综述：桥梁数字孪生研究中功能层的汇聚：知识结构的科学计量分析

《Buildings》：Converging Functional Layers in Bridge Digital Twin Research: A Scientometric Analysis of Intellectual Structures

　　

桥梁维护研究已日益扩展到数字孪生(DT)、结构健康监测(SHM)、人工智能(AI)、传感技术和基于对象的信息管理。随着维护范式从被动式向预防式和规范式转变，数字孪生作为整合分散技术组件的手段受到关注。然而，对基于AI和DT的分析的日益重视提出了问题：基于对象的信息结构、传感系统、SHM、基于AI的分析和互操作性机制如何在主题上关联并在结构上联系起来？本研究对科学网(WoS)数据库检索到的文献进行了科学计量分析，未设年份限制。为避免预先判定任何单一信息建模技术的重要性，主要检索式排除了建筑信息模型(BIM)相关术语，并组合了桥梁领域、DT相关技术层和维护领域。在应用文献类型、语言和研究领域过滤器后，通过标题和摘要筛选了406条记录。排除了6条与桥梁DT维护研究不直接相关的记录，最终得到400条记录的分析语料。其中，77条记录被识别为BIM相关子集，用于敏感性分析。以基于VOSviewer的文献耦合为核心方法，辅以关键词共现、密度和叠加可视化以及CiteSpace分析，研究人员考察了当代研究结构和历史知识基础。结果表明，桥梁DT开发并非脱离现有技术基础，而是反映了基于对象的信息建模、传感、SHM、基于AI的分析和互操作性机制在集成DT架构内的累积汇聚。

论文主体内容总结如下：

**1. 引言**
引言指出桥梁基础设施是交通运输系统的核心资产，其长期性能和安全与公众安全、经济韧性及基础设施可持续运行直接相关。传统桥梁维护系统基于独立数据库中的检测记录和属性信息，在集成环境中管理资产状态变化、空间位置、结构构件和历史记录方面存在明显局限。建筑信息模型(BIM)作为克服这些局限的关键过渡元素被引入桥梁维护领域，其提供对象级的信息建模系统，可结构化几何形状、材料信息、属性数据及维护历史，为将传统基于文档或二维图纸的管理系统转变为更系统的数字资产环境奠定基础。同时，结构健康监测(SHM)、光学传感、计算机视觉和基于人工智能(AI)的损伤诊断技术也快速发展，但SHM和基于AI的分析系统常独立于BIM资产模型运行，分析结果与资产对象之间的语义关联不足。数字孪生(DT)作为整合这些分散技术流的概念迅速兴起，但现有研究未将BIM对象信息结构及数据治理作为独立分析对象。因此，本文提出研究问题：基于对象的信息结构在近年AI扩展的桥梁DT研究中占据什么位置？随着AI驱动研究的增加，BIM相关概念与传感、SHM、AI分析和互操作性概念形成何种关系？近期面向AI的桥梁DT研究是全新数据架构的出现，还是演变为能与BIM或类BIM对象信息管理方法汇聚的数据治理结构？本研究旨在通过科学计量证据分析BIM数据治理和互操作信息结构作为桥梁DT成功实施前提的作用。

**2. 背景与相关工作**
本章阐述了桥梁维护数字化转型并非由单一技术突然兴起，而是不同技术流在并行和分布式发展中形成的。BIM、SHM、光学传感、AI和DT在过去二十年中各自基于不同的问题导向和解决方案路径演化，近期才被共同讨论为桥梁维护集成数字环境的关键组件。

**2.1. 基于BIM的桥梁维护信息骨干**
BIM对桥梁维护的最重要贡献在于提供对象级的信息环境，可结构化资产组件、属性信息、检测历史、损伤位置和修复历史。传统桥梁管理系统基于表格或分散数据库，在表示结构构件与状态信息之间的关系方面存在局限。而BIM提供集成资产信息和空间信息的对象模型，提高了维护数据的可追溯性和可重用性。通过桥梁信息模型(BrIM)的研究，BIM维护研究进一步发展，直接连接损伤和检测信息至模型对象。然而BIM模型与实时状态数据、传感器信号及预测算法的连接在早期阶段有限，但作为信息骨干，BIM在后续SHM、AI和DT研究中持续存在。

