UAV-Based Remote Sensing Applications for Bridge Condition Assessment[J]. Remote Sensing, 2021, 13(9): 1809.

[59] Dan D H, Dan Q. Automatic recognition of surface cracks in bridges based on 2D-APES and mobile machine vision[J]. Measurement, 2021, 168:108429.

[60] 吳向東, 趙健康, 劉傳奇. 基于CNN與CRF的橋梁裂縫檢測算法[J]. 計算機工程與設計.

[61] 馬學志, 范劍雄, 柴雪松, 李會強, 暴學志, 李健超. 無人機巡檢系統(tǒng)在鐵路混凝土橋梁檢測中的應用[J].鐵道建筑, 2021, 61(12): 76-80.

[62] 韓冰, 勾紅葉, 華輝,王君明, 楊萌, 梁嚴軍. 正交異性鋼橋面板疲勞裂紋智能檢測機器人研究[J]. 公路,2021,66(11):143-148.

[63] Liu H J, Chen C, Guo Z Q, et al. Overall grouting compactness detection of bridge prestressed bellows based on RF feature selection and the GA-SVM model[J]. Construction and Building Materials, 2021, 301:124323.

[64] Mariniello G, Pastore T, Asprone D, et al. Layout-aware Extreme Learning Machine to Detect Tendon Malfunctions in Prestressed Concrete Bridges using Stress Data[J]. Automation in Construction, 2021, 132: 103976.

[65] 羅燁鈳, 陳永高, 李升才. 基于Fast-ICA算法的改進EEMD算法在橋梁工程中的運用[J]. 公路交通科技, 2021,38(2):11.

[66] Wu Y C, Chen X Z, Wang Y F. Identification of linear and nonlinear flutter derivatives of bridge decks by unscented Kalman filter approach from free vibration or stochastic buffeting response[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2021, 214: 104650.

[67] 劉兆翌,林赟,王彥平,李洋,申文杰. 基于CA-CFAR橋梁振動目標位置及頻率檢測方法[J]. 信號處理, DOI：10. 16798/j. issn. 1003-0530. 2021.11.016.

[68] 馬彪. 深度學習網(wǎng)絡模型在橋梁底部損傷識別中的應用研究[D]. 長安大學, 2021.

[69] 楊瑞騰. 基于圖像處理的鋼結構橋梁表面病害檢測系統(tǒng)[D]. 華中師范大學, 2021.

[70] 鄒俊志. 基于卷積神經網(wǎng)絡的RC橋梁表觀病害識別方法研究[D]. 重慶交通大學, 2021.

[71] 鄒俊志, 楊建喜, 李昊, 等. 復雜背景下基于改進YOLO v3算法的橋梁表觀病害識別[J]. 鐵道科學與工程學報, 2021,18(12):3257-3266.

[72] 李保龍, 房志恒, 戰(zhàn)家旺. 基于概率神經網(wǎng)絡的鋼桁梁橋螺栓脫落損傷定位識別研究[J]. 鐵道建筑, 2021,61(7):5.

[73] 楊揚, 王連發(fā), 張宇峰, 等. 基于多特征融合的混凝土結構表面病害圖像分類算法[J]. 長安大學學報(自然科學版), 2021,41(03):64-74.

[74] 朱勁松, 李歡, 王世芳. 基于卷積神經網(wǎng)絡和遷移學習的鋼橋病害識別[J]. 長安大學學報(自然科學版), 2021,41(03):52-63.

[75] 馬嘉斌. 基于圖像處理的橋梁裂縫識別與測量方法研究[D]. 北京交通大學, 2021.

[76] 謝文高, 張怡孝, 劉愛榮, 等. 基于水下機器人與數(shù)字圖像技術的混凝土結構表面裂縫檢測方法: 第30屆全國結構工程學術會議, 中國廣東廣州, 2021[C].

[77] 王桂平, 陳旺橋, 楊建喜, 等. 基于遷移學習的橋梁表觀病害檢測技術研究[J]. 鐵道科學與工程學報, 2021:1-10.

[78] 包龍生, 曹悅, 趙寧, 等. BP神經網(wǎng)絡和曲率模態(tài)理論在橋梁損傷識別中的應用[J]. 沈陽建筑大學學報(自然科學版), 2021,37(02):296-302.

[79] 邵紅艷, 梁李源, 高士武. 基于卷積自編碼神經網(wǎng)絡的損傷識別[J]. 科學技術創(chuàng)新, 2021(11):140-141.

[80] 韓宇, 李劍, 馬慧宇, 等. 基于CNN-LSTM的橋梁結構損傷診斷方法[J]. 國外電子測量技術, 2021,40(07):1-6.

[81] 朱前坤, 陳建邦, 張瓊, 等. 基于計算機視覺人行橋撓度影響線非接觸式識別[J]. 工程力學, 2021,38(08):145-153.

[82] 繆炳榮, 彭齊明, 楊樹旺, 等. 基于最有價值球員算法的結構損傷識別方法[J]. 重慶交通大學學報(自然科學版), 2022,41(01):67-75.

