综述：物理信息神经网络在土木工程、交通运输工程和路面工程中的应用：跨领域综述、基准测试挑战与研究空白

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Physics?Informed Neural Networks in Civil, Transportation, and Pavement Engineering: Cross?Domain Review, Benchmarking Challenges, and Research Gaps

　　

摘要

物理信息神经网络（PINNs）作为一种变革性的建模方法，将数据驱动的学习与物理定律相结合，为土木工程和交通工程中长期存在的挑战提供了有效的解决方案。本文全面探讨了PINNs在多个领域的应用，包括路面分析、结构健康监测、岩土工程建模、材料特性分析以及交通系统动力学。研究遵循系统评价和荟萃分析的优先报告项目（PRISMA）指南，系统地回顾了截至2025年中期发表在主要科学数据库中的100篇同行评审文章。这些研究被分为不同的主题类别，重点介绍了在模拟表面损伤、结构性能和车辆动态行为方面的进展，以及其在桥梁工程、隧道设计和土-结构相互作用中的应用。文章分析了核心架构发展、优化策略以及为工程场景量身定制的混合PINN框架。尽管取得了这些进展，该领域仍面临诸多限制，例如评估方法不一致、模型在不同领域的泛化能力有限、过度依赖合成或简化的数据集，以及缺乏严格的不确定性量化框架。这些缺陷阻碍了PINN模型在实际工程环境中的基准测试和可扩展性。解决这些问题对于实现可复制、可靠且适用于实际应用的基于PINN的解决方案至关重要。诸如与数字孪生技术和物联网基础设施集成等新兴趋势，为土木系统中的实时、符合物理规律的决策制定指明了有希望的方向。本研究为致力于利用PINNs推动智能、韧性和可持续基础设施发展的研究人员和实践者提供了宝贵的见解。