**2.2. 通过SHM和光学传感扩展状态感知**
SHM和光学传感技术扩展了连续感知和测量桥梁状态的功能。SHM基于加速度、应变、振动响应和温度等测量信号监测结构健康，推动桥梁维护从事后检测转向连续和预测框架。近年无人机(UAV)成像、LiDAR、摄影测量和基于图像的变形测量等光学传感技术加入，实现了高分辨率外部状态和几何变化信息采集。然而这些SHM和光学传感技术长期作为独立于资产信息模型的流发展，导致“测量状态”与“结构化信息”之间存在差距，这成为DT概念出现的重要背景。

**2.3. AI驱动损伤检测和预测的进展**
AI基于计算机视觉和深度学习，在桥梁维护中快速应用于裂缝、剥落、腐蚀和渗漏等损伤的自动识别和分类。AI扩展至状态评估、劣化预测、基于风险的维护规划和异常检测，形成连接传感器数据与模型维护的分析智能层。但AI性能提升不直接意味着可运行DT的完成，AI模型高度依赖输入数据的结构、质量和语义一致性。分析结果需与资产对象、位置、历史和维护行动关联，因而AI需在结构化信息架构之上发挥作用。

**2.4. DT技术的兴起与统一框架的转向**
DT最初在制造和航空航天领域提出，基于物理资产与其虚拟表示之间的持续数据交换和同步。在桥梁维护中，DT被理解为整合BIM模型、SHM数据、基于AI的分析、模拟和决策支持的统一环境。DT并非全新技术谱系，而是从架构视角重新定义信息建模、状态监测、分析智能和系统整合等分散技术流的概念。

**2.5. 先前研究的局限与本研究的视角**
现有研究分别考察了BIM维护、SHM、AI损伤检测和DT应用，但缺乏系统整合解释这些技术流如何随时间形成结构关系并促进桥梁维护研究演变。本研究将桥梁DT研究理解为基于对象的信息结构、SHM和光学传感的状态感知、基于AI的分析及互操作性技术在DT架构内相互连接并执行不同功能的领域。

**3. 材料与方法**
本研究采用科学计量研究设计，通过三个阶段的科学图谱分析：数据收集与筛选、科学计量制图、结构综合。分析工具包括VOSviewer和CiteSpace。

**3.1. 数据来源与检索策略**
以科学网核心合集(WoS Core Collection)为单一数据源，检索日期为2026年5月30日，无出版年份限制。检索式围绕三个轴构建：桥梁领域、DT相关技术层和维护领域。为避免在检索阶段预判BIM文献的中心性，主要检索式未包含BIM术语。最终分析语料为400条记录。

**3.2. PRISMA 2020式筛选流程**
采用PRISMA 2020流程图报告文献识别、筛选、排除和纳入过程。初始检索获686条记录，经文献类型、语言和研究领域过滤后保留406条，通过标题和摘要筛选排除6条不直接相关记录，最终纳入400条。其中77条记录被识别为BIM相关子集用于敏感性分析。

