对于包括宾夕法尼亚州在内的基础设施老化的州来说,桥梁故障是一个现实。2月,匹兹堡福布斯大道大桥因结构故障倒塌;不幸的是,这种活动并不是唯一的。据美国道路和运输建筑商协会(American Road and Transportation Builders Association)统计,宾夕法尼亚州约有14%的桥梁存在结构缺陷,这意味着至少有一个关键的结构构件状况不佳。
宾夕法尼亚州立大学土木与环境工程助理教授伊尔金·古勒(Ilgin Guler)在最近的两篇论文中比较了统计建模和机器学习,以监测和预测桥梁最顶层桥面的状况。她的研究结果发表在《桥梁工程杂志》和《交通研究记录》上。
古勒说:“这两种方法都有各自的优点。”。“统计方法提供了有关或多或少导致桥梁劣化的因素的见解,而机器学习方法提供了更准确的预测。”
对于他们的数据集,研究人员使用了宾夕法尼亚州25000座国有桥梁的列表。
在《桥梁工程杂志》(Journal of Bridge Engineering)上,研究人员使用了一种称为马尔可夫链蒙特卡罗(Markov chain Monte Carlo)的估算方法,用Python编写代码来表示统计建模中的桥梁数据。然后,他们确定了系数或参数,根据研究人员的说法,这些系数或参数告诉了他们需要了解的所有数据。
“在统计分布方法中,我们能够分析解释变量,或桥梁不同特性的未来影响,例如用于建造桥梁的材料、梁和钢筋的类型,”宾夕法尼亚州立大学土木与环境工程博士生、两篇论文的第一作者陆木洋说。“数据说明了某个因素导致桥梁劣化的可能性。”
在运输研究记录文件中,研究人员使用了一种称为随机生存森林的机器学习方法,该方法通过将项目分成相似的组进行分析来创建数据树。
古勒说:“利用机器学习,我们利用25000项数据集创建了一个预测模型。”。“随着时间的推移,我们训练算法从现有数据中‘学习’,对类似数据做出假设。”
古勒表示,过去曾使用机器学习方法来确定给定年份的桥梁劣化情况,但这些方法尚未用于预测桥梁在特定条件下的持续时间或劣化需要多长时间。
古勒说:“当利益相关者设计桥梁或决定是否进行维修以及何时进行维修时,这两种方法都可以改善决策。”。“有了这些数据驱动的模型,我们可以更好地估计什么会恶化以及何时会恶化。这可以极大地改善桥梁管理的方式。”
除了古勒和卢,亚历山德拉·拉德利艅宾夕法尼亚州哈茨家庭职业发展土木与环境工程副教授斯卡和宾夕法尼亚州土木与环境工程本科生乔纳森·海多克为《桥梁工程杂志》撰文。