橋梁退化模型及養(yǎng)護時機研究綜述

張洪， 左勤， 辛景舟， 周建庭*

(1.省部共建山區(qū)橋梁及隧道工程國家重點實驗室， 重慶 400074； 2.重慶交通大學土木工程學院， 重慶 400074)

當前，中國橋梁事業(yè)發(fā)展迅速，公路橋梁數量已達87.83×104座，里程達6 063.46×104m[1-2]，居世界第一，在取得巨大建設成就的同時，管養(yǎng)壓力接踵而至，管養(yǎng)并重時代已經來臨，厘清橋梁結構的性能退化機理、開展科學養(yǎng)護，對于保障橋梁安全與路網暢通意義重大。

交通運輸部在2020年提出《交通運輸部關于進一步提升公路橋梁安全耐久水平的意見》，文件提出著力提升公路橋梁管養(yǎng)水平的意見，指出工作目標：到2035年，公路橋梁建設養(yǎng)護管理水平進入世界前列，公路橋梁結構健康監(jiān)測系統(tǒng)全面建立，安全風險防控體系基本完善，創(chuàng)新發(fā)展水平明顯提高，標準化、智能化水平全面提升，平均服役壽命明顯延長，基本實現并不斷完善管理體系和管理能力現代化[3]。中國重建輕養(yǎng)的觀念將逐漸轉變?yōu)榻B(yǎng)并重，目前在橋梁的養(yǎng)護上，還較缺乏科學合理的養(yǎng)護指導，養(yǎng)護措施、養(yǎng)護時機決策較主觀化，造成了經濟資源的浪費。為科學合理地制定橋梁養(yǎng)護策略，不僅要準確把握橋梁結構性能的退化規(guī)律，還要在滿足橋梁運營安全適用的條件下兼顧養(yǎng)護成本的經濟性，做出最優(yōu)養(yǎng)護時機決策。為此，以橋梁的退化預測模型、養(yǎng)護時機為研究對象，梳理了退化預測物理模型、數據驅動模型的優(yōu)劣性，綜述了目前確立橋梁最優(yōu)養(yǎng)護時機方法的研究進展，對該領域發(fā)展方向進行討論，為橋梁管理養(yǎng)護決策工作提供參考。

1 橋梁退化預測模型

中外學者對橋梁結構性能退化開展了大量研究，退化預測方法大致可分為兩類，一類是基于退化機理方法，模擬影響橋梁結構退化各種因素的時變情況，建立鋼筋銹蝕、混凝土碳化、氯離子滲透等長期劣化、損傷因素與結構承載力、剛度等性能參數間的定量關聯(lián)模型，即物理模型，進而對橋梁結構性能退化趨勢進行預測；另一類方法是數據驅動方法，通過歷史統(tǒng)計數據來預測結構的狀態(tài)。歷史統(tǒng)計數據主要是橋梁檢測和監(jiān)測信息，其中蘊含著大量的結構狀態(tài)信息，現有的大數據分析技術、人工智能算法為檢測信息的合理利用提供了科學技術手段[4]，從而有效地預測橋梁退化情況。

1.1 物理模型

物理模型即考慮影響橋梁退化的因素，從橋梁結構構件退化機理角度模擬退化，其基于材料的物理性能演化來分析特定類型的劣化過程。該方法可對某一特定的橋梁和構件進行定量的退化預測，其預測結果精度較高。

在鋼筋銹蝕方面，Biondini等[5]針對受侵蝕擴散攻擊的鋼筋混凝土建立了鋼筋銹蝕退化模型，該模型考慮了混凝土無損傷和鋼筋均勻腐蝕。Imperatore等[6]研究了銹蝕作用下鋼筋的力學行為，并考慮了均勻腐蝕和坑蝕的影響，建立了主要力學性能的衰減方程。周建庭等[7]、辛景舟等[8]從材料層次和構件層次綜述了既有銹蝕鋼筋力學性能退化模型和黏結性能退化模型，指出了鋼筋銹蝕的退化模型的普適性有待提升。

