面向老化桥梁组合风险预评估的贝叶斯代理模型
机器学习
2026-01-13 v2
摘要
老化基础设施组合带来了关键的资源配置挑战：决定哪些结构需要干预，哪些可以安全地继续服役。结构评估必须在更廉价、保守的分析方法与准确但昂贵且无法在全组合规模上扩展的模拟之间取得平衡。我们提出了贝叶斯神经网络 (BNN) 代理模型，用于全球常见桥梁类型（如钢筋混凝土框架桥）的快速结构预评估。这些模型基于通过参数化流水线生成的大规模非线性有限元分析数据库进行训练，并基于瑞士联邦铁路的桥梁组合开发，能够通过预测带有校准认知不确定性的规范合规系数，准确且高效地高保真结构分析结果。我们的 BNN 代理模型实现了快速、感知不确定性的分诊：标记可能存在关键问题的结构，并在需要精细分析时提供指导。我们在一个铁路下穿通道的真实案例研究中展示了该框架的有效性，表明其具有通过避免在全基础设施组合中进行不必要的分析和物理干预来显著降低成本和排放的潜力。
引用
@article{arxiv.2509.25031,
title = {Bayesian Surrogates for Risk-Aware Pre-Assessment of Aging Bridge Portfolios},
author = {Sophia V. Kuhn and Rafael Bischof and Marius Weber and Antoine Binggeli and Michael A. Kraus and Walter Kaufmann and Fernando Pérez-Cruz},
journal= {arXiv preprint arXiv:2509.25031},
year = {2026}
}
备注
Accepted at the NeurIPS 2025 Workshop on MLxOR: Mathematical Foundations and Operational Integration of Machine Learning for Uncertainty-Aware Decision-Making