《Expert Systems with Applications》：Physics-data dual-driven approach for structural health monitoring: A systematic review
编辑推荐：
结构健康监测中物理信息驱动机器学习方法综述，系统分析数据驱动与物理建模的互补性，提出四种融合范式并探讨其在桥梁、建筑等土木工程结构中的应用及局限性，指出多尺度框架等未来研究方向。
吴建龙|张洪丽|耿松源|罗启玲|刘梅|王先峰|董碧琴|程博远
广东省海洋土木工程耐久性重点实验室，国家深部地下工程智能建造与健康运维重点实验室，深圳市低碳建筑材料与技术重点实验室，深圳大学土木与交通工程学院，中国广东省深圳市518060
摘要
结构健康监测（SHM）方法大致可分为数据驱动方法和基于物理的方法。数据驱动方法常因数据不足而难以识别训练数据范围之外的损伤情况。基于物理的方法由于模型理想化和简化容易产生建模误差，从而导致模型更新不准确。认识到这两种方法的互补优势和劣势，将它们结合起来成为提高监测效果的有效策略。近年来，物理-数据双驱动方法（被视为物理信息机器学习（PIML）框架）作为一种有前景的方式出现，它结合了机器学习的预测能力和物理模型的可解释性与鲁棒性。尽管具有潜力，但目前关于基于PIML的SHM的最新进展的全面综述仍较为缺乏。本文系统地探讨了四种代表性的PIML融合范式——物理信息损失函数、物理引导架构、物理信息预训练以及混合基于物理和机器学习的模型——及其在SHM中的应用，并进一步讨论了它们的方法学限制、仪器偏差以及未来研究方向，如多保真度和多尺度PIML框架。本研究旨在指导研究人员和实践者开发更有效、更可靠的SHM系统，以确保工程结构的安全性和耐久性。
引言
全球基础设施的老化对现代社会构成了紧迫的挑战。桥梁（Farhadi等人，2024年）、建筑物（Zhang等人，2024年）和隧道等关键结构构成了日常生活的支柱，但许多这些系统的设计寿命已接近或已超过。结构健康监测（SHM）作为一种重要工具应运而生（Cha等人，2024年），能够持续、实时地了解结构状况。通过早期损伤检测、精确的结构完整性评估和明智的维护决策，SHM可以降低风险、减少维护成本并提高整体韧性。
SHM方法主要分为两类：数据驱动方法和基于物理的方法。基于物理的方法通过更新表示结构的物理模型（如有限元模型（FEM）来评估结构状况。具体而言，可以通过检查损伤前后FEM的模态参数（如自然频率、模态阻尼和模态形状）的变化来检测损伤（Chang等人，2014年）。这种方法的一个关键挑战是获得受损结构的准确模型，因为各种建模误差（包括与刚度、材料密度和环境噪声相关的误差）可能会影响结果（He等人，2021年）。相比之下，数据驱动方法避免了这些建模问题，而是依赖于可靠的信号和机器学习（ML）技术（Du等人，2025年；Kim等人，2024年；Qiu和Lau，2023年；Zuo等人，2024年）。这些技术用于从振动信号中提取与损伤相关的特征，从而帮助识别损伤的存在及其位置。然而，一个显著的缺点是需要包含未受损和受损状态标记实例的大规模数据集。对于长跨度桥梁或高层建筑等大型结构，生成这些标记数据既耗时又昂贵（Bao等人，2019年）。因此，在健康监测系统中实施非建模方法时，缺乏足够的损伤标签是最主要的挑战之一（Tang等人，2019年）。此外，模型泛化和可解释性的问题进一步复杂化了它们的应用。这些模型可能无法很好地泛化到不同的结构或环境中，其透明度的缺乏会降低人们对预测结果的信任，使得将其整合到决策过程中变得更加困难。
考虑到数据驱动方法和基于物理的方法都有各自的缺点，且它们的优势是互补的，将这两种方法结合起来以增强各自的优点并弥补各自的不足将非常有吸引力。近年来，物理信息机器学习（PIML）方法可以有效地结合物理模型和ML的优势（Shu等人，2023年；Xie等人，2024年）。具体来说，可以从数值模型中提取物理定律（例如结构动态特性）并将其纳入神经网络，以指导从有限测量数据中学习损伤特征（Wang等人，2024年）。这种融合不仅提高了模型的预测准确性（Li等人，2021年），还增强了其可解释性和泛化能力（Xie等人，2024年）。最近的研究表明，这种集成可以通过多种方式实现，包括将模式识别与FEM更新相结合、将数值求解器或控制方程嵌入神经网络训练中，以及使用耦合的物理模型来推导具有明确机械意义的损伤指标（Zhang和Sun，2021年；Hu等人，2024年；Lan等人，2024年）。尽管已有许多关于数据驱动方法在SHM中应用的综述（Cha等人，2024年；Jia和Li，2023年；Lavrinovica等人，2024年），但只有少数文章涉及基于PIML的SHM，且通常局限于特定类型的结构。因此，仍然需要系统地概述用于土木工程SHM的物理-数据双驱动（基于PIML）方法。
