面向桥梁工程的数字孪生技术研究进展.pdf

第41卷第8 期2023年8 月文章编号：10 0 9-7 7 6 7(2 0 2 3)0 8-0 0 17-10市放技术Journal of Municipal TechnologyVol.41,No.8Aug.2023D0I:10.19922/j.1009-7767.2023.08.017面向桥梁工程的数字李生技术研究进展姚萱！，许立言1*，樊健生？(1.北京航空航天大学交通科学与工程学院，北京10 0 191；2.清华大学土木工程系，北京10 0 0 8 4)摘要：针对数字李生技术在桥梁工程领域的研究及应用现状进行综述，明确了面向桥梁工程的数字李生的定义以及技术框架，按照工程全生命周期分阶段评述了当前桥梁工程数字李生技术的发展，包括设计阶段的结构智能计算、施工阶段的施工管理、运维阶段的健康监测等方面。主要结论包括：基于数字李生的结构智能计算输入形式需进一步拓展，目前仍较难实现“端对端”的技术目标；在构建桥梁数字李生体系并开展计算分析的过程中，需要考虑有效数据量乏以及人工智能算法物理可解释性等问题现有结构健康监测系统依赖于传感器数据和有限元数值模拟，有待进一步完善桥梁性态预测算法，同时运营阶段的海量数据需进行融合管理才能建立高质量的数字李生体系。关键词：桥梁工程；数字李生；智能计算；深度学习；健康监测中图分类号：U44Research Progress of Digital Twins Technologyfor Bridge Engineering(1.School of Transportation Science and Engineering,Beihang University,Bejing 100191,China;2.Department of Civil Engineering,Tsinghua University,Beijing 100084,China)Abstract:The research and current application of digital twins technology in bridge engineering is reviewed in thispaper.The definition and technical framework are clarified.According to the entire life cycle of the project,the de-velopment in different stages are discussed,including structural intelligent computing in the design stage,construc-tion management in the construction stage,and health monitoring in the operation and maintenance stage etc.Themain viewpoints include that the input form of structural intelligent computing need be further expanded because the“end-to-end technical goal cannot be achieved at present;During the process of establishing a digital twins systemfor bridges and conducting computational analysis,it is necessary to consider issues such as the scarcity of effectivedata and the physical interpretability of artificial intelligence algorithms;The existing structural health monitoringsystem relies on sensor data and finite element numerical simulation,the prediction algorithm of the bridge behaviorneed be further improved;Meanwhile,massive data need be integrated managed during the operation stage to es-tablish a high-quality digital twins system.Key words:bridge engineering;digital twins;intelligent computing;deep learning;health monitoring文献标志码：AYao Xuan,Xu Liyan*,Fan Jiansheng?