基于物理的机器学习模型 (ML)在土木工程中的应用小谈
机器学习模型(ML)与深度学习模型(DL)的突破性发展，为许多领域都带来了崭新的机会。 众所周知，ML是一种重要的模型工具，可以应用于许多学科，但将其直接应用于土木工程领域，还是非常具有挑战性的。
相关工程师曾在实验室中，成功模拟出用于土木工程应用程序的ML，然而一旦将其运用于现实世界的测试，就会导致失败。这种失败通常归因于用于训练和测试ML模型的数据与其在现实世界中遇到的数据之间存在误差，这种现象称之为数据偏移。 值得庆幸的是，基于物理的ML模型集成了数据、偏微分方程 (PDE) 和数学模型，得以成功解决数据偏移的问题。
基于物理的ML模型在经过训练后，得以监督学习任务，并同时遵守一般的非线性方程描述的任何给定物理定律。 基于物理的ML在许多科学学科中占据中心地位，在流体动力学、量子力学、计算资源，以及数据的存储中发挥着重要作用。
在土木工程领域，如今已经应用了基于物理的ML模型，在土木工程中应用基于物理的ML时，其主要使用传感器和信号数据，且其他数据源仅根据要求使用。 因此，研究人员必须选择重构算法和网络结构来解决不同的土木工程问题。
ML模型可以学习物理，因为它们具有从经验中学习的能力，ML模型可以学习物理系统的行为方式，并在给定足够多的行为实例的情况下生成准确的预测。 因此，它可用于各种工程应用，如损伤检测、振动识别、3D 重建、异常数据检测等。基于物理的ML模型在土木工程中的三个主要应用是：3D 建筑信息模型 (BIM)；结构健康监测系统；结构设计与分析。
首先，BIM 已被强调为提高建筑行业绩效的新技术和革命性技术，在土木工程中常用的BIM工具是 Autodesk 的 AutoCAD Civil 3D® 和 Revit Structure®。 这些工具在构建项目之前需优化和验证项目，并对基础设施如何在3D真实世界环境中运行进行建模。
为了补充3D BIM，基于物理的ML模型将成为解决岩土工程问题的主要工具。如下图所示，在基于物理的3D BIM ML方法中执行的步骤，是从点云对3D数字地形模型进行建模； 创建水平定线和垂直剖面，并编辑横截面； 模拟顶管隧道； 创建环岛； 生成完整道路的3D参数化模型，并在PDE控制的真实环境中可视化基础设施。
其次，土木工程行业的结构健康监测(SHM)将面临着独特的挑战。 这些挑战部分源于建筑的动态工作环境。 由于可以更好的检测土木工程结构中的损坏和缺陷的能力，SHM中基于物理的ML模型近年来一直受到广泛关注。 基于物理的ML模型通常通过有限元分析建立结构的高保真物理模型，然后建立模型与下图所示真实结构示例的测量数据之间的比较度量。 在大多数情况下，选择了基于振动的模型更新方法，其中振动或模态数据被用作更新过程的基础。
土木工程结构的实验模态特性（例如自然频率、振动模式和频率响应函数）可以通过使用任何可用的系统识别方法来确定，例如实验模态分析 (EMA) 或操作模态分析 (OMA) .
最后，通常采用构件内部力流设计的结构可以节省大量材料和人工费用，但其操作难度大且耗时等缺点一直让工程师们望而却步。 所幸，基于物理的ML模型允许基于几何的结构设计方法重新出现，特别是在三维空间中。 如今可以使用当前的数字计算，在几毫秒内构建复杂的力几何图，从而使结构设计师和建筑师能够探索3D高效空间结构形式的未开发领域。 如下图所示，新的设计策略考虑结构性能和构造限制，以加速拓扑设计示例的基于物理的ML技术。
土木工程领域的设计与施工已经是一个劳动密集型行业，其领域自身在面临着许多挑战的同时，也出现了包括劳动力老龄化、劳动力成本增加、生产力下降，以及现场工人短缺等问题。 所有这些限制都会影响行业利润，在这种情况下，基于物理的ML将可以用于“自动化”一些土木工程和建筑过程。
数据，在基于物理的ML模型中，以及土木工程的应用当中都起着至关重要的作用。 因此，建立一个土木工程公共数据集是非常有必要的，例如，一个名为ImageNet的类似通用数据集，广泛促进了DL领域的研究。 所以，一个与建筑相关的数据集可以为建筑自动化做同样积极的影响，并且如果有了这样类型的公共数据集，相关的研究人员也可以更好地关注、开发基于物理的ML模型。
