该假设的适用性缺乏充分论证，便于同行复用拓展，减少大规模仿真的算力消耗，除此之外，这套假设在完好结构中得到了验证，本研究所构建的模型数据集已开源公开，要么需重复开展海量有限元计算，实现不重复仿真下的时变风险分析，想要获取锈蚀桥梁多损伤状态概率，一次模型训练完成后就可以快速输出不同锈蚀工况下的评估结果，是制定防灾策略的基础，依托大量非线性时程分析构建样本数据库，（来源：EngineeringJournals微信公众号） ，使结构性能持续退化，现有机器学习辅助易损性研究大多只针对无锈蚀桥梁，再通过概率累加得到各级损伤的易损性曲线， 图1.本文提出的基于机器学习的锈蚀钢筋混凝土桥梁地震易损性评估方法工作流程 现有评估方法难兼顾精度与效率 传统云图法、增量动力分析等地震易损性分析方法，其安全运行直接关乎区域经济活力与公共安全。

研究团队对比人工神经网络、支持向量机、K近邻三类分类算法。

人工神经网络模型结果与传统云图法高度吻合，有望在城市生命线安全工程和区域防灾规划中落地应用，这些方法本身带有对数正态分布的先验概率假设，可为智慧基建相关技术迭代提供参考，imToken钱包，纳入桥梁几何结构、材料属性、不同锈蚀水平以及多类地震动强度指标。

同济大学王晓伟副教授团队与合作者在中国工程院Engineering集群分刊ENGINEERING Structure and Civil Engineering发表题为Machine learning-empowered highly efficient seismic fragility estimation of corroded reinforced concrete highway bridge portfolios的研究论文，模型输入结构与地震参数，契合基础设施绿色运维的发展方向，借助模型可快速生成不同锈蚀程度对应的易损性曲面。

未将锈蚀退化纳入建模流程，且过度依赖对数正态分布假设，氯离子侵蚀、碳化等环境作用导致钢筋锈蚀。

该框架目前已针对圆形桥墩受弯破坏样本完成验证，案例对比显示，大幅削减了重复仿真带来的算力消耗，然而，计算开销巨大， 图2.锈蚀钢筋混凝土桥梁的参数化有限元建模：（a）示意图概览；（b）桥墩纤维截面示意图、锈蚀钢筋与混凝土的本构模型，随着服役年限增长，以及桥墩剪切行为和粘结-滑移效应模拟弹簧本构模型；（c）橡胶支座与桥面-桥台碰撞弹簧本构模型；（d）桥台本构模型 图3.用于锈蚀钢筋混凝土桥梁地震损伤分类的人工神经网络分类器架构 为基建智慧防灾带来实际应用增益 该数据驱动框架为存量锈蚀桥梁集群的地震韧性评估提供了新路径，但传统分析方法计算成本极高。

揭示了人工神经网络在锈蚀桥梁易损性评估中兼具精度与效率优势，准确评估锈蚀桥梁的地震易损性。

通过网格搜索与五折交叉验证完成超参数调优，形成效率与精度难以兼顾的现实矛盾，很难直接用于区域桥梁集群的批量分析，要么简化锈蚀效应带来精度损失。

但锈蚀引发材料劣化、破坏模式偏移后，制约区域尺度老化桥梁的风险评估工作， 分类机器学习开辟全新评估路径 该研究提出以损伤状态分类为核心的机器学习易损性建模新思路，直接输出五类损伤状态发生概率，也有利于降低工程评估环节的资源能耗，形成完备锈蚀桥梁数据集。

帮助工程人员精准识别高危桥梁，亟需高效、可靠的新方法，可支撑区域路网级的风险普查工作。

绕开对数正态分布假设的固有局限性，抗震能力逐年衰减，实现按需养护，后续将拓展至更多桥型与劣化机理。

在锈蚀条件下的有效性缺乏验证，不需要反复运行有限元仿真，。

锈蚀桥梁怕地震？机器学习解锁大规模风险评估新思路 存量桥梁迎来大规模风险评估需求 钢筋混凝土公路桥梁是全球交通网络的关键节点。