在混凝土碳化方面，通常認為混凝土的碳化深度服從Fick第一定律，碳化深度正比于碳化時間的1/2次方[9-11]，碳化模型不同主要在于碳化系數不同，而碳化系數則與環(huán)境條件、混凝土材料相關。張揚等[12]通過快速碳化實驗研究了粉煤灰混凝土碳化問題，分析了水膠比、水泥用量和粉煤灰摻量這三個指標對碳化深度的影響。加速碳化實驗往往與實際服役情況不符，牛荻濤等[13]采用壓榨法逐層測試了混凝土圓柱體試樣孔溶液pH，并根據測試結果確定了自然暴露環(huán)境下混凝土部分碳化區(qū)長度。

在氯離子侵蝕方面，通常認為氯離子擴散規(guī)律符合Fick第二定律，在此基礎上，杜修力等[14]、Tran等[15]、Wang[16]研究了不同荷載對氯離子擴散特效的影響，建立了不同荷載下混凝土氯離子侵蝕模型。在橋梁構件方面，Cui等[17]提出了一種新的鋼筋混凝土橋梁下部結構受氯離子腐蝕時的腐蝕速率模型，該腐蝕速率模型考慮了混凝土開裂后腐蝕速率的加速，適用于典型的海洋環(huán)境。江輝等[18]研究了氯離子侵蝕對近海大型橋梁損傷概率的時變影響規(guī)律，建立非線性數值模型并開展增量動力分析，獲得主塔等構件及橋梁系統(tǒng)的時變易損性曲線。

以上均為基于單一因素的退化模型，實際工程中，橋梁結構或構件退化往往由于多種因素共同作用，對于多因素影響方面，Lu等[19]對現有的斜拉橋拉索腐蝕模型進行了修正，其考慮了應力水平和腐蝕過程的耦合效應，建立了不同服役期的拉索腐蝕深度模型。牛荻濤等[20]通過鹽溶液浸泡與碳化交替方式，研究了碳化作用對混凝土中氯離子擴散的影響，但沒有對碳化和氯離子擴散共同作用下混凝土劣化做定量考量。Chindaprasirt等[21]用二氧化碳氣體腐蝕溶液將混凝土碳化處理，通過實驗分析了碳化與氯離子作用下混凝土中氯離子的滲透情況，但這與二氧化碳氣體腐蝕特征不符。受實驗條件限制，既有多因素影響通常先模擬一個因素引起的退化，在此基礎上再模擬另一個因素引起的退化，只是對多重劣化因素簡單疊加，沒有考慮各因素同一時間上的耦合效應。

1.2 數據驅動模型

1.2.1 回歸模型

回歸模型假定橋梁退化過程的趨勢是確定的，通過大量的歷史統(tǒng)計數據分析待預測量的影響因素，建立待預測量與某一變量或多個變量的經驗關系，如橋梁技術狀況評分與橋齡的關系，該模型避免了復雜的力學演化機理分析，其精確度主要依賴數據的數量和準確性。

回歸模型一般可分為線性回歸和非線性回歸，Shahin[22]提出了一種單因素線性回歸公式，以橋齡作為自變量，橋梁技術狀況作為因變量，但實際中橋梁技術狀況往往與交通量、氣候等因素都有關系，因此單因素線性回歸難以模擬實際橋梁的退化情況，且在長期預測中缺乏可靠性，Shahin等[22]還提出了一種多因素線性回歸公式，以橋齡、橋梁類型作為自變量，但線性回歸誤差較大，對于橋梁長期性能的預測還缺乏一定的精度。非線性回歸模型中，周方[23]通過非線性回歸模型預測了預應力混凝土梁橋的技術狀況，并通過對比分析驗證了采用高斯方程和三角函數的預測模型檢驗結果較為理想。何天濤等[24]采用負指數作為回歸分析模型，將橋齡作為唯一變量，既充分考慮了荷載對橋梁的作用，也考慮了橋型、養(yǎng)護水平等因素對橋梁缺損狀況的影響，并用該模型預測了某橋五年的橋梁技術狀況評分，結果表明該模型具有較高精度。

