引言

建筑结构作为基础设施核心载体，其服役安全性直接关系人民生命财产安全与社会经济稳定。长期服役中，结构易受荷载冲击、环境腐蚀、材料老化等影响，产生裂缝、变形、刚度衰减等损伤，若未及时处置，损伤会持续累积扩散，甚至引发结构失效事故。传统损伤检测依赖人工巡检与破坏性试验，存在效率低、主观性强、无法实时监测等弊端，难以适配超高层、大跨度等复杂结构的健康管控需求。

随着传感器、大数据及人工智能技术的快速发展，智能损伤识别技术应运而生，形成“数据采集-特征提取-模型识别”完整技术链路。该技术依托结构健康监测系统采集振动、应变等数据，通过智能算法或力学模型挖掘损伤特征，实现损伤的自动判别、定位与定量评估，兼具实时性、准确性、非破坏性等优势。目前其形成两大核心分支：基于机器学习的数据驱动方法，无需精确力学模型，适用于复杂结构早期损伤识别；基于有限元模型修正的力学驱动方法，物理概念清晰，可同步确定损伤位置与程度。

1 建筑结构智能损伤识别技术体系及研究现状

建筑结构智能损伤识别技术体系由数据采集、特征提取、智能识别三大核心模块构成，各模块协同配合实现损伤精准评估。数据采集模块通过在结构关键部位布设传感器，获取振动响应、应变、温度、风速等数据，其中振动响应数据可直接反映结构动力学特性变化，是损伤识别的核心数据源。常用传感器包括加速度传感器、光纤光栅传感器、应变片等，无线传感网络技术打破了传统有线传感器的部署限制，实现监测数据实时传输与远程采集。

特征提取是损伤识别的关键环节，核心是从原始数据中筛选损伤敏感特征。针对振动数据，常用时域（峰值、均值、方差）、频域（固有频率、振型、阻尼比）、时频域（小波变换、希尔伯特-黄变换）分析手段。固有频率随结构刚度下降呈明显变化，兼具易提取、敏感性强的特点，被广泛用作识别指标；振型、模态应变能等衍生指标对局部损伤更敏感，可提升定位精度。此外，特征选择优化对模型性能至关重要，遗传算法、嵌入式选择等策略可剔除冗余特征，精简特征空间，进一步提升识别效率与泛化能力。

智能识别模块通过算法分析特征参数，完成损伤判别、定位与定量评估，分为数据驱动与力学驱动两类。数据驱动型以机器学习、深度学习为核心，模型简单、适应性强；力学驱动型以有限元模型修正为核心，物理意义明确、量化精准。两类方法近年呈现融合态势，有效提升了识别精度与效率。

1.1机器学习方法与非参数贝叶斯方法在结构损伤识别中的应用优势

机器学习是数据驱动型结构损伤识别技术的核心支撑，凭借强大的特征自主学习与模式分类能力，在多种类型结构损伤识别中得到广泛应用。其主要划分为传统机器学习与深度学习两大方向，两类方法均无需依赖精确力学模型，可有效适配复杂结构的损伤检测场景，能应对多样的工程难题，为结构损伤的高效识别提供了灵活可靠的技术路径。

传统机器学习以人工设计特征为核心，通过分类、聚类算法实现识别，支持向量机、随机森林、聚类分析为常用算法。其中聚类分析作为无监督学习，无需标注损伤数据，适配早期损伤识别。舒珊提出贝叶斯动态线性模型损伤识别方案，以桥梁为对象验证了方法实用性；尚志鹏融合贝叶斯动态预测与机器学习，为实时监测提供新思路；梁锋将摄动分析与BP神经网络结合，基于子结构模型实现精准定位。黄岩等人提出主成分分析（PCA）与随机森林（RF）融合的损伤识别方法，仅需采集损伤后信号，通过加速度信号转化为位移信号，提取时域特征并融合，在ZJ70井架钢结构仿真与实验中，单一及多处损伤识别准确率均超90%，为特种钢结构损伤识别提供了高效路径。

深度学习凭借端到端特征学习能力，突破传统机器学习人工设计特征的局限，无需人工干预即可从原始数据中自主挖掘多层级损伤特征，大幅提升了识别自动化水平与检测精度。其中，卷积神经网络（CNN）适用于裂缝图像等视觉数据，循环神经网络（RNN）与长短期记忆网络（LSTM）擅长挖掘时序振动数据中的损伤特征。蒋志远通过实验验证，基于CNN构建的损伤识别模型准确率达92%，同时指出集成学习可通过组合多基学习器降低方差，提升识别鲁棒性，为土木工程结构损伤识别提供了实测支撑。目前深度学习与传统机器学习的融合已成为研究热点，通过优势互补提升复杂工况下识别稳定性。

非参数贝叶斯方法是概率统计与机器学习的交叉技术，可自适应获取最优模型结构与参数，无需预设聚类个数、分布形式，有效解决传统聚类方法参数主观化的缺陷，相较传统参数化方法具备三大核心优势。一是参数自适应能力突出。通过Dirichlet过程、高斯过程等非参数模型，实现聚类个数与参数的自适应优化，规避人工预设误差，适配数据分布未知、分类复杂的场景。FERGUSON证实Dirichlet过程后验分布仍属同类过程，为该方法工程应用奠定理论基础。二是抗干扰性能优异。建筑结构实测数据易掺杂噪声，该方法通过概率推理框架量化数据不确定性，有效抑制干扰，提升识别结果稳定性。JIANG等人基于非参数贝叶斯假设检验，构建贝叶斯因子评价指标，精准评估损伤概率。三是可实现损伤定量评估。结合高斯过程回归、贝叶斯因子等技术，既能判别损伤存在并定位，又可量化损伤程度，为维修决策提供依据。