计算机技术的不断发展引领了一个革命性的全新时代一一工业4.0 1，数字李生技术毫无疑问是收稿日期：2 0 2 3-0 5-15基金项目：国家自然科学基金面上项目（52 17 8 0 99）作者简介：姚萱，男，在读本科生，铁道工程专业。通讯作者：许立言，男，副教授，博士，主要研究方向为钢混凝土组合结构与结构智能分析设计。引文格式：姚萱，许立言，樊健生.面向桥梁工程的数字李生技术研究进展J.市政技术，2 0 2 3，41（8）：17-2 5，10 2.（YAOX，XU LY,FA NJS.Research progress of digital twins technology for bridge engineeringJ.Journal of municipal technology,2023,41(8):17-25,102.)这一时代的重要组成部分之一。同时，随着人工智能技术、信息技术的发展，数字李生技术的数据问题18得到了解决，为数字李生的跨行业发展提供了技术支撑。国家“十四五”规划纲要中明确提出“要顺应城市发展新理念新趋势，提高城市智慧化水平，探索建设数字李生城市”2。目前土木工程领域对数字李生技术的应用推广主要集中于建筑信息建模(BuildingInformationModelling,BIM）、结构健康监测(StructuralHealth Monitoring,SHM)等方面，针对结构力学性能计算分析与优化设计等方面的研究有赖于人为经验值输人；同时还存在数字李生系统与物理实体交互过程中人为干预过多、智能化仍待提高等问题，笔者聚焦于面向桥梁工程领域的数字李生技术，调研数字李生技术在桥梁工程全生命周期各阶段的发展与应用，明确研究现状及当前待解决的问题，以期为后续相关研究提供参考。1桥梁工程领域数字李生的定义1.1数字李生技术的发展数字李生(DigitalTwins)的概念最早出现于2 1世纪初,Grieves等3于2 0 0 2 年提出的产品生命周期管理（Product LifecycleManagement,PLM）概念已具备数字李生的绝大部分要素，即物理空间、虚拟空间以及数据连接。近年来,学术界和工程界逐渐形成了对于多学科广泛适用的数字李生定义,Jiang等4对这一定义进行了公理性的阐述。数字李生可定义为：数字李生系统是由物理实体、虚拟模型、物理空间和虚拟空间的双向交互连接、数据和服务5个要素组成的系统。其中：1)虚拟模型由数据流、公理模型或二者集成驱动；2)空间的交互连接包括实体与模型的交互连接、数字李生个体系统与整体系统的交互连接、人工智能与人类的交互连接等；3)在物理实体的全生命周期中，包括设计、制造、部署、运营和维护等阶段，对虚拟模型进行实时状态更新，提供调度、控制、优化等服务。1.2面向桥梁工程的数字李生在工业4.0 的背景下，有学者提出了Civil Engi-neering4.0l的概念，即针对土木工程领域进行数字化与数据管理。而数字李生技术作为信息发展的重要手段，具有多学科、交叉学科的特点，并且已经在多个领域得到了广泛应用。根据数字李生的特点以及工程实际，对面向桥梁工程的数字李生作如下个Journal of Municipal Technology第41卷性化的定义：1)实现虚拟空间与物理空间、桥梁实体与模型的融合、交互和等价映射；2)按照桥梁的生命周期可以分为设计阶段的先时李生、施工阶段的同时李生以及运维阶段通过不同李生模式对结构状态进行感知，从而实现对桥梁结构的精准控制。