以上方法均是基于單一橋梁，回歸模型同樣適用于區(qū)域路網的多座橋梁的退化分析，Goyal等[25]提出了基于比例風險回歸的方法，利用某地區(qū)的橋梁數據庫識別了影響橋梁退化的最關鍵因素，并量化了退化因素對橋梁條件評級的影響。曹明蘭等[26]認為影響多座混凝土橋梁結構劣化的因素很多，致使其劣化模型變化大、類型多，提出了n段線性劣化模型與非線性劣化模型，可用來模擬任意情形的橋梁劣化模式，該劣化模型通過可靠度來反映退化情況，計算過程較為復雜，橋梁技術狀況往往更加簡單。單愛成[27]利用某一高速路段內所有橋梁的技術狀況數據，通過時間—空間轉換法延長數據的時間序列，利用負指數函數擬合橋梁技術狀況回歸曲線，建立橋梁技術狀況的退化模型，通過對標準誤差、殘差平方和、校正決定系數分析，表明該模型優(yōu)越性較好。其利用時間序列下的20 m等跨預應力簡支空心板梁橋技術狀況數據做負指數函數回歸分析，回歸方程見式(1)，回歸曲線如圖1[27]所示。

Dr=95.911 8{1-exp[-(24.281 0/t)0.457 5]}

(1)

式(1)中：t為橋齡；Dr為橋梁技術狀況評分。

為了科學評價回歸模型的預測能力，Lu等[28]提出了一種基于數據擬合優(yōu)度的回歸模型預測能力評價方法，并用國家橋梁數據庫建立的橋梁構件退化回歸模型進行了驗證，為建立預測模型評價標準提供了基礎。

圖1 負指數函數回歸曲線[27]Fig.1 Negative exponential function regression curve[27]

1.2.2 隨機模型

隨機模型將橋梁的退化過程看作是一個或多個隨機變量(即時間、橋梁構件的狀態(tài))，從而可以捕捉到退化過程的不確定性和隨機性。隨機模型可以分為基于狀態(tài)的模型和基于時間的模型。在基于狀態(tài)的模型中，退化過程是通過在離散時間間隔內從一個條件狀態(tài)轉換到另一個條件狀態(tài)的概率來建模的。在基于時間的模型中，橋梁單元在特定條件狀態(tài)下的持續(xù)時間被建模為隨機變量，使用概率分布，如威布爾分布、泊松分布等來描述退化過程。

隨機模型中，馬爾可夫鏈應用廣泛，張陽等[29]考慮到橋梁各階段性能退化速率不同，采用多階段的馬爾可夫鏈，建立了橋梁技術狀況退化模型，并預測了某13年橋齡的混凝土空心板橋3年后的技術狀況。盧新等[30]開發(fā)了基于有限Markov鏈與Poisson分布建立了橋梁性能退化預測模型，并編寫了算法進行運用。Ma?ovic等[31]提出了一種改進的隨機模型，在條件狀態(tài)下應用Weibull分布來計算停留時間的半馬爾可夫橋梁退化模型，該模型在橋梁管理中的適用性較好。馬爾可夫模型中重要的一點是確定最優(yōu)轉移概率矩陣，為了實時更新轉移概率，鄭瑤辰等[32]引入動態(tài)貝葉斯理論，利用結構實時的新信息修正時變參數的概率密度函數，更新轉移概率矩陣，對結構的性能退化進行準確預測。Ma?ovic等[33]提出了基于期望最大算法的馬爾可夫退化預測模型，將期望最大算法用于計算轉移概率，結果表明該算法具有較好的魯棒性。Wellalage等[34]提出了一種基于Metropolis-Hasting算法的馬爾可夫鏈蒙特卡羅仿真算法，對鐵路橋梁構件基于狀態(tài)的馬爾可夫退化模型進行修正，分析表明該方法在路網級橋梁退化預測中預測精度高于基于非線性優(yōu)化的馬爾可夫轉移概率矩陣算法預測方法。