[83] Nguyen T Q. A deep learning platform for evaluating energy loss parameter in engineering structures[J]. Structures, 2021, 34: 1326-1345.

[84] 韓宇, 李劍, 馬慧宇,等. 基于CNN-LSTM的橋梁結構損傷診斷方法[J]. 國外電子測量技術, 2021, 40(7):6.

[85] Khan M A, Khan A A, Domada R, et al. Fire hazard assessment, performance evaluation, and fire resistance enhancement of bridges[J]. Structures, 2021, 34: 4704-4714.

[86] Abedi M, Naser M Z. RAI: Rapid, Autonomous and Intelligent machine learning approach to identify fire-vulnerable bridges[J]. Applied Soft Computing, 2021, 113: 107896.

[87] 熊文, 李剛, 張宏偉, 等. 基于點云數(shù)據(jù)與工程知識的橋梁形態(tài)變化識別方法[J]. 湖南大學學報(自然科學版), 2021:1-9.

[88] Yan Y J, Hajjar J F. Automated extraction of structural elements in steel girder bridges from laser point clouds[J]. Automation in Construction, 2021, 125: 103582.

[89] 畢增輝, 吳學群. 基于指數(shù)型空間基的STRE模型在橋梁變形預測中的應用[J]. 中國水運:下半月, 2021,21(5):3.

[90] 勾紅葉, 楊彪, 劉雨, 蒲黔輝. 復雜條件下車-軌-橋變形映射關系及行車安全評價[J].中國公路學報,2021,34(04):162-173.DOI:10.19721/j.cnki.1001-7372.2021.04.014.

[91] Wang Y, Wang P, Tang H Y, et al. Assessment and prediction of high speed railway bridge long-term deformation based on track geometry inspection big data[J]. Mechanical Systems and Signal Processing, 2021, 158: 107749.

[92] Wang X D, Miao C Q, Wang X M. Prediction analysis of deflection in the construction of composite box-girder bridge with corrugated steel webs based on MEC-BP neural networks[J]. Structures, 2021, 32: 691-700.

[93] 尚志鵬. 橋梁動力響應的貝葉斯動態(tài)預測與監(jiān)控[D]. 蘭州大學, 2021.

[94] Li H L, Wang T Y, Wu G. Dynamic response prediction of vehicle-bridge interaction system using feedforward neural network and deep long short-term memory network[J]. Structures, 2021, 34: 2415-2431.

[95] Gou H Y, Chen X Y, Bao Y. A wind hazard warning system for safe and efficient operation of high-speed trains[J]. Automation in Construction, 2021, 132.

[96] 勾紅葉 ,冷丹, 王涵玉, 蒲黔輝. 基于混合Copula函數(shù)的風雨聯(lián)合概率分布模型[J].中國公路學報,2021,34(02):309-316.DOI:10.19721/j.cnki.1001-7372.2021.02.019.

[97] 王俊峰, 黃平明, 韓萬水, 等. 基于改進損傷算法及MCMC車流模擬的混凝土橋梁疲勞壽命預測[J]. 湖南大學學報:自然科學版, 2021,48(11):13.

[98] Jiang F, Ding Y L, Song Y S, et al. Digital Twin-driven framework for fatigue life prediction of steel bridges using a probabilistic multiscale model: Application to segmental orthotropic steel deck specimen[J]. Engineering Structures, 2021, 241: 112461.

[99] Zhu J S, Wang Y L. Feature Selection and Deep Learning for Deterioration Prediction of the Bridges[J]. Journal of Performance of Constructed Facilities, 2021, 35(6): 4021078.

[100] 陳小波, 郭祖培, 錢希坤, 等. BIM和GIS數(shù)據(jù)環(huán)境下的橋梁韌性評估多準則決策方法研究[J]. 工程管理學報, 2021:1-6.

[101] 趙小雄. 基于隨機森林算法和貝葉斯動態(tài)模型的橋梁損傷識別方法研究[D]. 蘭州大學, 2021.

[102] Kim H, Yoon J, Hong J, et al. Automated Damage Localization and Quantification in Concrete Bridges Using Point Cloud-Based Surface-Fitting Strategy[J]. Journal of Computing in Civil Engineering, 2021, 35(6): 04021028.

[103] Sengupta A, Guler S I, Shokouhi P. Interpreting Impact Echo Data to Predict Condition Rating of Concrete Bridge Decks: A Machine-Learning Approach[J]. Journal of Bridge Engineering, 2021, 26(8): 04021044.

[104] Li J, He H L, He H B, et al. An End-to-End Framework With Multisource Monitoring Data for Bridge Health Anomaly Identification[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70.

[105] Rachedi M, Matallah M, Kotronis P. Seismic behavior & risk assessment of an existing bridge considering soil-structure interaction using artificial neural networks[J]. Engineering Structures, 2021, 232: 111800.

[106] Wang X W, Li Z Q, Shafieezadeh A. Seismic response prediction and variable importance analysis of extended pile-shaft-supported bridges against lateral spreading: Exploring optimized machine learning models[J]. Engineering Structures, 2021, 236: 112142.

