基于图神经网络的数字孪生驱动路面健康监测与维护优化
机器学习
2025-11-06 v1 计算工程、金融与科学
新兴技术
神经与进化计算
系统与控制
系统与控制
摘要
路面基础设施监测面临复杂的空间依赖性、变化的环境条件以及路网中非线性的退化挑战。传统的路面管理系统(PMS)在很大程度上仍是被动响应的，缺乏用于故障预防和最优维护规划的实时智能。为解决这一问题，我们提出了一个统一的数字孪生(DT)和图神经网络(GNN)框架，用于可扩展的、数据驱动的路面健康监测和预测性维护。路面段和空间关系被建模为图节点和边，而来自无人机、传感器和激光雷达的实时数据流被输入到数字孪生中。归纳式GNN从图结构输入中学习退化模式，以预测病害并实现主动干预。在一个包含路段属性和动态连接性的、基于真实场景的数据集上训练后，我们的模型达到了0.3798的R²，优于基线回归器，并有效捕捉了非线性退化。我们还开发了一个交互式仪表盘和强化学习模块，用于仿真、可视化和自适应维护规划。这种DT-GNN集成提高了预测精度，并建立了一个用于持续改进的闭环反馈回路，使该方法成为主动、智能和可持续路面管理的基础，未来可扩展到实际部署、多智能体协调和智慧城市集成。
引用
@article{arxiv.2511.02957,
title = {Digital Twin-Driven Pavement Health Monitoring and Maintenance Optimization Using Graph Neural Networks},
author = {Mohsin Mahmud Topu and Mahfuz Ahmed Anik and Azmine Toushik Wasi and Md Manjurul Ahsan},
journal= {arXiv preprint arXiv:2511.02957},
year = {2025}
}