此外，灰色理論在橋梁退化預測中也有應用，灰色理論可通過較少數據對橋梁狀態(tài)進行預測，楊文博等[35]基于灰色理論對某橋進行GM(1, 1)建模，并對建模數據進行相對誤差、關聯(lián)度、均方差比值、小誤差概率的檢驗?；疑Ｐ蛯τ陂L期預測以及數據波動大的預測精度較低，修正的灰色模型可避免此缺點，劉歷波等[36]提出一種基于灰色理論模型并用馬爾可夫鏈修正的灰色-馬爾可夫預測模型，結合橋梁數據應用，結果表明該方法比灰色GM(1, 1)預測模型精度、穩(wěn)定性更高。

1.2.3 人工智能模型

隨著計算機科學的發(fā)展，人工智能技術已廣泛應用到橋梁領域，橋梁退化預測也不例外。人工智能模型包括：人工神經網絡、基于案例的推理、期望最大化算法、專家系統(tǒng)等。

在神經網絡方面，Allah等[37]構建了邏輯回歸、決策樹等機器學習算法以及具有實體嵌入的深層神經網絡的預測模型，并用于預測橋梁狀態(tài)。Ali 等[38]提出了一個神經網絡模型來研究密蘇里州大跨橋梁的上部結構、下部結構和橋面板的退化情況，結果表明該模型能成功預測橋梁未來狀況。Li等[39]利用國家橋梁清單數據庫建立了橋臺的神經網絡集成(ensemble neural network, ENN)退化模型，并給出了退化預測曲線，結果表明該ENN模型精度好，但計算成本較大。

在基于案例的推理(case-based reasoning, CBR)方面，Morcous等[40]以加拿大魁北克省259座混凝土橋梁的數據作為一個案例庫，提出了用CBR來生成退化模型，該方法考慮了橋梁過去狀態(tài)對未來的影響，最小化了退化過程中不確定性的影響，但CBR方法存在當案例庫數據不足時無法有效建模的缺點。在專家系統(tǒng)方面，Kawamura等[41]根據專家系統(tǒng)評估退化混凝土板的性能，通過神經網絡反向傳播方法促進對嵌入在系統(tǒng)中的知識庫的細化，專家的診斷結果與學習后系統(tǒng)輸出的高度一致，驗證了該方法的有效性。

上述研究主要針對全橋或者某一構件進行單獨預測，未將橋梁及構件數據集成整合。夏燁等[42]對橋梁歷史檢測信息進行數據集成與規(guī)整，將提取的關鍵參數及數據集進行神經網絡訓練與驗證，生成一系列橋梁構件及結構層的退化模型，其對橋梁結構及構件探索的理論公式為

(2)

退化模型關鍵參數如表1[42]所示。

表1 退化模型關鍵參數[42]Table 1 Key parameters of the degradation model[42]

綜上4種退化預測模型，物理模型從退化機理的角度來模擬橋梁結構或構件退化，可建立較精確的退化預測模型，但是多種退化因素的共同影響導致模擬橋梁退化較為困難；數據驅動模型中回歸模型使用簡單，預測具有高效性，同時也能較好反映影響退化因素與橋梁狀態(tài)的關系，但回歸模型不符合橋梁退化的隨機性，忽略了橋梁各構件之間的影響作用，且產生新數據時需要對模型進行更新；隨機模型是目前運用較多的退化預測模型，其中馬爾可夫鏈法廣泛應用于橋梁管理系統(tǒng)，適用于區(qū)域路網級橋梁，但馬爾可夫模型假定離散的轉移時間間隔會導致預測精度下降；人工智能模型在一定程度上能避免回歸模型、隨機模型精度不夠的局限性，具有較大發(fā)展?jié)摿?，但這種模型的使用往往需要更多的數據來保證預測精度。退化預測模型分類及優(yōu)劣性如表2所示。

表2 退化預測模型分類及優(yōu)劣性Table 2 Classification and pros and cons of degradation prediction models

