近年來，機器學(xué)習(xí)算法發(fā)展日新月異，逐漸滲透到各行業(yè)。本文就機器學(xué)習(xí)算法在涵洞狀態(tài)預(yù)測中的具體應(yīng)用展開系統(tǒng)性研究，包括應(yīng)用現(xiàn)狀、算法選擇、模型指標以及存在問題等內(nèi)容，以期對機器學(xué)習(xí)算法在涵洞研究領(lǐng)域的進一步發(fā)展和機器學(xué)習(xí)的進一步應(yīng)用有所幫助。

一、機器學(xué)習(xí)算法在涵洞狀態(tài)預(yù)測的應(yīng)用現(xiàn)狀

（一）算法選擇

國內(nèi)涵洞損傷與病害研究涵蓋涵洞病害特征、成因及防治、穩(wěn)定狀態(tài)、裂縫成因、受力變形特征及洞體淤堵檢測等。目前已采用支持向量機（SVM）算法預(yù)測公路涵洞震害，以地震烈度、場地類別、涵洞型式、洞口構(gòu)造、跨徑及長度等六因素為震害因子，預(yù)測準確率超70%，表現(xiàn)優(yōu)異。SVM算法在處理高維特征和非線性問題方面具有優(yōu)勢，但在處理多分類問題對涵洞震害影響方面存在挑戰(zhàn)。在實際應(yīng)用中，需要考慮建筑材料和山體滑坡等因素調(diào)整參數(shù)設(shè)置。

在國外，使用決策樹（DT）算法對約10萬個公路涵洞的使用狀態(tài)進行預(yù)測，結(jié)果顯示模型準確率達80%，而且通過使用該方法，涵洞維護的成本可降低約44%，DT算法簡單直觀、無需預(yù)處理、穩(wěn)健性高，但不足是對樣本變動敏感，對于涵洞可能遭受不同的自然和/或人為極端事件（如百年一遇的洪水、超載卡車駛過、未經(jīng)授權(quán)向附近溝渠傾倒廢物等）未納入考慮范圍。根據(jù)Adaboost算法對得克薩斯州10000座橋梁的預(yù)測研究顯示，ROC曲線面積在0.8以上，但此算法易出現(xiàn)過擬合情況。同時，相關(guān)研究分析對比了隨機森林（RF）、決策樹（DT）、支持向量機（SVM）、K近鄰算法（KNN）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等算法在涵洞狀態(tài)預(yù)測中的表現(xiàn)，對2555個涵洞的分析結(jié)果顯示RF準確率最高，為82%。

目前，健康監(jiān)測系統(tǒng)在橋梁、隧道和鐵路等大型基礎(chǔ)設(shè)施中的應(yīng)用已日趨成熟。這些系統(tǒng)主要依賴于傳感器網(wǎng)絡(luò)和數(shù)據(jù)采集技術(shù)，實現(xiàn)對涵洞結(jié)構(gòu)和狀態(tài)的實時監(jiān)測。通過長期監(jiān)測和數(shù)據(jù)分析，我們能夠準確識別影響涵洞性能的關(guān)鍵因素，并提供針對性地預(yù)測和維修建議。然而，相較于其他領(lǐng)域，涵洞相關(guān)的研究數(shù)量仍顯不足。

（二）輸入變量選擇

涵洞的分類多樣，依據(jù)不同的標準可以進行多種劃分。按照建筑材料，涵洞可分為磚涵、石涵、混凝土涵以及鋼筋混凝土涵；從構(gòu)造形式上看，涵洞則分為圓管涵、拱涵、蓋板涵和箱涵。此外，根據(jù)填土情況的不同，涵洞還可以分為明涵和暗涵。明涵特指洞頂無填土的涵洞，適用于低路堤及淺溝渠處；而暗涵則是指洞頂有填土的涵洞，其最小填土厚度應(yīng)超過50cm，適用于高路堤及深溝渠處。

在國內(nèi)，對涵洞損傷和狀態(tài)的研究主要集中在涵洞裂縫、蓋板狀態(tài)、洞身變形以及洞體淤堵等方面。這些研究所考慮的影響因子則包括場地類別、涵洞型式、洞口構(gòu)造以及涵洞跨徑等。這些研究旨在更深入地了解涵洞的性能和狀態(tài)，以便更好地進行維護和管理。在國外，涵洞的研究重點與國內(nèi)相似，主要集中在涵洞變形裂縫、淤堵和剩余壽命等方面。研究所涉及的影響因子主要包括涵洞的物理特性（如尺寸、材料和形狀）、部分環(huán)境因素（以pH值為主）以及車流量等。例如，Gao、Fang和Iqbal等人對美國俄亥俄州約10萬條涵洞數(shù)據(jù)和得克薩斯州約1萬條橋梁數(shù)據(jù)進行了深入研究。然而，他們的結(jié)論顯示，目前數(shù)據(jù)庫所采集的數(shù)據(jù)和因子在實際建模過程中能發(fā)揮作用的僅占不到10%，主要涵蓋涵洞材料、尺寸、形狀和車流量等因素。

