人工智能(Artificial Intelligence, AI)与无拉力(no-tension)模型在砌体结构震后初步评估中的应用

《Applications in Engineering Science》：On the use of artificial intelligence and no-tension models in the post-earthquake preliminary assessment of masonry structures

　　

摘要：本研究提出一种人工智能辅助视觉检查流程及初步韧性评估技术，用于评估自1980年以来受意大利重大地震影响的砌体结构震后损伤。研究人员分析了一组由意大利民防部(Department of Civil Protection)官方调查采集的250张图像，以自动识别砌体空间构件中地震诱发的损伤模式。图像取自受损建筑内部与外部及穹顶结构，划分为训练集、验证集与测试集。所提方法虽因数据集规模有限尚处初步阶段，但旨在推进人工智能作为决策支持工具在震后场景中增强包括历史砌体建筑在内的结构韧性的应用。训练后，AI模型对砌体结构地震诱发损伤模式表现出较强的正确识别能力，并在未见过的测试图像上进行推理推断(inference)，预测边界框(bounding box)定性证实其在损伤模式检测上的有效性。从力学角度，该方法基于AI辅助检测程序给出的损伤预测（经工程驱动的后处理操作转化为力学表征），支持建立受地震影响的砌体墙体与穹顶的离散无拉力(discrete no-tension)模型。随后采用近期发展的桁架网(strut-and-net)方法，验证是否存在能承受作用于所考察结构系统的竖向与水平荷载的受压砌体杆件网络。

论文解读：人工智能与无拉力模型在砌体结构震后初步评估中的应用

震后快速评估建筑与基础设施的损伤状况是强震灾区亟需解决的问题，尤其涉及具历史价值的砌体文化遗产建筑。传统意大利民防FAST与AeDES调查表依赖人工现场勘查，存在危险、耗时且主观性强的问题，且历史砌体材料非均质、非线性且常缺乏材料参数。现有计算机视觉与机器学习方法多用于混凝土结构或简单二分类裂纹检测，针对砌体多类型震害（水平、竖向、斜向、X形裂缝及剥落）精细分类并结合简化力学极限分析进行残余承载力评估的研究较少。为此，研究人员开展将卷积神经网络(Convolutional Neural Network, CNN)损伤检测与刚性无拉力(Rigid No-Tension, RNT)桁架网(strut-net)极限分析相耦合的震后砌体结构初步评估框架研究，发表于《Applications in Engineering Science》。

研究人员采用的主要关键技术方法为：(1)采集意大利1980年以来历次强震（Irpinia、Umbria-Marche、Molise、L'Aquila、Emilia-Romagna、Norcia）后由认证技术人员实地拍摄的250张砌体建筑与穹顶震害图像，涵盖石砌与砖砌砌体、内外景；(2)采用SolVision?商业深度学习平台（集成YOLO系列检测器、Transformer架构与专有卷积网络），手动标注五类损伤——水平裂缝(horizontal crack)、竖向裂缝(vertical crack)、斜裂缝(diagonal crack)、X形裂缝(X-shaped crack)及砌体剥落(masonry spalling)，按70%/15%/15%划分训练/验证/测试集，进行数据增广（亮度±20%、对比度±20%、饱和度±20%、高斯噪声±20%、旋转±10%）与CNN模型训练（图像缩放至640×640 px，最大迭代2000，学习率0.01）；(3)将CNN检测出的开裂与剥落区域经工程后处理映射为几何障碍(void/obstacle)，嵌入最近提出的strut-net（桁架网）RNT极限分析线性规划算法，计算带/不带损伤障碍时砌体墙与穹顶的极限荷载乘子λ_lim（水平力放大系数），评估残余抗震承载力。

2. Employed neural-network methodology

研究人员采用SolVision?软件平台，该平台支持YOLO-based detector、Transformer-based model及专有卷积网络，提供实例分割、特征检测等功能，具备GPU加速训练、生成式AI数据增广（直方图均衡化、几何扰动、视角偏移、噪声注入、背景修改）、IoU验证、混淆矩阵与PR–F1指标评估模块，支持实时推断与工业通信接口。

3. Illustration of the image dataset

数据集含250张实地震害照片（175张训练，各38张验证与测试），涵盖2002年Molise地震San Giuliano di Puglia混合砌体建筑竖向分离与剪切裂缝、2012年Emilia-Romagna地震Novi di Modena砖–混凝土混合结构X形裂缝、2016年Norcia地震Preci填料砌体(muratura a sacco)转角剥落，以及2012年Emilia-Romagna地震Gasparini Casari小堂穹顶鼓座开裂与剥落，反映了真实震后现场复杂纹理与环境条件。

4. Assessment of the employed CNN procedure

训练后CNN模型在评估集上性能指标为：精确率(Precision)=0.797，召回率(Recall)=0.865，准确率(Accuracy)=0.688，F1值=0.828，平均精度均值(mean Average Precision, mAP)=0.629。混淆矩阵显示剥落（216真阳性True Positive）与竖向裂缝（202真阳性）检测可靠，斜裂缝与水平裂缝亦有良好对应，Remain与Repeat计数低。F1值(0.828)高于Pantoja-Rosero等(2022)对野外砌体震害数据集报道的0.685，准确率偏低系因研究任务为四类别裂缝精细分类而非二分类裂纹有无检测。

5. No-tension modeling of damaged masonry structures

5.1. A strutnet model of a damaged building wall

取首层带大洞口与X形裂缝墙体（图7a），设10个顶部主动点施加竖向单位力、底部三个墙垛为支座反应点，AI检出裂缝与洞口设为障碍区。未损模型极限荷载乘子λ_{lim 0,+}=0.6826，λ_{lim 0,-}=0.3531；轻微损伤模型λ_{lim +}=0.4766，λ_{lim -}=0.2942（承载力降约30%）；较严重损伤扩展模型λ_{lim +}=0.3616，λ_{lim -}=0.2145（承载力降约47%）。表明损伤与开口不对称导致不同方向水平承载力差异，strut-net可量化震后残余承载力折减。

5.2. The case of a damaged dome

对Gasparini Casari小堂中心穹顶取八分拱切片模型，厚度假定1.50 m，19个顶部竖向单位力，水平合力Q=λ_limG。未损穹顶λ_{lim 0,+}=λ_{lim 0,-}=0.170；将鼓座检测到的大裂缝保守延伸为贯穿障碍后，损伤模型λ_{lim +}=λ_{lim -}=0.044，水平承载力降低约74%。表明鼓座环向裂缝严重削弱穹顶薄膜平衡致抗压桁架路径受阻。

6. Concluding remarks

研究人员得出结论：所提CNN流程能有效从真实震后现场图像中识别五类砌体震害，Recall≈86.5%，F1=0.828；将AI检出损伤映射为RNT strut-net模型中不可承压障碍(void)，可对震损砌体墙与穹顶残余抗震承载力做初步量化估计（墙体降30%~47%，穹顶降约74%）。该框架为震后快速初步评估提供了数据驱动与力学相结合的概念验证，未来需扩大多样化数据集、引入交叉验证、开发AI损伤到CAD力学模型的自动化工作流，并与精细化有限元/离散元方法及试验对标验证。本研究表明结合机器学习与简化无拉力力学的智能工具可支持震后砌体遗产与普通建筑的快速稳定性判断与风险决策。