2 橋梁養(yǎng)護時機

根據養(yǎng)護時間點橋梁養(yǎng)護可分為必要性養(yǎng)護和預防性養(yǎng)護[43-44]。必要性養(yǎng)護是結構性能指標達到閾值時即結構失效時對其的養(yǎng)護，必要性養(yǎng)護往往比預防性養(yǎng)護帶來更高的性能提升，但其成本更高，預防性養(yǎng)護一般是為了略微改善橋梁的性能或延緩橋梁的惡化過程而進行的養(yǎng)護，以此保持橋梁結構性能在安全水平以上[45-46]，如圖2所示。預防性養(yǎng)護又分為：基于使用的養(yǎng)護和基于狀況的養(yǎng)護[47-48]，基于使用的養(yǎng)護不管橋梁結構或構件條件如何，定期維護或更換構件，基于狀況的養(yǎng)護根據檢測，按檢測的結果采取相應措施。

圖2 預防性養(yǎng)護和必要性養(yǎng)護[46]Fig.2 Preventive maintenance and essential maintenance[46]

傳統(tǒng)的養(yǎng)護策略主要以日常養(yǎng)護和必要性養(yǎng)護為主，容易造成資源浪費及過度維護等后果，預防性養(yǎng)護已被證明經濟有效[49]，預防性養(yǎng)護的核心思路是尋找養(yǎng)護成本和性能提升間的平衡點，未來橋梁養(yǎng)護將主要為預防性養(yǎng)護。

預防性養(yǎng)護的核心工作主要是成本效益分析及最優(yōu)養(yǎng)護時機分析，成本效益分析主要是對橋梁養(yǎng)護的成本的計算與預測，分析養(yǎng)護方案能帶來的社會經濟效益，最優(yōu)養(yǎng)護時機的確定主要是成本與性能提升最優(yōu)平衡問題的建立與求解。

2.1 成本效益分析

橋梁退化預測模型建立之后，可得知橋梁在不同時期的服役狀態(tài)以及退化到可接受最低水平的時期，就可以制定壽命周期內的養(yǎng)護方法。對于橋梁養(yǎng)護機構，需要利用有限的養(yǎng)護資金對橋梁進行養(yǎng)護，制定科學合理的養(yǎng)護策略，其養(yǎng)護成本分析尤為重要。國外較早提出全壽命周期成本分析(life-cycle cost analysis，LCCA)概念，通過有效的成本評價方法來評估劣化橋梁在整個壽命期內的成本支出的合理性。生命周期內養(yǎng)護成本不確定性大，LCCA將優(yōu)化算法和概率統(tǒng)計方法結合在一起，評價養(yǎng)護帶來的經濟效果，并判斷養(yǎng)護方案的優(yōu)劣[50]。

中外學者對成本效益分析進行了大量研究，張春霞等[51]初步建立了橋梁預防性養(yǎng)護全壽命費用與優(yōu)化方法的基本理論框架，將預防性養(yǎng)護費用表示為養(yǎng)護開始時間與養(yǎng)護間隔時間的函數，并在滿足耐久性前提下，計算出最少的養(yǎng)護成本。曾勇等[52]提出了必要性維修、基于使用維修、基于狀況維修3種維修方式的成本計算公式，并給出了3種維修方式在滿足最低可靠性能指標時的年均成本。Hatami等[53]利用LCCA作為決策支持工具，用于橋梁管理中常見的橋面鋪裝維護決策、伸縮縫更換決策和橋面加寬與橋面更換決策。分析了每種決策下不同維護方案的成本凈現值，給出了經濟效果最好的方案。

生命周期內養(yǎng)護成本預測往往受多種因素影響，預測的精度需要進一步考慮。Wu等[54]構建了一個使用半馬爾可夫過程的生命周期優(yōu)化模型，并指出維修策略的LCCA受到許多成本不確定因素的影響，如折現率的波動以及交通量的變化，需要使用靈敏度分析或概率方法對成本不確定性進行研究。Nili等[55]結合遺傳算法和離散事件仿真，提出了一種新的基于仿真的橋梁維修優(yōu)化框架，在成本分析中考慮了維修的時間進度、工作區(qū)間、工作人員規(guī)劃以及交通限制情況，并在實際案例中應用，結果證明了它在尋找最佳維護計劃方面的高效以及估計成本方面的準確性。高楠等[56]綜述了中外學者在橋梁養(yǎng)護成本預測方面考慮了橋齡、交通量、養(yǎng)護時間等影響?zhàn)B護成本因素的研究方法，介紹了各個模型在實際應用中的優(yōu)勢以及在未來研究過程中還可深入研究的方向。

