前沿:利用机器学习来选择合理的桥型

在今年年初,我曾写过一篇博客:《用深度学习神经网络对混凝土结构损伤进行视觉识别》。当时我以为见到了深度学习在土木工程中的第一次应用的案例,但后来被许多同学指出,其实就土木工程中的损伤识别、裂缝观测等领域,深度学习的介入在前几年就已经开始了。

略显尴尬,那今天我来改一下说法:乔治梅森大学(George Mason University,简称GMU)的Jootoo博士在今年夏天发表的论文中,首次在桥梁工程结构相关问题上引用机器学习算法,解决了工程实际问题。

能如此讲,是因为此前的人工智能&土木工程结合案例中,用机器学习或深度学习算法解决的核心问题,如裂缝的视觉识别等,更靠近于计算机工程本身,充分发挥了人工智能算法自身优势,而并不是旨在揭示工程结构在承受荷载过程中的力学机理,也没有体现出智能算法在达到“更完善的结构”目标方面的太多作为。

Jootoo的这篇文章的特殊性就在这里——结构选型,这是桥梁结构设计过程中要面临的第一个大问题。当然这篇文章还有一个特殊之处,就是它竟然没有结果讨论部分!我相信这是作者为了尽快把文章发表出来的一个策略,杂志社也与其达成了默契,2017年8月刊载出了一个idea,而discussion部分则在2018年1月28日刊载,这胃口吊的真是够足的了。

无论怎样,对于机器学习来说,无外乎几个主要环节:数据来源、数据预处理、建立学习模型(这部分应该会在明年的discussion部分中详细说明)、验证学习结果(结果一定是很好)。在文章中,Jootoo博士重点介绍了一下数据的来源和处理。

我们知道,机器学习需要海量数据库,“海量”是多大量呢?Jootoo告诉我们,他用的是具有60万座桥梁信息数据的NBI数据库(National Bridge Inventory  database):

如果我没看错,这是一位名叫Alexander Svirsky的,在Massachusetts工作和生活的摄影师兼数据库工程师的个人网站!他搜集了美国联邦公路局的数据,放在了一个MYSqL数据库里,供用户查询使用。

必须要向这位伟大的摄影师致敬!在我国有太多的“研究中心”拿着巨额资金,却见不到惠及众多同行业研究者的信息查询平台。

Jootoo博士提到,对于桥型选择这个问题,现在通常的做法是根据具体需求(桥位、甲方意愿等),由工程师根据自己的经验来提出几个进行比选的方案——关键的问题是,那个真正的“最优选择”真的在这几个方案中吗?这个问题,当然计算机也不知道,但是让它从60万座已建成的桥梁中汲取经验,再做判断 ,应该会给工程师提出更好的建议吧。

图2是Jootoo研究的整体框图,由此可见,单是数据的预处理,就要耗费整个研究至少一半的工作量。NBI数据库中的数据庞杂,而要达到研究的需要,需要对其进行简化。要求数据必须是在设计初期就可以得到的,毕竟桥梁选型阶段是在设计之前的嘛,而且数据还要考虑到美国每个州规程有时不同的情况,还有就是,NBI数据库中缺少对桥梁抗震和材料成本预算方面的数据 ,需要调用其他两个开源数据库来作为补充。

至于算法,Jootoo采用了贝叶斯分类器(Bayesian Network Classifier),决策树(Decision Tree)和支持向量机(Support Vector Machine)算法分别进行了计算比对,事实证明,三者均可以在桥梁选型问题上有不错的表现。

总之,这篇文章的含金量挺高,值得一读!

文献来源Jootoo A, Lattanzi D. Bridge Type Classification: Supervised Learning on a Modified NBI Data Set[J]. Journal of Computing in Civil Engineering, 2017, 31(6).

*欢迎转载,转载请标明来源:十千牛,文章地址: http://10kn.com/bridge-type-classification-using-machine-learning/

欢迎关注十千牛微信公众号

说不定我这一生涓滴意念,侥幸汇成河,而且是一条大长河

Leave a Reply

Your email address will not be published. Required fields are marked *