En mekanismbaserad hybrid Transformer-GRU-nätverk för förutsägelse av hysteresiskurvor hos bropelare: en tolkbar studie

Varför smartare broinspektioner spelar roll

Moderna samhällen är beroende av omfattande bronätverk för att hålla människor och varor i rörelse. Dessa konstruktioner måste tyst uthärda trafik, vind och framför allt jordbävningar. Ingenjörer använder en särskild typ av kurva, kallad hysteresiskurva, för att se hur en bropelare böjer sig, flyter och återhämtar sig vid upprepad skakning. Traditionellt har framtagandet av dessa kurvor inneburit tidskrävande labbtester eller tunga datorberäkningar. Denna studie presenterar ett nytt artificiellt intelligens‑angreppssätt som förutser dessa kurvor snabbt och noggrant samtidigt som grundläggande fysikresonemang respekteras, vilket erbjuder ett potentiellt framsteg för säkrare och mer effektiv brodesign och övervakning.

Att betrakta en bro svaja på papper

När en jordbävning eller kraftig vind får en bro att röra sig böjer sig inte pelarna bara och fjädrar tillbaka som perfekta elastiska linjaler. Istället lämnar varje lastcykel ett spår i form av en slinga på en kraft‑mot‑förskjutnings‑plot. Dessa hysteresisloopar visar hur mycket energi pelaren kan absorbera, hur dess styvhet minskar med skador och hur mycket permanent lutning den kan behålla. Eftersom ett sådant beteende är starkt icke‑linjärt har ingenjörer länge förlitat sig på detaljerade experiment och komplexa numeriska modeller för att fånga det. Dessa metoder är visserligen kraftfulla, men kan vara långsamma och kostsamma, vilket försvårar snabb analys av många broar efter en katastrof eller rutinmässig bedömning av åldrande infrastruktur.

Att lägga in fysik i maskininlärning

Nyare framsteg inom artificiell intelligens har gjort det möjligt att lära sig komplicerat strukturellt beteende direkt från data. Rent datadrivna modeller kan dock fungera som svarta lådor: de kan passa tidigare resultat väl men misslyckas när de ska förutsäga nya konstruktioner eller sällsynta lastfall, och de ger ofta liten insikt i varför en viss förutsägelse gjordes. För att tackla dessa brister utformade författarna en hybridmodell som blandar ett populärt språkbehandlingsverktyg, Transformer, med ett tidsserie‑nätverk kallat GRU. Avgörande är att de organiserade indata och nätverk så att grundläggande mekanik byggs in: en ström bär geometriska detaljer om pelaren (såsom tvärsnittsform och dimensioner), en annan bär materialstyrkor och en tredje bär tillämpade laster och delar av tidigare hysteresisloopar.

Hur hybridmodellen "fokuserar uppmärksamheten"

Inne i modellen fungerar en modifierad multi‑head‑attention‑mekanism som matchmakare mellan geometri, material och laster. Istället för att behandla alla indata lika använder nätverket uttryckligen geometriska egenskaper som "query", materialegenskaper som "key" och last‑ samt historikdata som "value". Denna struktur uppmuntrar modellen att lära mönster som ekar enkel mekanisk tanke: pelarens form och storlek och betongens och stålets styrka bestämmer dess styvhet, medan de påförda krafterna och tidigare cykler avgör hur den styvheten försämras. Efter att attention destillerat dessa relationer tar ett GRU‑lager vid för att följa hur pelarens respons utvecklas från en lastcykel till nästa och fånga utmattningsliknande effekter över tid.

Träning med många verkliga tester

För att lära upp och validera modellen använde forskarna 207 cykliska tester av armerade betongpelare från PEER Structural Performance Database. De filtrerade och omorganiserade noggrant denna rika datamängd till 15 indata‑parametrar som omfattar geometri, armeringsdetaljer, materialstyrkor, lastregister och historik från föregående slinga, plus målförskjutningen för den aktuella slingan. Varje hysteresisloop omprovades till en gemensam längd så att olika tester kunde jämföras rättvist. Därefter jämförde de det hybrida nätverket med flera alternativ, inklusive vanlig GRU, bidirectional GRU och en attention‑baserad GRU, och stämde in alla modeller med samma träningsprocedur och optimeringsstrategi.

Noggrannhet, dataeffektivitet och insikt

Den mekanismbaserade Transformer‑GRU överträffade samtliga jämförda modeller. Jämfört med den bästa konkurrerande attention‑GRU visade dess förutsägelser en måttlig men meningsfull förbättring i passform och märkbara minskningar både i genomsnittliga och toppvisa fel. Viktigt är att den upprätthöll starka prestanda även när den tränades på relativt små delar av den tillgängliga datamängden, en nyckelfördel i områden där högkvalitativa tester är sällsynta. Författarna undersökte också hur förutsägelsefel byggs upp vid prognoser av många hysteresisloopar i följd och fann att en träningsstrategi som bevarar looparnas naturliga ordning håller feluppbyggnaden under kontroll. För att kika in i "svarta lådan" tillämpade de ett spelteoribaserat tolkningsverktyg kallat SHAP. Denna analys visade att tvärsnittsform och andra geometriska och materialegenskaper spelar en mycket större roll i den nya modellen än i en vanlig GRU‑modell, samtidigt som lasthistoriken fortfarande ges rätt vikt — ett beteende som väl överensstämmer med ingenjörsmässig förväntan.

Vad detta betyder för verkliga broar

I vardagliga termer visar studien att ett omsorgsfullt utformat AI‑system kan lära sig att "tänka" om bropelare på ett sätt som speglar grundläggande strukturell mekanik, snarare än att bara memorera data. Genom att bädda in geometri, material och lastning i modellens kärna får författarna snabba förutsägelser av hur en pelare kommer att böja sig och försämras vid upprepad skakning, med noggrannhet lämplig för ingenjörsbruk och med verktyg för att se vilka indata som spelar störst roll. Sådana modeller kan så småningom hjälpa ingenjörer att skanna stora register av broar efter jordbävningar, planera förstärkningar mer effektivt och överföra liknande idéer till andra kolumnliknande konstruktioner i byggnader och infrastruktur.

Citering: 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

Nyckelord: broars seismiska prestanda, hysteresiskurvor, fysikinformerad AI, Transformer-GRU-modell, övervakning av strukturell hälsa