基于力学机理的混合 Transformer-GRU 网络用于桥墩滞回曲线预测：一项可解释性研究

为什么更聪明的桥梁检测很重要

现代社会依赖广泛的桥梁网络来维持人流和物流的畅通。这些结构必须默默承受交通、风力，尤其是地震的作用。工程师使用一种特殊的曲线，称为滞回曲线，来观察桥墩在反复震动下如何弯曲、屈服并恢复。传统上，获取这些曲线需要耗时的实验室试验或复杂的数值模拟。本研究提出了一种新的人工智能方法，能够在快速且准确地预测这些曲线的同时仍遵循基本物理规律，为更安全、更高效的桥梁设计与监测提供了潜在的进步方向。

在纸上观看桥梁摇摆

当地震或强风摇动桥梁时，其墩柱并不会像理想弹性尺那样简单地弯曲后恢复。每一个加载循环都会在力—位移图上留下一个环路。这些滞回环揭示了墩柱能吸收多少能量、其刚度随损伤如何衰减以及可能保留多少永久偏移。由于这种行为高度非线性，工程师长期依赖详尽的试验和复杂的数值模型来描述它。尽管这些方法功能强大，但往往速度慢且成本高，使得在灾后快速分析大量桥梁或定期评估老化基础设施变得困难。

将物理知识引入机器学习

人工智能的最新进展使得直接从数据中学习复杂的结构行为成为可能。然而，纯数据驱动的模型可能表现为黑箱：它们可能很好地拟合历史结果，但在预测新结构或罕见荷载条件时会失准，并且通常难以解释为何给出某一预测。为解决这些不足，作者设计了一个混合模型，将一种流行的语言处理工具 Transformer 与一种时间序列网络 GRU 相结合。关键在于，他们以一种将基本力学嵌入网络的方式组织输入：一路输入几何细节（如截面类型和尺寸）、一路输入材料强度、第三路输入施加的荷载和先前滞回环的一部分历史数据。

混合模型如何“关注”要点

在模型内部，经修改的多头注意力机制在几何、材料和荷载之间发挥牵线搭桥的作用。网络并非将所有输入视为等同，而是明确地将几何特征作为“查询”（query）、材料特征作为“键”（key）、荷载与历史数据作为“值”（value）。这一结构鼓励模型学习与简单力学思路相呼应的模式：墩柱的形状与尺寸以及混凝土和钢筋的强度决定其刚度，施加的力和过去的循环则决定该刚度如何退化。在注意力机制提炼出这些关系后，GRU 层接管以跟踪墩柱响应随每个加载循环的演化，捕捉类似疲劳的时变效应。

用大量真实试验训练

为训练和验证模型，研究人员利用了 PEER 结构性能数据库中 207 个钢筋混凝土柱的循环试验。他们对这套丰富的数据集进行了严格筛选与重组，形成覆盖几何、配筋细节、材料强度、荷载记录和先前环路历史在内的 15 个输入参数，以及当前环路的目标位移。每个滞回环都被重采样到统一长度，以便公平比较不同试验。随后，他们将该混合网络与若干替代模型进行基准比较，包括普通 GRU、双向 GRU 和基于注意力的 GRU，并在相同的训练流程和优化策略下调优所有模型。

精度、数据效率与可解释性

基于机理的 Transformer-GRU 在各项对比模型中表现最佳。与表现最好的注意力-GRU 相比，其预测在拟合优度上有适度但有意义的提升，并在平均和峰值误差上均有明显降低。重要的是，即便在仅用相对较少数据训练时，该模型仍能保持强劲性能，这在高质量试验稀缺的领域尤其具有优势。作者还研究了在连续预测多个滞回环时误差如何积累，并发现一种保持环路自然顺序的训练策略能够控制误差增长。为打开“黑箱”，他们应用了基于博弈论的可解释性工具 SHAP。该分析表明，在新模型中，截面形状及其他几何和材料属性所起的作用明显大于普通 GRU，同时仍对荷载历史给予适当权重——这一行为与工程直觉高度一致。

对真实桥梁的意义

通俗地说，这项研究表明，精心设计的人工智能系统能够以类似基本结构力学的方式“思考”桥墩，而不仅仅是记忆数据。通过将几何、材料和荷载嵌入模型核心，作者得以快速预测墩柱在反复震动下的弯曲与退化，预测精度达到工程适用水平，并提供揭示重要输入的可视化工具。此类模型最终可帮助工程师在地震后筛查大量桥梁清单、更高效地规划加固方案，并将类似思想推广到建筑和基础设施中的其他柱状构件。

引用: 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

关键词: 桥梁抗震性能, 滞回曲线, 物理启发的人工智能, Transformer-GRU 模型, 结构健康监测