桥梁类型分类：基于修正NBI数据集的监督学习

桥梁设计过程中的关键阶段是结构体系的选择。受预算和时间限制，工程师在选择结构体系时通常依赖工程判断和既往经验，往往只考虑有限范围的设计备选方案。本研究旨在探索监督机器学习作为初步设计辅助工具的适用性，为工程师提供关于统计最优桥梁类型选择的指导，最终提高优化设计、设计标准化和降低维护成本的可能性。为设计该监督学习系统，分析了来自国家桥梁清单数据库超过600,000座桥梁的数据。通过三种特征选择技术确定了决定桥梁结构类型的关键属性。随后从美国地质调查局（USGS）数据库和《工程新闻记录》补充了潜在有用属性，如地震强度和材料（钢材与混凝土）成本的历史数据。使用决策树、贝叶斯网络和支撑向量机预测桥梁设计类型。由于各州在材料可用性、材料成本和设计规范上存在差异，基于完整数据集的监督学习模型未产生有利结果。随后使用每州数据通过10折交叉验证训练和测试监督学习模型。地震数据的加入显著改善了模型性能。然后对数据重采样以减少模型对更常见设计类型的偏置，由此构建的监督学习模型表现出进一步的性能提升。使用决策树、贝叶斯网络和SVM的州模型平均召回率与准确率分别为88.6%和88.0%、84.0%和83.7%、80.8%和75.6%。