需要注意的是，对于桥梁工程乃至土木工程从业人员来说,BIM技术是一种常用的手段，在研究前期容易将BIM技术与数字李生技术混淆，在此进行如下区分：1)二者都需要虚拟模型，但数字李生技术强调存在物理实体作为对照，BIM模型不一定存在实体映射；2)数字李生技术的虚拟模型贯穿了建筑产品生命周期中的不同阶段，包括设计阶段、制造阶段、服务阶段,BIM技术则常用于设计和施工阶段；3)数字李生技术能够对物理实体进行仿真分析和测试,将有关物理对象或系统的真实数据作为输入，并将生成的数据作为输出，用于预测或模拟物理对象或系统将如何受到这些输人的影响。BIM技术常用于设计可视化、辅助图纸审查、施工方案模拟、协同施工等。1.3桥梁工程数字李生五维模型为了使数字李生技术在土木工程领域进一步落地，基于陶飞等5、刘占省等6 提出的数字李生五维模型，结合工程实际，提出针对桥梁工程的数字李生五维模型,具体阐述如式(1)所示：MBDT=(BpE,BvE,Bs,BD,Bcn)。式中：BpE表示桥梁物理实体；BvEe表示桥梁虚拟实体；Bs表示桥梁全生命周期服务；Bpp表示桥梁全生命周期数据;Bcn表示各组分连接。基于以上模型，得到适用于桥梁工程的数字李生应用框架，如图1所示。数字李生技术可为桥梁提供全生命周期的服务，桥梁工程各阶段数字李生技术应用示意如图2 所示。2楼数字李生技术在桥梁设计阶段的应用2.1基于深度学习的结构智能计算的发展在桥梁工程的设计阶段,对结构进行分析是必要的步骤。传统的方法，如有限元法，基于底层的本构关系和数值计算模型，能够提供高保真度的结果，(1)第8 期姚萱等：面向桥梁工程的数字李生技术研究进展仿真数据桥梁物理实体（BpPE）感知数据感知数据数据驱动19桥梁虚拟实体（BvE）仿真数据数据驱动交互反馈桥梁数据服务平台（BDD）设计数据施工数据运维数据人员数据材料数据环境数据交互反馈数据驱动桥梁全生命周期服务（Bs）桥梁智能设计桥梁智能施工桥梁智能健康监测服务数据连接（BeN）图1桥梁工程数字李生应用框架Fig.1 Application framework of digital twins for bridge engineering桥梁设计阶段建立桥梁实景模型结构智能计算分析Fig.2 Application of digital twins technology in dfferent stages of bridge engineering但需要耗费大量的时间成本和运算成本。而采用基于深度学习的方法能够大大提高输出效率，其模型训练的过程是针对数据流，挖掘学习其中的力学性能规律并进行存储，这个过程可以拟合出任意精度的连续函数来建立输入与输出之间的联系。此外，不同于传统方法针对特定模型需单独计算，基于深度学习的方法其模型建立和训练往往基于开源的通用Python平台，因此训练后的模型具有较高的可拓展性和可迁移性；同时高性能的图形处理器等具备输入特征类型主要技术路线1)利用模型试验和有限元计算建立数据集；2)根据经验确定输人特征；静态特征研究3选择合适的算法进行训练；4)采用测试集进行检验，并与传统经验公式或现行规范对比；5)利用训练得到的模型开展参数敏感性分析，寻找重要影响的特征参量桥梁施工阶段桥梁智能化施工智慧沙盘.1.1数据集成智能监控检测智慧工地图2 桥梁工程各阶段数字李生技术应用高强算力的硬件设备的研发换代，支持人工智能模型更快地生成高准确率的结果，进而实现数字李生技术中实时结构评估的服务目的。目前国内外对于结构智能计算，特别是主流的模型算法已有较多研究。樊健生等7 针对材料、构件、体系3个层次的应用场景，根据输入的不同区分为静态特征、动态特征和复合特征对研究实例进行了详细的综述，分别提出了对应研究的主要技术路线，如表1所示。表1结构智能计算主要技术路线Tab.1 Main technical routes of structural intelligent computing桥梁运维阶段桥梁健康监测智慧桥梁主流智能模型boosting、决策树、随机森林等经典机器学习算法和前馈神经网络20输入特征类型动态特征研究复合特征研究响应预测根据Wang等8 使用的分类方法，针对桥梁工程中的结构智能计算问题进行分类评述：1)静态特征输入方面：材料层次,Fu等9提出了一种利用深度神经网络算法对随机非匀质材料进行统计表征和重构的新方法，假设数字微观结构图像是一个平稳的马尔可夫随机场，收集覆盖基本形态特征的局部模式作为训练数据，学习微观结构的内在随机性,进而对材料样品进行重构;Li等10 提出了一种建立非匀质材料力学性能与中尺度结构之间隐式映射的方法，该方法基于随机材料样本图像及其有效模量训练卷积神经网络，训练后的卷积神经网络能够准确、高效地预测真实材料样本的有效模量；李殿斌等11针对混凝土的碳化问题建立了BP-AR模型用于预测桥梁混凝土碳化深度发展规律。