本文旨在通过系统地探索PIML方法来填补当前SHM实践中的关键研究空白，重点关注土木基础设施系统（如桥梁、建筑物、隧道和水坝）。虽然已有许多综述研究了ML在SHM中的应用，但关于PIML方法在SHM中的现有文献仍然相对分散。具体而言，本文重点探讨PIML范式作为克服数据限制、提高可解释性和推进SHM技术发展的途径。
本文的结构如下：第2节回顾了现有的SHM和PIML相关综述文章，并明确了本文的地位。第3节总结了数据驱动SHM方法的应用和局限性。第4节介绍了四种方法层面的PIML融合范式。第5节回顾了这些方法在土木工程SHM中的应用，重点关注可靠性分析、损伤识别和响应预测。第6节对方法学限制、仪器偏差以及方法适用于典型SHM场景的情况进行了批判性讨论。第7节概述了未来研究方向，第8节总结了本文。
相关研究
早期关于土木结构SHM的综述文章主要集中在传统的基于振动的方法和模型更新方法上，综合了模态分析、有限元模型更新和统计模式识别方法在桥梁和建筑物损伤检测中的应用（Avci等人，2021年）。随着机器学习的快速发展，后续的系统综述将注意力转向了纯粹的数据驱动SHM。多项调查总结了用于土木工程的机器学习算法
机器学习方法在SHM中的应用
近年来，数据驱动的机器学习方法在SHM领域取得了显著进展，因为它们能够处理大规模数据集并执行模式识别，从而提高了数据处理速度和损伤检测的准确性。图1展示了机器学习在SHM应用中的关键研究热点和发展趋势。如图1(a)所示，深度学习和损伤检测成为该领域的核心研究领域，其他关键词还包括裂纹
物理知识与机器学习的整合研究
纯粹的数据驱动方法在应对各种科学挑战方面表现出相当大的效能。然而，作为依赖训练数据的黑盒模型的机器学习，在所有科学和工程领域普遍应用时存在固有的局限性。时间和经济资源的实际限制往往阻碍了足够数据集的收集，从而限制了机器学习的更广泛应用。此外，缺乏全面的
物理信息机器学习方法在SHM中的应用
传统的SHM方法主要利用传感器数据和信号处理技术（Singh & Sehgal，2021年）。近年来，机器学习方法显著提升了数据分析能力，为SHM引入了创新方法（Bao和Li，2021年；Cha等人，2024年；Malekloo等人，2022年）。尽管这些方法具有优势，但它们也面临一些挑战，包括需要大量的训练数据（Sapir，2022年）、模型可解释性有限（Henninger等人，2023年）等
当前PIML方法的方法学限制
从实施角度来看，四种融合范式每种都涉及技术挑战。对于物理信息损失函数，一个核心难点是平衡数据驱动和基于物理的损失项：它们的梯度尺度可能相差几个数量级，因此简单地调整权重因子可能导致物理上不一致的预测或即使使用自适应加权方案也无法实现稳定的训练。对于物理引导的网络架构，编码
未来研究方向
物理信息机器学习（PIML）已在SHM领域得到有效应用。通过整合物理知识，PIML模型可以更准确地预测复杂结构的非线性行为，甚至在数据有限的情况下超越传统机器学习方法的预测准确性。然而，当前的应用仍处于早期阶段。开放的挑战包括如何以原则性方式结合不同的融合策略、如何设计数据高效的监测方案、如何利用
结论
本文总结了四种将物理知识与机器学习结合的PIML范式，并讨论了它们在SHM领域的应用和优势。它旨在为研究人员和工程师提供系统性的视角，以促进更高效、更可靠的SHM技术的发展，从而提高基础设施的安全性和可持续性。本文得出以下结论：
(1)回顾了机器学习在SHM中的应用。虽然机器学习已经展示了显著
未引用的参考文献
Anuj等人，2017年；Bahadori-Jahromi等人，2025年；Da Veiga和Marrel，2012年；Du Nguyen等人，2025年；Kim和Cha，2024年；Li等人，2021年；Lu和Cao，2023年；Wang等人，2024年；Xiaowei等人，2020年；Xiaowei等人，2020年；Xie等人，2024年；Xu等人，2023年；Zhang等人，2024年；Zhang等人，2020年。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢广东省科技创新领军专项计划（项目编号2023TX07G066）、深圳市基础研究专项计划（自然科学基金）- 基础研究通用项目（项目编号JCYJ20240813143004006）、深圳市科技计划项目（项目编号JCYJ20230808105109018）以及深圳市低碳建筑材料与技术重点实验室提供的财政支持
