李琦
【期刊名称】比利时FNC《《建筑机械（上半月）》》
【年(卷),期】2019(000)009
【总页数】黄河视觉4页(P54-57)
【关键词】桥梁工程; 机器学习; 深度学习
【作 者】李琦
【作者单位】长安大学 陕西 西安 710064
【正文语种】中 文分子生物学名词解释
【中图分类】TP181
第一首七言诗
人工智能（Artif i cial intelligence）最早出现于20世纪50年代中期。然而，限于当时硬件算力、软件算法和数据算料的限制，人们的许多设想在当时并没有得到实现，人工智能的研究也很快陷入了低谷。直到2006年，随着相关技术的发展，尤其是图形处理器、深度神经网络算法以及大数据的出现，分别使得算力、算法和算料的问题得到了解决，人工智能以“深度学习”的名字重新出现在了人们的视线当中，并成为了各行业各领域研究和应用的热点。2015年7月，在国务院发布的《关于积极推进“互联网”行动的指导意见》中，明确将“互联网+人工智能"列为重点行动之一；2017年7月，国务院发布《新一代人工智能发展规划》（国发［2017］35号），其中更是明确指出人工智能是新一轮科技革命和产业变革的核心技术。 桥梁工程作为与人民生活和国民经济息息相关的重要部分，和其他行业相比，智能化、自动化和信息化水平相对较低。目前桥梁工程当中采用较多的人工智能技术为机器学习。
1 机器学习
麻绳男
Arthur Samuel对机器学习的定义是指在没有明确的设定情况下，使计算机具有学习能力的研究领域。Tom Mitchell对机器学习的定义则是计算机程序从经验E中学习，为了解决某一
任务T进行某一性能度量P，通过P测定在T上的表现因经验E而提高。简单来说，它是对数据分布进行建模，然后从大量看似无规律的数据中抽象出共性的模式。
最早的机器学习算法可以追溯到20世纪初，到今天为止已经过去了100多年。从1980年机器学习成为一个独立的方向开始算起，到现在也已经过去了近40年。在这100多年中，经过一代又一代人的努力，诞生出了大量经典的方法。总体上，机器学习算法可以分为有监督学习、无监督学习、强化学习3种类型。
有监督学习通过训练样本学习得到一个模型，这里的样本是指一些经过人工标记带有标签的数据。然后用这个模型对未知类型的数据进行判断，这称为预测。如果只预测是哪一个标签，则称为分类问题；如果要预测出一个具体值，则称为回归问题。
和有监督学习不同，无监督学习则没有训练过程。在给定一些样本数据后，机器学习算法直接对这些数据进行分析，得到数据的某些知识，其典型代表是聚类。没有事先定义好的类别，也没有已经训练好的分类模型，聚类算法要自己完成数据的归类，保证同一类数据具有相同的属性。无监督学习的另外一类典型算法是数据降维，它将一个高维向量变换到低维空间中，并且要保持数据的一些内在信息和结构。
强化学习则是一类特殊的机器学习算法，它的灵感来源于心理学中的行为主义理论，简单说就是奖罚分明。当算法做出正确的行为时将得到正收益；当算法做出错误的行为时将得到负收益。算法要根据当前的环境状态确定一个动作来执行，然后进入下一个状态。如此反复，目标是让得到的收益最大化。
机器学习中包括多种算法，目前较为常用的算法有神经网络算法、支持向量机、遗传算法。
1.1 人工神经网络
与强化学习的灵感来自心理学中的行为主义理论相似，人工神经网络算法（Artificial neural network，ANN）的灵感来自于生物学的神经网络。和生物学上的神经网络类似，人工神经网络的最小组成部分是神经元。每个神经元代表一种特定的输出函数，称为激励函数（activation function）。每两个神经元间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同，从而实现对某种函数的逼近。
人工神经网络由3部分组成：输入层、隐藏层和输出层。根据隐藏层层数的不同，人工神经网络可以分为浅层神经网络和深层神经网络，而使用深层神经网络的机器学习就是深度学习。在理论上，只需要一个包括足够多神经元的隐层，前馈神经网络就能以任意精度逼近任意复杂的连续函数。然而在实际应用中，人们发现想要表达一个复杂连续函数需要的神经元数量实在太大，很多问题也不是一个连续函数，深度神经网络的出现则克服了这些问题。目前深度神经网络已经成为机器学习中的热门算法。
1.2 支持向量机
支持向量机（support vector machine，SVM）简单的说是一个分类器，并且是二类分类器。名字中的vector通俗说就是点，或是数据；machine也就是指分类器，通过到一个分类平面将数据分隔在平面两侧从而达到分类的目的。那些最靠近分类平面的数据就称为支持向量。
支持向量机主要用来进行模式识别和函数拟合，由于支持向量机最早的时候是用来解决模式识别问题，所以基于支持向量机的模式识别方法具有较为成功的应用基础，而函数拟合成功的应用比较少。支持向量机以统计学习理论的小样本学习方法为基础，运用范围较广， 但是神经网络是以大样本的学习方法为基础。
1.3 遗传算法
遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说，借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。遗传算法将搜索空间映射为遗传空间，把可能的解进行编码，从而得到染体。通过不断计算染体的适应值，筛选较好的个体，进行交叉、变异运算，然后继续循环，直到得到的个体满足判定条件为止。
遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解。但是遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。
2 机器学习的应用
机器学习目前主要应用于模式识别、数据挖掘、计算机视觉、语音识别和自然语言处理。而在桥梁工程领域，主要的应用为模式识别、计算机视觉和数据挖掘。
2.1 数据挖掘和模式识别
练习模式
在桥梁工程中，数据挖掘和模式识别往往结合在一起，主要应用于桥梁健康检测系统当中的损伤识别。机器学习算法通过对大量损伤样本的学习，得到样本的特征及其与不同损伤状态之间的关系，进而具备对测试样本所属结构损伤状态进行判断的能力［1］。模式识别方法还通过对损伤指标的统计分析代替优化算法，使损伤识别与有限元分析解耦，降低了识别难度，因此在桥梁损伤识别领域得到了广泛应用［2］。常用的机器学习算法主要有人工神经网络方法及支持向量机。 神经网络用于损伤识别的基本方法是：根据结构在不同状态（不同损伤位置的不同损伤程度）的反应，通过特征抽取，选择对结构损伤较敏感的参数作为网络的输入向量，结构的损伤状态作为输出，建立损伤分类训练样本集，然后对网络进行训练。当网络训练完毕，即已具有模式分类功能。对于每一输入的状态信息，根据给定的原则将之归到最接近的类别中。目前在桥梁损伤识别中应用较为广泛的人工神经网络方法主要是BP神经网络，属于浅层神经网络。
杨杰等［3］针对大跨斜拉桥拉索损伤研究了斜拉索损伤对不同阶次归一化频率的影响，利用BP神经网络实现了斜拉索损伤的识别。Wu等［4］以结构动力响应的反应谱为输入数据，
利用BP神经网络实现了对框架结构损伤模式的识别。宫亚峰等［5］针对城市立交桥梁的损伤识别问题，提出了基于BP神经网络的损伤识别方法，利用遗传算法优化了神经网络的权值和阈值，选取应变变化率为输入指标，实现了良好的识别效果。Liu等［6］则使用粒子优化算法优化RBF神经网络参数选择，实现了对不规则连续梁桥的损伤识别。姜绍飞、张帅［7］将模糊逻辑和BP神经网络算法结合在一起，构造模糊神经网络模型进行识别决策，最后运用数据融合算法计算出数据融合后的决策结果。
支持向量机在损伤识别上也有较多的应用。付春雨等［8］结合结构静力测试数据和支持向量机提出了结构损伤的分步识别方法，并与优化识别方法进行了对比，表明了支持向量机在桥梁损伤识别中的优势。单德山等［9］对基于支持向量机的桥梁震后损伤识别进行了深入的探索，将地震易损性分析和HHT方法与支持向量机相结合，提出了桥梁地震损伤识别方法。冉志红等［10］结合模糊分类，基于支持向量机提出了一种分步损伤识别方法：先使用模糊聚类方法划分不同的桥梁损伤区域，后采用支持向量机对各区域进行损伤识别，取得了相比不分区更好的损伤识别结果。Liu等［11］利用遗传算法优化、选取核函数参数，提出了结合遗传算法的支持向量机损伤识别方法。
2.2 计算机视觉
计算机视觉在桥梁工程中主要用于桥梁表面缺陷的识别。和损伤识别相比，计算机视觉的研究起步较晚，相关研究较少。计算机视觉用于表面缺陷识别的原理和损伤识别类似，需要大量的含有缺陷与不含有缺陷的图片来训练算法，从而让算法具有识别裂缝的能力。
曾燕华［12］采用了基于“块”图像的神经网络方法对缺陷图像进行识别，并对缺陷图像的宽度或损坏程度等参数进行量化估算。韩晓健等［13］采用卷积神经网络，结合迁移学习，对经典AlexNet卷积神经网络微调后使用，构建桥梁结构三类常见表面病害图像识别模型，并通过模型实际应用测试，验证该模型进行实际病害识别的可行性与正确性。赵欣欣等［14］则在卷积神经网络上附加混合注意力子网络（包括通道注意力子网络和空间注意力子网络）用于铁路桥梁螺栓缺失图像识别。李良福等［15］首先利用滑动窗口算法将桥梁裂缝图像切分为切片，并将其分为桥梁裂缝面元和桥梁背景面元，然后提出了一种基于卷积神经网络（CNN）的DBCC（Deep-bridge-crackclassify）分类模型，用于桥梁背景面元和桥梁裂缝面元的识别。结果表明，与传统算法相比，这种算法具有更好的识别率和更强的泛化能力。
2.3 其他
除了上述两个主要应用之外，机器学习还应用在其他方面。在结构构件层面分析上，例如决策树用于预测钢筋混凝土柱侧向约束系数［16］、采用人工神经网络识别地基混凝土层的剥离黏结效应［17］、基于多国数据分析高性能混凝土的抗压强度［18］等。在结构设计方面，例如利用反向传播算法进行荷载工况识别［19］、简支混凝土梁设计和矩形板分析、采用小脑模型关节控制模型算法辅助钢结构设计［20］。Jootoo首次在桥梁选型上引用监督学习算法辅助桥梁初步设计［21］。王克海等［22］则将机器学习方法引入到梁式桥梁抗震设计和评价中，阐述了实现的总体思路。
3 结束语
综上所述，机器学习在桥梁工程领域主要应用在损伤识别和表面缺陷识别中。其中损伤识别的研究起步较早，相关的研究较多，表面缺陷识别则相对较晚，相关研究较少。而且目前这些研究大多采用传统的浅层神经网络或支持向量机算法，即浅层学习。而性能更好的深度神经网络由于在2006年左右才开始兴起，在桥梁工程中的应用并不多。随着深度学习的发展和推广，越来越多的研究将采用深度神经网络。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议