构件层次,Hu等12 提出了一种基于几何物理信息的深度神经网络（DNN)体系结构来模拟新型S形钢阻尼器的滞回特性，可用于预测S形钢阻尼器的位移-力关系、等效刚度和耗能能力等非线性行为，同时通过数值分析和模型试验验证了基于几何物理信息的DNNs优化模型的有效性;Xiao等13提出了一种基于静挠度和裂缝宽度的新型纤维梁柱模型修正方法来改进现有纤维梁柱有限元程序，以有效地模拟受弯钢筋混凝土构件的非线性开裂行为，进行敏感性分析选择更新参数，通过编写的PYTHON程序获得大量的样本数据后，使用贝叶斯正则化训练人工神经网络，输人实测的静挠度和裂缝宽度，获得更新后的参数，融合实测数据和有限元计算结果能够准确预测结构的力学行为;Hu等14建立了有限元计算模型并通过试验验证了其可靠性，基于此有限元分析结果采用不同的机器学习算法建立了名义屈曲应力预测模型，预测结果证实了人工神经网Journal of Municipal Technology主要技术路线1)同时变响应上，由前期响应序列预测后期响应序列：选择1条响应序列，确定训练区间与待预测区间；利用训练区间响应训练智能模型；检验学习得到的模型在待预测区间的准确性。2)学习不同激励下响应序列，预测新激励下响应序列：收集或生成目标的响应序列数据集；利用数据集训练智能模型；输人测试激励，检验智能模型的预测准确性采用智能模型预测人工本构上的特征点，随后采用该本构模型进行全过程力学第41卷续表主流智能模型RNN（循环神经网络）、CNN（卷积神经网络）等深度学习算法待研究络模型精度最高，模型可以通过输入钢材料和几何形状的标称设计参数来预测屈曲应力;Bolandi等15基于卷积神经网络，输入几何特征、边界条件和荷载条件，绕过结构有限元分析，输出了加载钢板的高分辨率应力分布；赵月悦16 基于遗传优化神经网络算法，提出了一种岩质陡坡桥梁桩基承载力预测方法，通过输人桩基长度、直径以及人土长度等数据，可输出桩基极限承载力预测值。体系层次，张艳君等17 将GRU神经网络用于桥梁变形数据的预测，并且验证了该模型的泛化能力。2)动态特征输人方面：材料层次,Wang等18 提出了一种基于 Unrolled Attention Sequence-to-Sequence(UA-Seq2Seq)模型的通用深度学习框架来解决依赖历史的响应预测问题，并基于本构行为高度依赖于加载历史的低屈服点钢的循环应力应变响应进行了数值试验对其进行验证;Xu等19提出了一种加权堆叠金字塔神经网络结构，通过引入多级捷径，直接将特征集成到输出模块中，建立了金字塔结构，同时提出了一种根据级别确定特征的权重的加权叠加策略来替代传统的特征融合方法，能够对材料和构件的滞回行为进行精确和有效的模拟；Wu等2 0 提出了一种用于预测历史相关材料行为的人工神经网络模型，并利用来自随机加载路径下弹塑性复合材料RVE的有限元模拟序列数据对模型进行训练，模型可以根据局部应变状态生成历史应变-应力状态和遍历加载历史的数据;Papanikolaou21提出了一种基于深度卷积神经网络并建立在微观结构图像序列上的框架，可以由已知样品的二维不稳定性响应特征重建未知样品微观结构的完整力学响应;Chen22使用经典的黏弹性建模生成数据库用于模型学习，设计了一维和三维数值算例，验证了循第8 期环神经网络模型预测黏弹性响应的能力。体系层次,Abbas等2 3针对大跨度桥梁在风荷载作用下的振动问题，基于人工神经网络开发了一种方法框架，为复杂气动现象提供高效的预测,其输入为桥梁截面的响应时间历程，输出为运动诱导的力，在大跨度桥梁的分析和设计中具有广泛的应用价值;杨干等2 4提出了一种基于双向长短期记忆算法加速的随机车流-桥梁耦合振动分析方法，实现了从初期桥梁响应时程快速映射出对应的后序响应。3)目前还未有动态特征输人构件层次的研究，关于复合特征输入的智能算法研究也十分匮乏，目前仅有Wang等2 5综合考虑了数据和模型的内在结构信息和外部激励，提出了静态特征和动态特征的深度学习模型，可以识别潜在的机械耦合关系和历史依赖关系，同时通过数据增强算法解决数据量匮乏的问题,在此基础上提出了DeepSNA框架,该框架是土木工程领域第一个基于深度学习的通用端到端计算框架，可以预测不同结构的全范围力学响应。