基于时域功率流图网络的结构损伤识别研究

为什么大型结构的健康至关重要

桥梁、高层建筑和其他大型构筑物默默承载着我们的日常生活，但在长期的交通载荷、风力和气候影响下，它们会逐渐老化。工程师努力在裂缝或连接件松动变成灾难之前发现这些隐患，然而传统的检查方法往往成本高、耗时且有时会错过早期预警信号。本研究提出了一种新的“倾听”结构振动的方式，利用物理引导的人工智能系统在无需故障标注样本的情况下揭示细微损伤。

把振动当作早期预警信号来听

当桥梁或框架受到风力或车辆荷载作用时，会以复杂的模式振动。工程师通常在多个位置安装小型运动传感器（加速度计）来记录这些振动。裂缝或腐蚀等损伤通常会改变构件的刚度，从而改变振动能量在结构中的传播方式。许多新方法使用深度学习来筛选这些信号并标注异常。然而，大多数工具仅将数据视为待拟合的数值，而没有将基础物理规律内嵌进去。它们在干净的实验室数据上可能表现良好，但在有噪声、温度变化以及偶发传感器故障的真实环境中，可能会产生误报或漏报。

将结构转化为能量流的网络

作者提出了不同的策略：将结构表示为一个连接点的网络，并显式跟踪振动能量随时间在节点间的流动。在他们的时域功率流图网络（TPF-GNet）中，每个传感器成为图中的一个节点，每个物理连接成为带可学习刚度和阻尼的边。通过对传感器加速度进行数值积分，该方法恢复速度和位移，并计算瞬时功率流——即在每一时刻有多少机械能从一个节点流向另一个节点。这个功率流成为沿图传播的核心信息，使模型学习遵循运动定律的模式，而不仅仅是拟合统计特征。

教会网络什么是“健康”

TPF-GNet 仅在健康结构的数据上进行训练，不使用任何损伤样本。在训练阶段，模型通过模拟能量在网络中的流动，学习如何从相邻节点重构每个目标传感器的振动历史。训练完成后，系统接收来自状态未知结构的新振动数据。如果结构仍然健康，模型可以相当准确地预测每个传感器的运动，重构误差保持较小且分布集中。若发生损伤——尤其是梁或柱的刚度损失——真实的能量流将偏离模型的预期，重构误差会变大且分布更宽、更平坦。作者用一个基于误差分布变宽和平坦程度的单一损伤敏感因子来概括这种变化，并仅用健康数据设定阈值。

在虚拟桥梁与真实框架上的测试

为验证方法，研究者先使用了一个真实人行桥的详尽计算模型，施加不同程度和位置的刚度降低，同时模拟有噪声的传感器测量。他们还将 TPF-GNet 与标准图神经网络和不含显式物理的时间序列模型（LSTM）进行了比较。在三十种情景中——包括小幅 5–10% 的刚度损失以及如低频漂移与非平稳干扰等挑战性噪声类型——新方法始终更准确地识别损伤且误报率更低。在许多情况下，TPF-GNet 在比较模型降至约或低于 70% 时保持超过 90% 的检测准确率。随后团队在一个配备十六个传感器的缩尺实验框架上验证了该方法，并能对选定梁柱施加可控损伤。结果同样显示，最大重构误差和损伤因子聚集在真实受损构件周围，且随损伤严重程度增加性能稳步提升。

这对更安全的结构意味着什么

对于非专业读者，关键结论是该方法融合了物理与机器学习的优势：它不仅寻找数据中的模式，还“知道”健康结构中能量应如何流动。当现实偏离这种预期时，系统会在嘈杂的真实环境下也能标出问题位置。由于它仅需健康基线数据，特别适用于我们拥有多年监测记录但没有故障标注样本的众多桥梁与建筑。如果被广泛采用，像 TPF-GNet 这样的途径可以帮助基础设施所有者更早发现损伤、更智能地优先安排维护，并延长关键结构的安全服役期。

引用: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

关键词: 结构健康监测, 桥梁损伤检测, 物理驱动的人工智能, 图神经网络, 振动感测