總的來說，中外學者對養(yǎng)護成本預測進行了大量研究，其方法較為成熟，目前成本預測分析在單一橋梁或構件上使用較多，精度也較高，橋梁養(yǎng)護往往以某線路為單位考慮，路網內橋梁養(yǎng)護成本分析很重要，對于區(qū)域路網內的橋梁，不同橋梁不同病害導致的養(yǎng)護成本不一樣，且不同橋梁養(yǎng)護成本影響因素存在差異，因此針對路網橋梁的成本分析還需進一步研究。

2.2 最優(yōu)養(yǎng)護時機

制定橋梁合理養(yǎng)護策略關鍵在于找到最優(yōu)養(yǎng)護時機，橋梁養(yǎng)護優(yōu)化可分為單目標優(yōu)化和多目標優(yōu)化。

單目標往往以最低養(yǎng)護成本為目標，其優(yōu)化計算得出單一最優(yōu)養(yǎng)護方案不一定能滿足橋梁管理人員對橋梁性能的特定要求，多目標優(yōu)化的目標有可靠度、橋梁技術狀況，預期生命周期成本、預期檢查成本、預期養(yǎng)護成本、預期用戶成本和橋梁冗余度等，利用Pareto最優(yōu)條件的概念，多目標優(yōu)化可以提供一組用于目標之間的權衡分析的最優(yōu)解，其考慮了多個競爭目標的最佳平衡，通過多目標優(yōu)化的應用，決策者可以更好地應對快速變化的環(huán)境。

Shim等[57]將橋面養(yǎng)護看作一個雙目標優(yōu)化問題，以橋面性能和養(yǎng)護成本作為優(yōu)化目標，并提出一種適用于非凸問題且只產生Pareto最優(yōu)解集的改進求解方法。Yang等[58]針對疲勞關鍵細節(jié)的檢查和維護問題，以預期生命周期成本、預期檢查成本和預期維護成本三目標進行優(yōu)化計算，得到生命周期成本最低的檢查維護方案，但該方法沒有直接考慮結構的性能，只是考慮了成本的優(yōu)化。

Kim等[59]以目標可靠度指標為約束，采用了雙目標(橋梁網絡可靠度和預期養(yǎng)護成本)、三目標(橋梁網絡可靠度、預期養(yǎng)護成本和預期用戶成本)、四目標(橋梁網絡可靠度、預期養(yǎng)護成本、預期用戶成本和橋梁網絡冗余度)優(yōu)化問題對一路網內橋梁進行分析，并對比了其優(yōu)化結果，表明四目標優(yōu)化的可靠性指標最高，因為只有四目標考慮了冗余度。由此可以看出，橋梁網絡的可靠度指標受到考慮其他目標的影響，在考慮多目標時，結果往往更合理。

多目標優(yōu)化問題求解方法主要有目標規(guī)劃方法和智能方法，目標規(guī)劃法求解多目標優(yōu)化Pareto最優(yōu)解一般難以保證準確度，智能方法，如遺傳算法、粒子群優(yōu)化算法等能更好適用多目標優(yōu)化。Yang等[60]提出了一種退化橋梁網絡生命周期管理的方法，考慮了由退化引起的橋梁故障相關的網絡級風險，并以橋梁網絡級風險和維護投資作為優(yōu)化目標，利用遺傳算法進行優(yōu)化計算，獲得最優(yōu)的生命周期維護策略，包括維護計劃和每個維護動作的成本。一般的智能算法往往也難以確保最優(yōu)解的精確性，因而常常被視為元啟發(fā)式算法，改進的智能算法目前應用越來越多。

