Mechanizmiczno-hybrydowa sieć Transformer-GRU do przewidywania krzywych histerezy filarów mostowych: badanie z interpretacją

Dlaczego inteligentniejsze kontrole mostów mają znaczenie

Współczesne społeczeństwa polegają na rozległych sieciach mostów, które utrzymują przepływ ludzi i towarów. Konstrukcje te muszą znosić codzienny ruch, wiatr, a w szczególności trzęsienia ziemi. Inżynierowie używają specjalnego rodzaju wykresu, zwanego krzywą histerezy, aby zobaczyć, jak filar mostu wygina się, ustępuje i odzyskuje kształt przy powtarzających się wstrząsach. Tradycyjnie pozyskanie tych krzywych wiązało się z czasochłonnymi testami laboratoryjnymi lub kosztownymi symulacjami komputerowymi. W tym badaniu przedstawiono nowe podejście oparte na sztucznej inteligencji, które szybko i dokładnie przewiduje te krzywe, jednocześnie respektując podstawy fizyki, co może stanowić krok naprzód w kierunku bezpieczniejszego i efektywniejszego projektowania oraz monitorowania mostów.

Obserwowanie kołysania mostu na papierze

Kiedy trzęsienie ziemi lub silny wiatr porusza most, jego filary nie wyginają się i nie sprężynują z powrotem jak idealne elastyczne belki. Zamiast tego każdy cykl obciążenia zostawia ślad w postaci pętli na wykresie siła‑przemieszczenie. Te pętle histerezy ujawniają, ile energii filar jest w stanie pochłonąć, jak jego sztywność maleje wraz z uszkodzeniami i jaki trwały odchył nachylenia może pozostać. Ponieważ takie zachowanie jest silnie nieliniowe, inżynierowie od dawna polegają na szczegółowych eksperymentach i złożonych modelach numerycznych, aby je odtworzyć. Choć są to metody potężne, mogą być powolne i kosztowne, co utrudnia szybkie analizowanie wielu mostów po katastrofie lub rutynową ocenę starzejącej się infrastruktury.

Wprowadzanie fizyki do uczenia maszynowego

Ostatnie postępy w sztucznej inteligencji umożliwiły uczenie złożonych zachowań konstrukcyjnych bezpośrednio z danych. Jednak modele czysto oparte na danych mogą działać jak czarne skrzynki: mogą dobrze dopasować się do historycznych wyników, ale zawodzić przy prognozowaniu nowych konstrukcji czy rzadkich warunków obciążenia, a często dostarczają niewiele informacji, dlaczego dokonano konkretnego przewidywania. Aby zaradzić tym ograniczeniom, autorzy zaprojektowali model hybrydowy łączący popularne narzędzie do przetwarzania sekwencji — Transformera — z siecią czasową GRU. Co kluczowe, uporządkowali wejścia i architekturę sieci tak, by wbudować podstawowe mechaniki: jeden strumień niesie informacje geometryczne filara (takie jak typ przekroju i wymiary), drugi dane o wytrzymałości materiałów, a trzeci obciążenia oraz fragmenty poprzednich pętli histerezy.

Jak hybrydowy model „zwraca uwagę”

W modelu zmodyfikowany mechanizm wielogłowej uwagi działa jak swat między geometrią, materiałami i obciążeniami. Zamiast traktować wszystkie liczby wejściowe jednakowo, sieć jawnie używa cech geometrycznych jako „zapytania” (query), cech materiałowych jako „klucza” (key), a danych o obciążeniu i historii jako „wartości” (value). Taka struktura zachęca model do uczenia wzorców przypominających proste myślenie mechaniczne: kształt i rozmiar filara oraz wytrzymałość betonu i stali determinują jego sztywność, podczas gdy przyłożone siły i poprzednie cykle decydują o tym, jak ta sztywność ulega degradacji. Po tym jak mechanizm uwagi wydestyluje te relacje, warstwa GRU przejmuje kontrolę, śledząc, jak odpowiedź filara ewoluuje z jednego cyklu obciążenia do następnego, wychwytując efekty przypominające zmęczenie w czasie.

Trenowanie na wielu rzeczywistych testach

Aby nauczyć i zwalidować model, badacze skorzystali z 207 testów cyklicznych kolumn zbrojonych z bazy danych PEER Structural Performance Database. Starannie przefiltrowali i zreorganizowali to bogate zestawienie danych do 15 parametrów wejściowych obejmujących geometrię, szczegóły zbrojenia, wytrzymałości materiałów, zapisy obciążeń oraz historię z poprzedniej pętli, a także cel — przemieszczenie dla bieżącej pętli. Każda pętla histerezy została przeskalowana do wspólnej długości, aby różne testy można było porównywać sprawiedliwie. Następnie porównali sieć hybrydową z kilkoma alternatywami, w tym prostym GRU, dwukierunkowym GRU oraz GRU opartym na uwadze, dostrajając wszystkie modele tym samym procesem treningowym i strategią optymalizacji.

Dokładność, efektywność danych i wgląd

Mechanizmiczno‑oparty Transformer‑GRU przewyższył wszystkie porównywane modele. W porównaniu do najlepszego konkurencyjnego attention‑GRU jego przewidywania wykazały umiarkowaną, ale istotną poprawę dopasowania i zauważalne zmniejszenie zarówno średnich, jak i maksymalnych błędów. Co ważne, utrzymywał wysoką wydajność nawet wtedy, gdy trenowano go na relatywnie niewielkich fragmentach dostępnych danych — kluczowa zaleta w dziedzinach, gdzie badania wysokiej jakości są rzadkie. Autorzy zbadali także, jak narastają błędy przy prognozowaniu wielu pętli histerezy z rzędu i stwierdzili, że strategia treningowa zachowująca naturalną kolejność pętli kontroluje tempo wzrostu błędów. Aby zajrzeć do „czarnej skrzynki”, zastosowali narzędzie interpretacyjne oparte na teorii gier zwane SHAP. Analiza wykazała, że w nowym modelu kształt przekroju oraz inne właściwości geometryczne i materiałowe odgrywają znacznie większą rolę niż w prostym modelu GRU, przy jednoczesnym zachowaniu odpowiedniej wagi historii obciążeń — zachowanie zgodne z oczekiwaniami inżynieryjnymi.

Co to oznacza dla rzeczywistych mostów

Mówiąc prostymi słowami, badanie pokazuje, że starannie zaprojektowany system AI potrafi „myśleć” o filarach mostowych w sposób odzwierciedlający podstawową mechanikę konstrukcji, zamiast jedynie zapamiętywać dane. Wbudowawszy geometrię, materiały i obciążenia w rdzeń modelu, autorzy otrzymują szybkie przewidywania, jak filar będzie się wyginać i degradwać przy powtarzających się wstrząsach — z dokładnością odpowiednią do użytku inżynierskiego i z narzędziami pozwalającymi zobaczyć, które wejścia są najważniejsze. Takie modele mogłyby w przyszłości pomóc inżynierom w szybkim przesiewaniu dużych inwentarzy mostów po trzęsieniach, planowaniu bardziej efektywnych modernizacji oraz rozszerzeniu podobnych koncepcji na inne elementy kolumnowe w budynkach i infrastrukturze.

Cytowanie: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

Słowa kluczowe: sejsmiczna odporność mostów, krzywe histerezy, fizyko-świadome AI, model Transformer-GRU, monitoring stanu konstrukcji