Гибридная сеть Transformer‑GRU на основе механических представлений для прогнозирования гистерезисных кривых опор мостов: интерпретируемое исследование

Почему важны более умные проверки мостов

Современные общества опираются на обширные сети мостов, чтобы поддерживать движение людей и грузов. Эти сооружения должны надежно выдерживать транспортные нагрузки, ветер и, особенно, землетрясения. Инженеры используют особый тип кривой, называемый гистерезисной кривой, чтобы проследить, как опора моста изгибается, пластически деформируется и восстанавливается при повторных колебаниях. Традиционно получение таких кривых требовало трудоемких лабораторных испытаний или тяжелых численных моделирований. В этом исследовании предложен новый подход на базе искусственного интеллекта, который быстро и точно предсказывает эти кривые, одновременно учитывая базовые законы механики — потенциальный шаг вперед для более безопасного и эффективного проектирования и мониторинга мостов.

Наблюдая, как мост колеблется, на бумаге

Когда землетрясение или сильный ветер раскачивают мост, его опоры не ведут себя как идеальные упругие линейки, которые просто сгибаются и возвращаются. Вместо этого каждый цикл нагрузки оставляет след в виде петли на графике сила‑смещение. Эти гистерезисные петли показывают, сколько энергии опора способна поглотить, как с течением повреждения уменьшается ее жесткость и какую остаточную деформацию она может сохранить. Поскольку такое поведение сильно нелинейно, инженеры долго полагались на детальные эксперименты и сложные численные модели для его описания. Несмотря на свою мощь, эти методы могут быть медленными и дорогими, что затрудняет оперативный анализ большого числа мостов после бедствия или регулярную оценку стареющей инфраструктуры.

Встраивание физики в машинное обучение

Последние достижения в искусственном интеллекте позволили изучать сложное поведение конструкций напрямую из данных. Однако чисто дата‑ориентированные модели могут вести себя как черные ящики: они хорошо подгоняют прошлые результаты, но могут ошибаться при прогнозировании новых конструкций или редких режимов нагружения и часто мало объясняют, почему был получен тот или иной результат. Чтобы преодолеть эти ограничения, авторы разработали гибридную модель, сочетающую популярный инструмент для обработки последовательностей — Transformer — с сетью для временных рядов GRU. Критически важно, что входы и архитектура организованы так, чтобы базовая механика была заложена в модель: один поток содержит геометрические детали опоры (тип и размеры сечения), другой — прочностные характеристики материалов, а третий — приложения нагрузок и части предыдущих гистерезисных петель.

Как гибридная модель «уделяет внимание»

Внутри модели модифицированный механизм многоголового внимания сводит воедино геометрию, материалы и нагрузки. Вместо того чтобы одинаково обрабатывать все входные числа, сеть явно использует геометрические признаки как «запрос» (query), признаки материалов как «ключ» (key), а данные о нагрузках и истории — как «значение» (value). Такая структура побуждает модель выучивать закономерности, созвучные простому механическому мышлению: форма и размеры опоры и прочность бетона и арматуры определяют ее жесткость, тогда как приложенные силы и прошедшие циклы задают, как эта жесткость деградирует. После того как внимание выделяет эти зависимости, слой GRU отслеживает, как реакция опоры меняется от одного цикла нагрузки к следующему, фиксируя эффекты, сходные с утомлением, во времени.

Обучение на множестве реальных испытаний

Для обучения и валидации модели исследователи использовали 207 циклических испытаний железобетонных колонн из базы данных PEER Structural Performance Database. Они тщательно отфильтровали и реорганизовали этот богатый набор данных в 15 входных параметров, охватывающих геометрию, детали арматуры, прочностные характеристики материалов, записи нагрузок и историю предыдущей петли, а также целевое смещение для текущей петли. Каждая гистерезисная петля была преобразована к общей длине выборки, чтобы разные испытания можно было сопоставлять корректно. Затем гибридную сеть сравнили с несколькими альтернативами, включая простую GRU, двунаправленную GRU и GRU с вниманием, используя одинаковые процедуры обучения и стратегии оптимизации для всех моделей.

Точность, эффективность по данным и интерпретируемость

Механистически‑ориентированная модель Transformer‑GRU превзошла все сравнительные модели. По сравнению с лучшей из конкурирующих моделей attention‑GRU ее предсказания показали умеренное, но значимое улучшение качества подгонки и заметное снижение как средних, так и пиковых ошибок. Важно, что модель сохраняла высокую производительность даже при обучении на относительно небольших долях доступных данных — ключевое преимущество в областях, где качественных испытаний мало. Авторы также изучили накопление ошибок при прогнозировании множества гистерезисных петель подряд и обнаружили, что стратегия обучения, сохраняющая естественный порядок петель, сдерживает рост ошибок. Чтобы заглянуть внутрь «черного ящика», они применили инструмент интерпретируемости на основе теории игр SHAP. Этот анализ показал, что в новой модели форма поперечного сечения и другие геометрические и материальные характеристики играют гораздо большую роль, чем в простой GRU, при этом история нагрузок по‑прежнему получает надлежащее значение — поведение, близкое к ожиданиям инженеров.

Что это значит для реальных мостов

Проще говоря, исследование показывает, что тщательно спроектированная система ИИ может «думать» об опорах мостов в терминах, близких к базовой структурной механике, а не просто запоминать данные. Встраивая геометрию, материалы и нагрузки в ядро модели, авторы получают быстрые прогнозы того, как опора будет изгибаться и деградировать при повторных колебаниях, с точностью, пригодной для инженерного применения, и с инструментами, позволяющими увидеть, какие входы наиболее важны. Такие модели в будущем могут помочь инженерам оперативно отбирать большое количество мостов после землетрясений, эффективнее планировать усиления и распространить те же идеи на другие столбообразные элементы зданий и инфраструктуры.

Цитирование: 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

Ключевые слова: сейсмическая работоспособность мостов, гистерезисные кривые, физически‑информированный ИИ, модель Transformer‑GRU, мониторинг состояния конструкций