2.2结构智能计算的数据集在数字李生模型构建过程中，特别是在深度学习模型训练过程中，数据集是极其重要的一部分，数据集的数量和保真率决定了模型训练的质量，但受限于土木工程的学科特点，通过模型试验以及有限元数值模拟获得的数据量都不丰富。针对这一问题，国内外学者进行了大量研究。有学者利用已有的数据集开展小样本深度学习，通过预训练模型进行迁移学习来提高模型计算精度，比如Liu等2 6 提出了一种基于DMN算法的结构性质预测的迁移学习策略，预训练网络的知识被存储起来，然后重用，生成新的RVE的初始结构，通过插值拟合参数来生成中间数据库，进一步外推DMN数据库，模拟非线性弹塑性RVE;Dunphy等2 7 应用生成对抗网络(GAN)对混凝土结构进行多级损伤检测，通过迁移学习将学习到的特征转移到卷积神经网络架构中，以实现精确的图像分类，其在减少标记数据量0%30%的情况下,具有相当的准确性;Xiao等2 8 利用迁移学习提出了一种新的桥梁智能损伤诊断方法，即子域自适应深度迁移学习网络，以解决不同桥梁的特征综合问题，并提出了一个基于多核局部最大均值差异的子域自适应模块，使学习到的特征具有域不变性；Teng等2 9利用数字李生技术获取了大量的数值模型损伤样本，并将卷积神经网络作为预训练网络进姚萱等：面向桥梁工程的数字李生技术研究进展21行训练，然后利用迁移学习技术将预先训练好的卷积神经网络传递到实验测试结构和真实桥梁结构上。针对特征识别的基础一一目标检测问题,也有数据增强算法的研究,杨玮等30 提出了一种基于NVAE数据生成和OB-Mix图像融合的小样本数据增强方法，实现了在数据量有限的情况下，挖掘检测对象的本质信息；华杰等31提出了一种基于特征融合的小样本目标检测算法FF-FSOD,对有限的数据量进行了数据增强。也有学者基于深度学习模型对现有数据集进行扩展，通过算法生成高保真率的数据用于模型训练，如Yang等32 提出了一种新的数据驱动方法，将不同加载路径下的实验测量数据集和计算生成的数据集泛化，利用神经网络建立任意加载条件下具有客观性的三维非线性弹性材料定律;Li等10 从机械科学的角度进一步深入了解神经网络的工作，总结和归纳了3种降阶方法用于更快地生成训练神经网络所需数据，分别是自洽聚类分析、虚拟聚类分析和有限元聚类分析，这些方法有两个阶段的结构，即无监督学习促进模型复杂性降低和机制方程提供预测。以上数据库的拓展研究能够促进使用数据科学和机器学习作为结构分析的工具，而不是将结构性能预测过程简单地作为一个“黑匣子”操作。2.3结构智能计算的物理可解释性分析在结构智能计算方法不断发展的过程中，神经网络等深度学习方法缺乏物理可解释性的问题十分突出，由于模型的决策过程以及内部机理很难通过可视化等手段展示，因此决策的可靠性较难判断。特别是土木工程结构的决策风险较高，导致缺乏物理可解释性的深度学习模型在工程实际中很难得到应用与推广。针对上述问题,Saha等33提出了一种计算框架用于非勾质复合材料多尺度分析，并且应用该框架从实验机理数据中发现了无量纲参量的控制，可以对此人工智能框架进行物理解释；Vlassis等34引人了一种新的深度机器学习，旨在训练足够平滑的函数，其通过使用高阶训练来正则化屈服函数、流动规则和硬化机制等的连续性和平滑性，他们创建了一个框架,同时保留了模型的几何解释,因此可以很容易地检查和引入热力学约束，屈服函数可以形成任意形状，并以任何通用的方式演化，在给出相应数据时，可以表征经典的塑性模型，还可以引人22新的屈服面和硬化规律;Yao等35基于物理模型由偏微分方程控制的原理，提出了一种特殊类型的深度卷积神经网络，该神经网络构建了具有物理意义的数据驱动模型，可用于求解外荷载作用下材料的力学响应；Hu等14采用SHAP方法和特征重要度分析方法对所建立的预测模型进行解释;宋凌寒等36 提出了一个基于力学理论的弹性结构体系图神经网络计算模型，该模型将力学方程与深度学习推理过程相结合；张等37 提出了一种对模型训练得到的无量纲参数进行物理意义解读的算法，对输入的数据进行影响程度分析，以提高物理可解释性。针对结构智能计算，国内已有自主开发的基础平台，如清华大学发布的DeepSEAI智能计算平台，其共分为工程结构智能计算和智能设计两个模块，智能计算模块可根据结构参数与荷载时程快速计算出结构全过程非线性响应；智能设计模块则可根据建筑平面图自动完成结构梁柱等构件的拓扑连接设计与截面优化。3数字李生技术在桥梁施工阶段的应用3.1施工管理数字李生技术在桥梁施工管理过程中的主要应用场景是建立智慧工地。