基于物理信息神经网络的桁架铁路桥损伤识别

铁路桥梁是美国货运铁路系统的关键组成部分，承担着全国超过40%的货运量，在经济中发挥着至关重要的作用。然而，老化的桥梁基础设施和日益增长的列车交通量带来了重大的安全隐患和服务中断风险。美国铁路网包含超过10万座铁路桥，平均每1.4英里轨道就有一座，其中钢桥占网络桥梁总长度的50%以上。对这些桥梁的损伤进行早期识别和评估仍然是一项具有挑战性的任务。本研究提出了一种基于物理信息神经网络（PINN）的方法，用于钢桁架铁路桥的损伤识别。该方法采用无监督学习方式，消除了监督方法通常所需的大量数据集。该方法利用列车轮载数据和列车通过事件期间的桥梁响应作为损伤识别的输入。PINN模型显式地融入了线性时变（LTV）桥梁-列车系统的控制微分方程。在此，该模型采用基于循环神经网络（RNN）的架构，并包含一个为基于梯度的学习而设计的定制龙格-库塔（RK）积分器单元。所提出的方法在更新桥梁有限元模型的同时，还能量化损伤严重程度并定位受影响的结构构件。通过对伊利诺伊州芝加哥市卡柳梅特大桥的模拟损伤场景进行案例研究，证明了该模型在识别损伤方面的有效性，同时保持了较低的误报率。此外，该损伤识别流程旨在无缝集成来自检查和无人机勘测的先验知识，从而实现对桥梁状态的上下文感知更新与评估。