Wang等[61]提出了一種非參數隨機子集優(yōu)化算法，用于有效地識別基于可靠性的重要度排序，為網級橋梁管理養(yǎng)護提供重要參考。黃天立等[62]提出了基于Gamma隨機過程和遺傳算法的銹蝕鋼筋混凝土橋梁結構檢測維護策略優(yōu)化分析方法，得到壽命期望和檢測維護成本預算下收益最大的檢測維護策略Pareto最優(yōu)解集。Yang等[63]對比了非支配排序遺傳算法(non dominated sorting genetic algorithm-II, NSGA-II)和多目標粒子群算法(multi-objective particle swam optimization-II, MOPSO-II)，結果表明MOPSO-II更有效且能夠得到全局解。

上述優(yōu)化問題中橋梁性能往往依靠可靠度表征，而橋梁技術狀況評分更為直觀簡潔，夏燁等[64]提出網級狀態(tài)評估與管養(yǎng)策略優(yōu)化框架，針對各類型數據建立了二次編碼規(guī)則，通過人工神經網絡得到最優(yōu)橋梁技術狀況退化模型，采用帶精英策略的非支配排序遺傳算法(NSGA-II)實現了路網級橋梁管養(yǎng)策略的機器尋優(yōu)，并求解給出了某路網50座橋梁的未來3年的備選維修方案集。

當路網中橋梁數量較多時，計算成本較大，針對此問題又提出布谷鳥搜索[65]、多目標優(yōu)化混合算法[66]等算法來解決。目前已經有很多學者對橋梁養(yǎng)護優(yōu)化進行了研究，但算法的應用理論、高效性、精確性、全局最優(yōu)等問題還需進一步研究。

總的來說，橋梁養(yǎng)護有較多的研究，各種多目標優(yōu)化模型以及優(yōu)化計算方法較為成熟，但仍存在優(yōu)化目標如養(yǎng)護對結構性能提升效果與實際情況有一定誤差以及優(yōu)化計算成本大的問題，優(yōu)化養(yǎng)護時機在工程實用中也未得到廣泛體現。未來該領域的研究方向一是更智能的優(yōu)化算法，高效、精確尋找最優(yōu)養(yǎng)護時機，目前的研究主要是針對路網橋梁或者某單一橋梁，另一研究方向則是在路網-全橋-構件3個層面的綜合養(yǎng)護策略。

3 結論

(1)物理退化模型基于材料及構件的物理性能演化來分描述結構的劣化過程，強調因果關聯(lián)，可解釋性強，但由于服役環(huán)境的復雜性以及外部荷載的隨機性影響，橋梁性能演化機理復雜，目前少數的多因素退化模擬往往只是將各退化因素影響簡單疊加，忽略了時間尺寸上的耦合性影響，此外，耐久性試驗結果的可靠性受尺寸效應限制，基于真實服役環(huán)境與荷載模擬的大比例、足尺模型試驗有待進一步的開展，多因素耦合作用下的橋梁長期性能演化機制解析與精準退化模型的建立仍有待進一步深入研究。

(2)橋梁結構退化過程本質上是隨機的，回歸模型建立了性態(tài)指標與時間之間的確定性關系，但忽略了隨機變量和數據的不確定性影響；隨機模型主要使用Weibull分布、Gamma分布等來描述退化過程，其準確性依賴檢測、監(jiān)測數據的長期積累；人工智能模型能夠建立服役特征與結構性態(tài)指標間復雜映射的關聯(lián)代理模型，影響參數的可解釋性對于代理模型的評價具有重要研究價值。

(3)橋梁養(yǎng)護其數學本質可歸納為帶約束多目標函數的優(yōu)化求解問題，在目標函數的建立方面，由于病害類型、養(yǎng)護時間、歷史養(yǎng)護情況、交通量、人工調度等參數與養(yǎng)護成本、養(yǎng)護時機等控制目標間的復雜隱性關系不易量化表達，導致顯性目標函數較難建立，影響了養(yǎng)護成本與時機的控制精度，基于概率神經網絡等人工智能算法，可望實現影響因素與控制目標之間的精確代理模型的建立；在目標函數的求解方面，路網內橋梁數量較多時，存在優(yōu)化計算成本大、精確度低、容易陷入局部最優(yōu)的問題，更具普適性的智能優(yōu)化算法有待進一步研究。