[107] Lin K Q, Xu Y L, Lu X Z, et al. Digital twin-based collapse fragility assessment of a long-span cable-stayed bridge under strong earthquakes. Automation in Construction, 2021, 123: 103547.

[108] Li T S, Alipour M, Harris D K. Mapping textual descriptions to condition ratings to assist bridge inspection and condition assessment using hierarchical attention[J]. Automation in Construction, 2021, 129: 103801.

[109] Wang K, Ruan T, Xie F X. LR-BCA: Label Ranking for Bridge Condition Assessment[J]. IEEE Access, 2021, 9:4038-4048.

[110] 賀拴海,王安華,朱釗,趙煜.公路橋梁智能檢測技術研究進展[J].中國公路學報,2021,34(12):12-24.DOI:10.19721/j.cnki.1001-7372.2021.12.002.

[111] 劉大洋,黃文韜,斯新華,張朋.橋梁病害智能診斷與養(yǎng)護決策系統(tǒng)研究[J].公路交通技術,2021,37(01):101-105.

[112] 張振東,陳卓,張朋,劉大洋,王吉龍.橋梁經常性檢查智能系統(tǒng)的開發(fā)與應用[J].公路交通技術,2021,37(05):81-85.

[113] Li R, Mo T J, Yang J X, et al. Bridge inspection named entity recognition via BERT and lexicon augmented machine reading comprehension neural model[J]. Advanced Engineering Informatics, 2021. 50: 101416.

[114] Cheng M Y, Fang Y C, Chiu Y F, et al. Design and Maintenance Information Integration for Concrete Bridge Assessment and Disaster Prevention[J]. Journal of Performance of Constructed Facilities, 2021. 35(3): 04021015.

[115] 劉勇,徐峰,張超,蔣藝.基于BIM的高速公路橋梁養(yǎng)護綜合管理系統(tǒng)設計[J].自動化儀表,2021,42(10):106-110.

[116] 王剛,楊巍,盧士軍,朱旭陽,張印貴.基于BIM技術鋼結構橋梁養(yǎng)護管理平臺研究[J].交通世界,2021(12):124-125.

[117] 陳曉敏,李煥強.基于GIS BIM技術的營運高速公路橋梁養(yǎng)護管理技術研究[J/OL].土木建筑工程信息技術:1-8[2022-02-11].

[118] Samadi D, Taghaddos H, Nili M H, et al. Development of a Bridge Maintenance System Using Bridge Information Modeling[J]. Civil Engineering Infrastructures Journal, 2021, 54(2): 351-364.

[119] Byun N, Han W S, Kwon Y W, et al. Development of BIM-Based Bridge Maintenance System Considering Maintenance Data Schema and Information System[J]. Sustainability, 2021, 13(9): 4585.

[120] Abdelmaksoud A M, Balomenos G P, Becker T C. Parameterized Logistic Models for Bridge Inspection and Maintenance Scheduling[J]. Journal of Bridge Engineering, 2021, 26(10): 04021072.

[121] Hadjidemetriou G M, Manuel H, Parlikad A K. Condition and criticality-based predictive maintenance prioritisation for networks of bridges[J]. Structure and Infrastructure Engineering, 2021, DOI: 10.1080/15732479.2021.1897146.

[122] Gui, C Z, Zhang J Q, Lei J Q, et al. A comprehensive evaluation algorithm for project-level bridge maintenance decision-making. Journal of Cleaner Production[J], 2021. 289: 125713.

[123] Nili, M H, Taghaddos H, Zahraie B. Integrating discrete event simulation and genetic algorithm optimization for bridge maintenance planning[J]. Automation in Construction, 2021. 122: 103513.

[124] Lzadi M, Motavalli M, Ghafoori E. Thermally-activated shape memory alloys for retrofitting bridge double-angle connections[J]. Engineering Structures, 2021, 245: 112827.

[125] Yang J, Hou P, Pan Y, et al. Shear behaviors of hollow slab beam bridges strengthened with high-performance self-consolidating cementitious composites[J]. Engineering Structures, 2021, 242: 112613.

[126] Xie J H, Li J L, Lu Z Y, et al. Effects of pre-existing damage and cyclic overloading on the flexural behaviour of RC beams strengthened with prestressed CFRP plates[J]. Engineering Structures, 2021, 247: 113078.

[127] Yao Y D, Yan M, Shi Z, et al. Mechanical behavior of an innovative steel–concrete joint for long-span railway hybrid box girder cable-stayed bridges[J]. Engineering Structures, 2021, 239: 112358.

[128] Zhang Y, Zhu Y P, Chen Q H, et al. Precast columns connected with grouted corrugated steel sleeves and UHPC tenon under combined bending and compression[J]. Engineering Structures, 2021, 235: 112080.

[129] Xiao J L, Zhou M, Nie J G, et al. Flexural behavior of steel-UHPC composite slabs with perfobond rib shear connectors[J]. Engineering Structures, 2021, 245: 1112912.