如工程中采用较多的BIM技术，是一种可以应用于工程全生命周期的数据信息化管理工具，其3D可视化模型能够实现信息的动态更新和数据共享，将施工过程以动画模型代替并模拟，通过施工过程的可视化实现施工管理的科学化、智慧化，进而达到提高效率、加强联络以及安Tab.2 Comparison between traditional SHM and SHM based on digital twins technology对比项目实现方法数据来源可视化监测频率可提供服务针对SHM数据的深度学习方法主要可以分为两类：1)基于振动数据的方法，主要是提取损伤引起的振动特性如模态振型、频率、阻尼等数据的变化，由此识别损伤的位置；2 基于视觉图像的方法，主要利用深度学习算法构建自主图像处理工具来完成，通过图像增强或应用图像处理滤波器来放大Journal of Municipal Technology表2 传统SHM与基于数字李生技术的SHM对比传统SHM模型驱动传感器监测数据二维图表定期监测损伤探测、损伤定位第41卷全可靠的目的38 更加细化的技术路线也有相应研究,如辛梦阳39针对施工现场环境复杂、材料众多的问题，提出了基于数字李生技术的施工场地布置架构，建立了动态布置模型；张健新等40 基于BIM、有限元分析和传感器数据建立了针对装配式钢节点混凝土框架结构的数字李生模型，能够有效用于施工过程的监测。3.2施工安全检测安全是桥梁施工过程中面临的一个重要挑战，实际工程现场环境复杂多变、施工过程安全隐患多，容易引发安全事故和系统风险，对项目影响巨大。采取智慧手段实现对施工安全的有效管控，降低施工风险，是当前桥梁施工安全管理过程研究的热点问题。目前针对施工安全的数字李生技术主要表现在现场施工安全问题监管、智能安全帽管理、劳务实名制管理、VR安全教育、特种作业人员管理等方面41。4楼数字李生技术在桥梁运维阶段的应用4.1桥梁结构健康监测技术的发展与应用桥梁结构健康监测（SHM)领域相关方法及其应用的核心是传感器和传感器数据。对于数据驱动的深度学习技术目前已有较多研究，国内外学者提出了许多针对SHM数据的深度学习方法，并进行了信息融合，以用于数字李生模型的状态检测和预测。相较于传统的SHM方法，基于数字李生技术的SHM方法在诸多方面存在优势,Dang等42 对此进行了详细对比，如表2 所示。基于数字李生技术的SHM数据驱动传感器监测数据、历史数据、模型模拟数据二维图表、VR、监控仪表盘实时连续监测损伤诊断、预警、资产管理、主动维修、决策和检测边缘以加速检测42-43。目前大多数研究只考虑了单一类型的损伤检测数据，且大多数应用依赖于预先定义的损伤场景和训练数据，对于工程经验要求较高，同时由于外界荷载干扰振动和无人机运动图像模糊等原因,模型鲁棒性需要进一步提高43。Dang等42 提出了一种基于云计算和深度学习第8 期的结构健康监测数字李生框架,用于桥梁结构的实时监测和主动维护，通过使用深度学习算法对模型桥梁和真实桥梁结构进行损伤检测，验证了该框架的可行性;Cui 等44开发了一个具有工程意义的桥梁弹性轴承图像数据库，同时基于卷积神经网络建立了桥梁弹性轴承状态监测系统;Jiang等45提出了一种描述桥梁全生命周期疲劳演化的概率多尺度模型,考虑微观结构不确定性的模型较好地描述了小裂纹的萌生期，通过晶体塑性有限元模拟获得关键模型参数后，利用数字李生数据库中假定的历史疲劳数据对修正模型进行校正，采用随机生长参数的Paris定律，通过马尔可夫链蒙特卡罗仿真实现了宏观裂纹生长模型的实时标定；项长生等46 提出了一种融合模态应变能和信息熵的桥梁损伤识别方法，利用麻雀算法实现了对结构损伤程度的定量分析。未来SHM技术与BIM、A R 和VR技术的集成将会越来越重要，系统也会由监测向预测发展，如樊健生等47 提出了一种以数字李生为核心的评价预测体系，该体系具有结构服役性态时空同时覆盖的特征，能够在关键指标上达到足够的检测深度。4.2运营管理在桥梁运营过程中，数据映射面临着数据离散、多源异构、查询时效性差等问题。为解决上述问题，在运维数据的准备、接入、转换、集成和可视化等方面基于数字李生体设计了新的运维数据融合路线并构建了数据融合系统。杨昊等48 利用Flink自定义SourceFunction算子、数据转换映射配置、自主研发流式计算引擎和OLAP引擎，解决建筑运维系统的上述问题;Adibfar等49开发了一种数字李生系统，其利用动态称重系统（WIM）将桥梁活载交通数据实时通过可视化脚本与其他桥梁生命周期数据集成在一起，以反映桥梁行为，并提供一个智能集成的桥梁管理系统。