Иерархическое байесовское объединение данных осмотров и мониторинга для вероятностной оценки ухудшения состояния мостов

Почему трещины в мостах важны для всех

Мосты ежедневно тихо пропускают тысячи автомобилей, но их бетонные плиты со временем набирают крошечные трещины из‑за трафика, погоды и старения. Если эти трещины увеличиваются незаметно, они могут поставить под угрозу безопасность и вызвать дорогостоящий ремонт или закрытие. В статье представлен новый способ отслеживать и прогнозировать развитие трещин в мостах во времени путем объединения двух видов информации, которые обычно анализируют отдельно: периодических осмотров инженерами и круглосуточных измерений с датчиков. Цель простая, но важная — обнаруживать проблемы раньше и планировать обслуживание до того, как они станут чрезвычайными ситуациями.

Два потока информации, один важный вопрос

Современные мосты генерируют неожиданно много данных. Инспекторы приезжают примерно раз в год, фиксируют появление трещин, их длину и ширину, а также отметки о проведенном ремонте. В то же время стационарно установленные датчики могут измерять ширину трещин, температуру и перемещения ежечасно или чаще. Данные осмотров дают долгосрочную, обзорную картину, но редки по времени. Данные мониторинга показывают краткосрочные колебания и тренды, но могут охватывать лишь несколько лет и ограниченные участки. Традиционно инженеры анализируют эти два источника по отдельности, что затрудняет понимание полной картины старения моста и близости необходимости капитального ремонта. Авторы задают вопрос: можно ли объединить оба взгляда в единое, постоянно обновляемое представление о деградации?

Слои карты состояния моста

Чтобы ответить на это, исследование строит трехслойную статистическую систему на основе иерархических байесовских методов — набора инструментов, предназначенных для объединения неопределенной информации из разных источников. Внизу находится слой «динамического состояния», который фиксирует изменение трещин во времени с использованием высокочастотных данных мониторинга. Здесь команда моделирует постепенный пошаговый рост трещин в ответ на суточные колебания температуры и предыдущие значения ширины трещины, применяя методы выборки для учёта случайности и измерительного шума. Выше расположен слой «риска деградации», который переводит записи осмотров — количество трещин, их расположение, типы и случаи ремонта — в оценки вероятности достижения критического состояния участками моста в заданный срок. На вершине находится слой слияния, где эти два представления объединяются. По мере поступления свежих данных мониторинга модель обновляет свои представления о состоянии моста, подобно тому как навигационное приложение пересчитывает время в пути при изменении трафика.

От теории к реальному стареющему мосту

Исследователи протестировали свою систему на мосту через реку Фэнхуа в Китае, крупной бетонной конструкции, на которой заметные трещины наблюдаются уже более десяти лет. Для моста доступны и длительные отчеты по осмотрам, и развернутая сеть датчиков, непрерывно отслеживающая ширину трещин и температуру. Перед анализом команда тщательно очистила данные, удалив выбросы и проверив, не дублируют ли разные измерения одну и ту же информацию. Затем они использовали записи осмотров за 2014–2023 годы для построения начальной модели риска и данные мониторинга за 2023–2025 годы для её уточнения. Объединенная модель выделила участки и ориентации трещин с наибольшей опасностью и показала, что некоторые части моста разрушаются значительно быстрее других, что обосновывает приоритетный ремонт вместо равномерного подхода «один размер для всех».

Более ясный прогноз будущих повреждений

При сравнении объединенной модели с традиционными подходами, опирающимися только на данные осмотров, разница была заметна. Проверяя предсказания на независимых результатах осмотров за 2024 и 2025 годы — данных, не использованных в обучении модели — новая методика сократила ошибки прогноза почти на четверть. Она лучше уловила ранние признаки ускоряющейся деградации, особенно когда мониторинг показывал ускорение роста трещин. Обновленная модель также давала более надежные оценки того, как долго разные поврежденные участки прослужат до необходимости ремонта, и одновременно ясно показывала, какие факторы — например положение трещины вдоль пролета или её тип — вносят наибольший вклад в риск.

Что это значит для повседневных поездок

Для непрофессионалов вывод обнадеживающий: интеллектуально сочетая наблюдения инспекторов на месте и круглосуточные показания датчиков, инженеры могут построить более правдоподобную и своевременную картину старения мостов. Этот многоуровневый вероятностный подход не устраняет неопределенность, но сужает её и постоянно обновляет по мере поступления новых данных. Это облегчает ведомствам планирование обслуживания до того, как повреждения станут серьезными, более эффективное распределение ограниченных бюджетов на ремонт и сохранение мостов открытыми и безопасными. Короче говоря, метод предлагает более умный способ «слушать» сигналы мостов о их состоянии и действовать до того, как трещины превратятся в кризис.

Цитирование: Wang, B., Chen, K. & Wang, B. Hierarchical bayesian fusion of inspection and monitoring data for probabilistic bridge deterioration assessment. Sci Rep 16, 5965 (2026). https://doi.org/10.1038/s41598-026-36808-4

Ключевые слова: ухудшение состояния моста, мониторинг структурной целостности, байесовское объединение данных, рост трещин, предиктивное обслуживание