因此，本研究中機器學(xué)習(xí)模型的輸入變量涵蓋了涵洞材料、尺寸、形狀、使用年限、涵洞磨損情況以及pH值等多個方面。這些變量將作為模型訓(xùn)練和0yiUZ6putNMsKxF1dnzcdPJHbwLQH0y+imRpMMb+Dpw=分析的重要依據(jù)，以實現(xiàn)對涵洞性能的精準預(yù)測和評估。

（三）模型評價指標

在此機器學(xué)習(xí)涵洞狀態(tài)預(yù)測模型（ML）的開發(fā)初期，我們選用了三種不同的機器學(xué)習(xí)算法，分別是人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機（SVM）以及決策樹。這些模型的開發(fā)依賴于ODOTTIMS涵洞清單數(shù)據(jù)庫提供的數(shù)據(jù)，該數(shù)據(jù)庫由ODOT于2018年發(fā)布。為了確保數(shù)據(jù)適用于機器學(xué)習(xí)模型的構(gòu)建，我們對下載的原始數(shù)據(jù)進行了預(yù)處理，具體采用了列表刪除（LD）和反距離加權(quán)（IDW）等技術(shù)，使得數(shù)據(jù)能夠滿足ML模型開發(fā)的要求。ODOT最初使用的10分評級表被重新調(diào)整劃分為兩組，以清晰地標識涵洞是否需要接受檢查。其中，第一組涵洞得分在0至6分之間，表明這些涵洞需要接受檢查；而第二組涵洞得分在7至9分之間，表明這些涵洞狀況良好，無需進一步檢查。利用準確率（Accuracy）、召回率（Recall）、精確度（Precision）、F-分數(shù)（F1Score）和ROC曲線（ROCCurve）等評價指標對模型進行了初步評估，結(jié)果顯示，決策樹模型相較于其他兩種算法，展現(xiàn)出了更為優(yōu)越的性能。因此，決策樹（DT）算法被用于進一步的模型開發(fā)。

準確率（Accuracy）是衡量分類器性能的關(guān)鍵指標之一。具體而言，準確率代表了分類器在給定測試數(shù)據(jù)集中正確分類的樣本數(shù)與總樣本數(shù)之間的比率，它實質(zhì)上是預(yù)測正確的概率體現(xiàn)。然而，初步研究還發(fā)現(xiàn)，涵洞評級數(shù)據(jù)的不平衡性對機器學(xué)習(xí)模型的準確率造成了顯著影響，數(shù)值從76%到85%不等。故準確率這一指標往往無法全面、準確地反映模型的預(yù)測能力。召回率（Recall）又稱真陽性率（TPR）或靈敏度（Sensitivity），召回率表示實際為正的樣本被判斷為正樣本的比例。召回率低意味著分類器會產(chǎn)生很多假負例（FalseNegative）預(yù)測，在本研究中，召回率為0.81，表現(xiàn)出色。精確度（Precision）的數(shù)值會受到假正例（FP）案例數(shù)量的影響，以涵洞狀況預(yù)測為例，和召回率類似，如果模型預(yù)測出大量涵洞狀況不佳，而實際上并非如此，這就導(dǎo)致了較低的精確度，因為模型預(yù)測了過多的涵洞狀況不佳，其代價是額外的實地考察和現(xiàn)場檢查。所以在模型選擇時，應(yīng)優(yōu)先考慮具有較高精確度的模型，如本模型精確度達0.73。F分數(shù)（F1score）的高低直接反映了分類器在減少假正例（FP）和假負例（FN）方面的能力。當F分數(shù)較高時，意味著模型能夠更準確地識別出實際的正例情況，同時減少了因誤報（即FP）帶來的干擾。因此，一個高F分數(shù)的模型在識別正例和避免誤報方面表現(xiàn)優(yōu)秀。F分數(shù)最佳為1，表示分類器完美識別，性能最佳；最差為0，則表明分類器無法識別，性能極差，本研究F分數(shù)接近0.8，性能較好。接收者工作特征曲線（ROCCurve）是描繪分類概率閾值從0到1變化時，召回率與誤報率（FPR）之間關(guān)系的圖形。為了將涵洞狀態(tài)預(yù)測模型性能與現(xiàn)有研究進行比較，使用了ROC曲線下的曲線面積（AUC）來進一步評估所開發(fā)的決策樹模型。AUC的取值范圍在0.5至1.0之間，其中0.5表示最差性能，1.0最佳。在此ML模型中，ROC曲線的性能表現(xiàn)較好。