目前我国已有桥梁运维阶段数字李生的自主开发平台，如东南大学研发的数字李生智能运维分析系统与监测平台，其分为基本信息、监测系统、分析评估、检修决策等模块，针对桥梁构筑物集群构建了桥梁静、动力指标预测算法与评估体系，实现了基于监测数据性能分析的桥梁管养决策，研究成果已在无锡市得到了成功应用，取得了较好的社会效益和经济效益。姚萱等：面向桥梁工程的数字李生技术研究进展5结论与建议通过对面向桥梁工程的数字李生技术研究现状进行梳理分析，明确了数字李生技术在桥梁工程领域的个性化定义、总体技术框架以及在桥梁工程全生命周期各个阶段的主要技术应用场景。主要研究结论和发展建议总结如下：1)“端对端”的技术目标是数字李生技术发展的核心问题，无论是设计阶段还是运维阶段，依托结构智能计算对结构进行评估预测是目前最有效的技术路线之一，但目前关于结构智能计算输人端的研究仍不足，输入形式需进一步拓展，并且缺乏针对复合特征输入的研究。2)数据是数字李生体系的五大要素之一,在数字李生体系构建和运行阶段,数据流贯穿其中。在桥梁设计阶段，由于土木工程的专业特点，能够用于智能模型训练的高保真数据获取途径较少，因此结构智能计算的数据量匮乏是不可忽视的问题，后续可进一步进行小样本训练、数据增强以及数据库拓展等方面的研究。3)数字李生体系最大的先进性是引人了各项人工智能算法，而物理可解释性决定了模型以及算法的可靠性和应用价值，桥梁工程领域在这方面的研究尚且不足；未来可通过融合物理原理或进行无量纲分析等手段，对模型进行物理可解释性分析以及可视化。4)实时性是数字李生体系的特点之一,在运维阶段构建能够实时反馈的结构健康监测系统是关键方向之一，现有系统依赖于传感器数据和有限元数值模拟，针对预测算法研究不足，同时单一数据研究对系统造成局限，今后需对多源信息融合进行深人研究以获得更高的鲁棒性。5)在数字李生体系下，全生命周期的桥梁监测数据来源于多源传感器，监测数据量十分庞大，针对数据离散、多源异构、查询时效性差的问题需要构建数据融合系统来对数据进行维护，从而进一步提高效率。MET 1 PREGNOLATO M,GUNNER S,VOYAGAKI E,et al.TowardsCivil Engineering 4.0:concept,workflow and application of dig-ital twins for existing infrastructureJ.Automation in construc-23参考文献24tion,2022,141:104421.【2 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要EB/OL.（2 0 2 1-0 3-13）2 0 2 3-0 5-10.htp:/ outline of the 14th five-year plan for economic and socialdevelopment and long-range objectives through the year 2035 ofthe peoples republic of ChinaEB/OL.(2021-03-13)2023-05-10j.http:/ GRIEVES M,VICKERS J.Digital twin:mitigating unpredictable,undesirable emergent behavior in complex systemsMJ/KAHLENF J,FLUMERFELT S,ALVES A.Transdisciplinary perspectiveson complex systems:new findings and approaches,Springer,2017:85-113.4 JIANG F,MA L,BROYD T,et al.Digital twin and its implemen-tations in the civil engineering sectorJ.Automation in construc-tion,2021,130:103838.【5陶飞，刘蔚然，张萌，等.数字李生五维模型及十大领域应用J.计算机集成制造系统,2 0 19,2 51)：1-18.