**3.3. 数据清洗与词归一化**
对主要术语的表述变体进行归并，例如将“BIM”、“Building Information Modeling”和“Building Information Model”视为同一概念组，确保分析一致性。

**3.4. BIM相关子集与敏感性分析**
在最终语料中通过补充检索式识别BIM相关记录，共77条。其余323条为非显式BIM子集。比较两子集的主题和知识结构，以检验BIM概念在整体知识结构中的定位。

**3.5. 科学计量分析与解释**
以VOSviewer文献耦合分析为核心方法识别当代研究前沿，辅以关键词共现、密度和叠加可视化。CiteSpace用于补充分析历史知识基础和演化轨迹，时间范围设为2017-2026年，每切片1年。

**4. 结果**
本章基于400篇文献实证展示桥梁DT研究的知识结构和功能汇聚模式。

**4.1. 出版趋势与文献类型**
2017-2019年出版量缓慢增长，属于探索阶段；2020年后显著增加，2022年后加速，反映数据驱动维护和DT概念的迅速扩展。2026年数据仅部分年度，不直接进行完整年度比较。

**4.2. 主题格局与新兴趋势（关键词共现）**
关键词共现网络显示桥梁维护数字化研究以“数字孪生(DT)”、“建筑信息模型(BIM)”、“结构健康监测(SHM)”、“桥梁检测”和“损伤检测”为核心形成高度互连的概念网络。BIM作为中心节点连接多种主题，DT则与BIM、监测和AI诊断相连，体现为整合先前研究流的高层概念。密度可视化显示BIM和DT是概念高度集中的核心区域，并与SHM、AI和监测等术语紧密连接。叠加可视化显示早期研究集中于BIM信息建模和检测数据管理，后续扩展至传感器监测和数据分析，近期AI损伤诊断和DT集成系统成为主要主题。

**4.3. 文献耦合聚类**
文献耦合分析将当代出版物分为14个详细聚类，进一步重组为六个高层面大聚类（功能性研究组）：(1) BIM基础检测与生命周期建模；(2) 几何重建与现状建模；(3) 监测集成；(4) AI诊断与预测；(5) 语义与数据集成；(6) DT架构。这些聚类分别对应DT架构中的信息基础层、几何感知层、状态数据层、分析智能层、数据链接层和系统集成层。

**4.4. 共被引知识结构**
CiteSpace共被引网络识别出14个详细聚类，重组为四个高层知识领域：(1) 系统架构与治理；(2) 物理感知与监测；(3) 基于AI的损伤与生命周期智能；(4) 信息建模与可视化。这些领域在当代桥梁DT研究中形成互补关系，支撑多技术层集成。

**4.5. 时间分层与演化汇聚**
引文爆发分析和时间线可视化显示三个演化阶段：早期阶段（BIM信息结构和检测建模）；中间阶段（几何重建、SHM和监测集成）；近期扩张阶段（AI损伤诊断、预测分析和DT架构）。不同研究主题随时间并行发展，在DT架构内逐步汇聚。

**5. 讨论：桥梁数字孪生的演化汇聚**

**5.1. 重塑DT发展：演化而非颠覆**
桥梁DT研究并非单一技术颠覆性出现，而是信息建模、状态监测、分析智能和系统整合等研究流作为不同功能层在DT架构内组合和汇聚的结果。基于关键词共现和敏感性分析，BIM相关概念在DT中心语料中仍为可见研究流。研究提出六层功能层解释框架：L1基于对象的信息层（BIM/BrIM）、L2几何与传感数据获取层、L3状态监测层（SHM）、L4基于AI的分析层、L5语义互操作与数据治理层、L6 DT集成平台层。该框架非成熟度模型，而是概念工具。

**5.2. 桥梁DT开发中的BIM/BrIM对象信息结构**
传感和AI诊断依赖于将状态数据和分析结果链接至对象级数字环境中的资产信息。BIM作为信息集成平台连接传感器数据和分析结果与资产管理系统。数据互操作性（如IFC扩展、本体映射、BIM-地理信息系统(GIS)集成）是关键使能因素。

**5.3. 挑战与未来研究方向**
本研究局限性包括：仅限于科学网核心合集索引的学术出版物，未充分反映会议论文、技术报告和工业示范案例；科学计量方法无法深入分析技术内容或方法论差异；仅聚焦桥梁维护领域，未进行跨领域比较。未来研究应扩展文献范围、进行深入技术分析或案例比较，以及进行跨领域比较分析。

**6. 结论**
本研究表明桥梁数字孪生研究并非通过单一技术创新新形成，而是BIM信息建模、几何重建、状态监测、AI诊断和系统集成研究作为不同功能层在DT概念下组合和汇聚的结果。基于对象的信息结构如BIM作为连接后续传感器技术、数据分析技术和DT架构的核心基础。成功的桥梁DT实施需要长期信息架构，包括数据治理、对象模式、传感器数据集成、AI训练数据质量、互操作性标准和信息交付政策。本研究提出的六层框架需通过实际桥梁维护项目进一步验证。