總體研究結(jié)果顯示，采用建議的選擇性檢查方法，一年內(nèi)混凝土涵洞的檢查量可減少約50%。

二、機器學(xué)習(xí)算法在涵洞狀態(tài)預(yù)測的應(yīng)用問題

（一）數(shù)據(jù)選擇沒有標準化

雖然本研究中涵洞狀態(tài)預(yù)測分析模型表現(xiàn)較好，但仍存在亟待解決的問題，如當前涵洞數(shù)據(jù)采集工作缺乏統(tǒng)一的標準，不同地區(qū)往往根據(jù)自身需求或設(shè)備條件進行采集。單純從數(shù)據(jù)分析的角度來看，數(shù)據(jù)庫中接近90%的信息是非關(guān)鍵的，這導(dǎo)致了存儲空間的浪費。考慮到涵洞數(shù)量眾多，這種情況不僅使得數(shù)據(jù)存儲效率低下，還會在分析過程中增加前期數(shù)據(jù)清洗的工作量和運算成本，降低了數(shù)據(jù)處理和分析的效率與準確性。因此，制定統(tǒng)一的涵洞數(shù)據(jù)采集標準，優(yōu)化數(shù)據(jù)存儲和分析流程，對于提高涵洞管理的效率和準確性具有重要意義。

（二）數(shù)據(jù)量較少

在構(gòu)建現(xiàn)有的機器學(xué)習(xí)算法涵洞預(yù)測或分析模型時，研究者們通?；谘芯糠较蚝鸵延袛?shù)據(jù)來選取輸入變量，隨后由模型自行判定特征變量，鮮有研究對輸入變量的選擇過程進行深入分析，從而導(dǎo)致在確定涵洞狀態(tài)的關(guān)鍵影響因子方面仍有所不足。相較于橋梁、隧道等大型基礎(chǔ)設(shè)施，涵洞的研究相對匱乏，多數(shù)研究受限于較小的數(shù)據(jù)樣本量，這主要是由于未能充分整合不同維度的數(shù)據(jù)及復(fù)雜的數(shù)據(jù)采集、傳感、傳輸和存儲硬件要求。然而，現(xiàn)有技術(shù)已完全具備數(shù)據(jù)整合和擴容的能力。因此，加強數(shù)據(jù)整合工作有望深化和拓寬涵洞研究，為涵洞的安全高效運行提供更強有力的支持。

（三）實踐應(yīng)用受限

盡管機器視覺和健康監(jiān)測系統(tǒng)目前已經(jīng)得到了較好的發(fā)展，但是由于涵洞數(shù)量眾多且大多深埋于地下，其復(fù)雜的傳感、傳輸、存儲和分析過程在涵洞上的應(yīng)用前景仍然面臨著較大的阻力，這些系統(tǒng)在涵洞實踐應(yīng)用中的使用受到了一定的限制。為了克服這些挑戰(zhàn)，我們需要進一步研究并優(yōu)化這些系統(tǒng)，以適應(yīng)涵洞的特殊環(huán)境和需求，從而推動其在涵洞監(jiān)測和維護中的廣泛應(yīng)用。

三、結(jié)語

綜上所述，機器學(xué)習(xí)算法在涵洞狀態(tài)預(yù)測領(lǐng)域已取得研究成效，能基于多因素涵洞數(shù)據(jù)構(gòu)建預(yù)測模型，精準評估涵洞狀態(tài)。同時，機器學(xué)習(xí)算法能自動學(xué)習(xí)數(shù)據(jù)特征，挖掘潛在影響，為涵洞管理維護提供支持。然而，仍存在數(shù)據(jù)獲取整合難、數(shù)據(jù)質(zhì)量不一等問題，影響預(yù)測準確性。此外，涵洞狀態(tài)預(yù)測涉及復(fù)雜因素，算法和參數(shù)選擇需謹慎，需大量實驗驗證。

針對我國機器學(xué)習(xí)在涵洞狀態(tài)預(yù)測的應(yīng)用提出建議：第一，應(yīng)加強涵洞數(shù)據(jù)采集整理，統(tǒng)一數(shù)據(jù)標準，確保準確性完整性，利用數(shù)據(jù)清洗預(yù)處理技術(shù)提升數(shù)據(jù)質(zhì)量。第二，研究不同機器學(xué)習(xí)算法在涵洞狀態(tài)預(yù)測中的應(yīng)用，通過對比實驗選擇最佳算法和參數(shù)。第三，結(jié)合其他領(lǐng)域知識，引入新特征和方法，提高預(yù)測準確性。

（作者單位：廣州城建職業(yè)學(xué)院；基金項目：2023廣東省普通高校重點領(lǐng)域?qū)ｍ梉新一代信息技術(shù)]，編號：2023ZDZX1095。）