1.2 基于有限元模型修正与子结构技术的损伤识别方法

基于有限元模型修正的损伤识别方法，以结构静动力数据为基础，通过优化调整模型物理参数，使理论结果与实测数据趋于一致，进而反演损伤信息。该方法计算直观，物理意义明确，可同步确定损伤位置与程度，是损伤评估的重要手段。近三十年其快速发展，形成矩阵型、参数型、不确定性、非线性四大修正方案。翁顺、朱宏平系统梳理了各类方案的适用场景与技术瓶颈，总结工程应用经验，为该方法的规模化工程推广提供了坚实理论参考。

大型土木工程结构的精细化有限元模型自由度达上万乃至百万级，导致传统整体模型修正存在计算效率低、收敛慢等问题。子结构技术通过将整体结构分解为独立子结构，基于分界面位移协调与力平衡条件转化为局部分析，有效解决这一瓶颈。子结构修正分为正向与逆向两类：正向方法通过子结构参数组集整体特征，调整参数使整体响应与实测吻合；逆向方法分解整体试验特征，单独修正目标子结构，效率更优。其核心优势的是子结构可并行分析、模型尺寸缩减、参数数量减少、仅针对损伤区域运算，大幅提升效率。

Weng等人提出改进Kron子结构方法，补充高阶模态补偿机制，提升计算精度与效率，经广州塔案例验证了对局部损伤的敏感性^[9]；该团队通过子结构柔度矩阵特征参数分解实现损伤识别，完善了应用体系^[10]。Zhu等人将其应用于武汉长江航运中心，通过动态缩聚缩减方程规模，为超高层建筑损伤识别提供路径^[11]。

2结论与展望

建筑结构智能损伤识别已形成“局部精细化、整体智能化、预测实时化”的发展脉络，研究前沿正从单一技术突破转向多源融合、物理信息嵌入、无监督学习的融合范式。未来核心是跨越“实验室精度”到“工程场可靠性”的鸿沟，需多领域研究者深度协作。通过构建开放基准数据集、研发可解释融合模型、建立配套标准，该技术将为建筑基础设施安全、经济、可持续运维提供核心支撑。

智能损伤识别技术虽取得显著进展，但实际工程应用仍面临五大核心挑战：一是环境干扰抑制能力不足，温度、风速等外部因素导致模态参数漂移，叠加损伤信号叠加混淆，降低复杂工况下的识别精度与可靠性；二是模型泛化能力有限，数据驱动方法依赖特定结构数据，力学驱动方法在非线性场景理论不完善；三是工程化集成程度低，智能算法与监测系统融合不深，难以满足长期运维需求；四是多源数据融合不充分，过度依赖振动数据，未发挥多维度数据互补作用；五是子结构技术存在短板，逆向方法特征参数转换复杂，易累积误差。

未来技术将向五大方向突破：一是多源数据融合与环境校正，整合多维度数据构建融合模型，量化环境干扰并分离损伤信号；二是数据与力学方法融合，将非参数贝叶斯算法融入有限元修正，兼顾适应性与物理意义；三是子结构技术优化，改进逆向特征提取方法，降低转换误差，拓展至非线性场景；四是与数字孪生集成，构建闭环运维体系；五是轻量化实时化升级，研发低成本传感器与5G网络，实现算法实时推理与模型在线更新。

参考文献：

1. [1] 舒珊.基于贝叶斯动态线性模型的桥梁结构损伤识别方法研究[D].石家庄铁道大学,2021.
2. [2] 尚志鹏.桥梁动力响应的贝叶斯动态预测与监控[D].兰州大学,2021.
3. [3] 梁锋.基于摄动分析和子结构的有限元模型修正方法[D].华中科技大学,2014.
4. [4] 黄岩,韩东颖,朱国庆,等.基于时域多参数信息融合与机器学习算法的井架钢结构损伤识别[J].计量学报,2024,45(05):698-705.
5. [5] 蒋志远.基于机器学习的土木工程结构损伤识别技术分析[J].集成电路应用,2024,41(05):208-209.
6. [6] Ferguson T. A Bayesian analysis of some nonparametric problems[J].Annals of statistics,2018(01):209-230.
7. [7] Jiang X M, Mahadevan S. Bayesian probabilistic inference for nonparametric damage detection of structures[J].Journal of engineering mechanics,2008,134(10):820-831.
8. [8] 翁顺,朱宏平.基于有限元模型修正的土木结构损伤识别方法[J].工程力学,2021,38(03):1-16.
9. [9] Weng S, Xia Y, Xu Y L, et al. Improved substructuring method for eigensolutions of large-scale structures[J].Journal of sound and vibration,2009,323(03):718-736.
10. [10] Weng S, Zhu H P, Xia Y, et al. Damage detection using the eigenparameters decomposition of substructural flexibility matrix[J].Mechanical systems and signal processing,2013,34(1/2):19-38.
11. [11] Zhu H P, Li J J, Weng S, et al. Calculation of structural response and response sensitivity with improved substructuring method[J].Journal of aerospace engineering,2019,32(03):04019016.