（TAOF,LIUWR,ZHANG M,et al.Five-dimension digital twin model and itsten applicationsJ.Computer integrated manufacturing systems,2019,25(1):1-18.)6 刘占省，史国梁，孙佳佳.数字李生技术及其在智能建造中的应用J.工业建筑,2 0 2 1,51(3)：18 4-192.(LIUZS,SHIGL,SUN J J.Digital twin and its application in intelligent construc-tionJJ.Industrial construction,2021,51(3):184-192.)7樊健生，王琛，宋凌寒.土木工程智能计算分析研究进展与应用J.建筑结构学报,2 0 2 2,43(9):1-2 2.(FANJS,WANGC,SONG L H.Research and application of intelligent computationin civil engineeringJ.Journal of building structures,2022,43(9):1-22.)8WANG C,SONG L H,YUAN Z,et al.State-of-the-art AI-basedcomputational analysis in civil engineeringJ.Journal of indus-trial information integration,2023,8:100470.9 FU J,CUI S,CEN S,et al.Statistical characterization and recon-struction of heterogeneous microstructures using deep neural net-workJJ.Computer methods in applied mechanics and engineer-ing,2021,373:113516.10LI H,KAFKA O L,GAO J,et al.Clustering discretization meth-ods for generation of material performance databases in machinelearning and design optimizationJJ.Computational mechanics,2019,64(2):281-305.11李殿斌，李伟，陈南.基于感知信息的混凝土桥梁耐久性智能诊断方法J.公路交通科技，2 0 2 2,398)：7 0-7 5.（LIDB,LIW,CHEN N.A method for intelligent diagnosing durability ofconcrete bridge based on perceptual information J.Journal ofhighway and transportation research and development,2022,39(8):70-75.)12HU Y,GUO W,LONG Y,et al.Physics-informed deep neuralnetworks for simulating S-shaped steel dampersJ.Computers&structures,2022,267:106798.13XIAO J L,NIE X,LIU Y F,et al.Structural performance assess-Journal of Municipal Technology第41卷ment of RC flexural members through crack-based fibre beam-column model updatingJ.Computers&structures,2023,281:107029.14 HU S,WANG W,LU Y.Explainable machine learning modelsfor probabilistic buckling stress prediction of steel shear paneldampersJ.Engineering structures,2023,288:116235.15BOLANDI H,