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).
暂无评论