桥梁工程智能技术研究进展及展望

潘玥 ,  汪少雄 ,  陈艾荣 ,  邹希言 ,  金仲明 ,  华先胜

中国工程科学 ›› : 1 -19.

PDF (40095KB)
中国工程科学 ›› : 1 -19. DOI: 10.15302/J-SSCAE-2026.02.014

桥梁工程智能技术研究进展及展望

作者信息 +

State-of-the-Art and Prospects of Intelligence Technologies in Bridge Engineering: A Comprehensive Review

Author information +
文章历史 +
PDF (41056K)

摘要

我国桥梁基础设施规模庞大，整体上进入了性能衰减与集中养护维修的密集期，而高度依赖人工的传统运维模式难以应对复杂服役环境下的系统性安全保障压力。本文辨析了逻辑式模型、判别式模型、生成式模型、代理式系统4类桥梁工程智能技术范式的演进历程，系统梳理了相关研究进展：包括桥梁工程传感技术、桥梁健康监测系统的逻辑式桥梁工程智能技术，覆盖桥面移动荷载监测、构件异常识别与病害检测、桥梁监测数据审计、桥梁结构数值模拟与智能计算的判别式桥梁工程智能技术，关联大语言模型应用、几何模型构建、数值分析网格生成的生成式桥梁工程智能技术。进一步展望了轻量化边缘智能、垂直领域多模态大模型、全寿命周期知识图谱、工程群体智能与具身智能、面向可预测性维护的智能体基座等桥梁智能工程的未来发展方向。研究认为，现有智能方法与技术依然难以满足复杂服役环境下的高效率可信工程决策，不足以支撑逐步增长的桥梁安全、增韧、长寿需求；应着力探索和构建代理式系统并推动规模化应用，以桥梁工程智能技术能力升级推动交通基础设施高质量发展。

Abstract

China has a vast bridge infrastructure inventory that, on the whole, has entered a phase marked by intensive performance degradation and centralized maintenance. Traditional operation and maintenance paradigms, which heavily rely on manual labor, find it challenging to handle systemic safety assurance pressures under complex service environments. This study delves into the evolution trajectory of four types of intelligent technology paradigms in bridge engineering: logical models, discriminative models, generative models, and agent-based systems. It also reviews relevant research advances of the paradigms. Logic-based bridge engineering intelligence covers bridge sensing technologies and bridge health monitoring systems; discriminative bridge-engineering intelligence encompasses bridge-deck moving-load monitoring, component anomaly identification and defect detection, bridge monitoring data auditing, and structural numerical simulation with intelligent computing; and generative bridge-engineering intelligence involves applications of large language models, geometric model construction, and numerical-analysis mesh generation. Future directions are further discussed, including lightweight edge intelligence, domain-specific multimodal large models, full-lifecycle knowledge graphs, engineering swarm intelligence and embodied intelligence, and agent-based foundations for predictive maintenance. The study concludes that existing intelligent methods and technologies remain insufficient to support highly reliable engineering decision-making in complex service environments and cannot yet meet the growing demands for bridge safety, resilience enhancement, and service-life extension. Accordingly, research and development of agent-based systems for bridge engineering should be prioritized and their large-scale deployment promoted, thus to upgrade the capabilities of intelligent technologies in bridge engineering and advance the high-quality development of transportation infrastructure.

Graphical abstract

关键词

桥梁工程 / 工程智能 / 桥梁运维 / 逻辑式模型 / 判别式模型 / 生成式模型 / 代理式系统

Key words

bridge engineering / engineering intelligence / bridge operation and maintenance / logical model / discriminative model / generative model / agent-based system

引用本文

引用格式 ▾
潘玥,汪少雄,陈艾荣,邹希言,金仲明,华先胜. 桥梁工程智能技术研究进展及展望[J]. 中国工程科学, , (): 1-19 DOI:10.15302/J-SSCAE-2026.02.014

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

桥梁作为交通基础设施的核心组成部分，长期承受交通荷载、环境侵蚀、自然灾害影响，同时面临结构老化、材料劣化等问题，实施维护与安全保障成为工程领域的关键挑战之一。我国拥有世界规模最大的交通基础设施群（仅公路桥梁保有量就超过1.108×106座），目前开始进入性能退化高峰期、维护保养密集期。与此同时，交通需求持续提升，流量增长和重车比例提高导致荷载与环境因素的耦合作用更为复杂，桥梁实际服役工况已显著偏离原始设计假定，潜在的结构失效风险随时间递增[1-2]。在此背景下，传统上高度依赖人工经验、定期巡检、静态规范的桥梁运维方法体系显露出根本性局限，难以捕捉隐蔽的结构劣化信息，无法准确评估结构性能并作出前瞻性决策，因而桥梁安全保障面临系统性压力[3]。

当前，我国人工智能（AI）技术能力快速提升，有望支持解决工程领域系统性、复杂性、不确定性的核心难题，推动工程实践从依赖经验向数据驱动、智能决策的新模式演进，最终实现规模化应用并赋能工程实践。工程领域具有庞大的产业基础、明确的效能指标，是AI技术不可或缺的真实应用场景，也是催生AI从先进技术转变为新质生产力的“摇篮”[4]。推动AI与经济社会各领域深度融合成为国家重大布局，如《关于“人工智能+交通运输”的实施意见》（2025年）为交通运输行业智能化转型提供了明确的顶层设计与政策指引。工程智能技术将重塑交通运输行业的发展范式，成为支撑交通强国、科技强国建设的核心导向。

近年来，在桥梁全寿命周期智能化方面涌现出一批新理论、新方法、新路径、新应用。① 在桥梁概念设计与找型方面，结合拓扑优化的深度强化学习方法展现出概念生成、“端到端”找形的良好潜力[5-6]，数字化设计技术、数值分析技术贯穿于桥梁设计全过程[7]；图像识别技术可自动提取图纸信息，支持数字化模型的快速构建[8]；生成式模型能够依据设计需求“端到端”地提供桥梁构件设计方案[9]，显著提升设计效率。② 在桥梁施工过程管理方面，融合建筑信息模型（BIM）、物联网、深度学习算法的协同框架，在施工交通组织、安全管控、索力预测、应急管理等方面获得有效应用[10-13]。有限元代理模型加速数值仿真过程，增强变形控制、索力优化、性能评估等桥梁施工过程求解能力[14-15]。融合深度学习、多模态视觉系统的测量方法可实现结构位移的非接触式高精度监测[16]。基于神经辐射场的三维重建、多步筛选算法促进提升装配式施工的构件对位精度与安装质量[17]。融合AI技术的水下取土机器人、智能架梁吊机、超高桥塔智能建造一体机等施工装备已投入工程应用[18]。③ 在桥梁运维中的工程性态感知方面，基于无线传感器网络、物联网设备的智能系统能够高分辨率、全天候地采集结构响应、环境参数、运营荷载等数据[19]，智能运维平台已在沪苏通长江大桥、港珠澳大桥上获得深度应用[20-21]。大数据分析技术能处理多源异构数据，识别与结构健康状态相关的关键指标[22-23]。机器学习算法可从历史监测数据中学习损伤演化规律，开展性能退化预测和风险评估[24-25]。智能算法能有效处理运维过程中的不确定性和多目标优化问题。贝叶斯网络、概率图等模型可集成先验知识和实时监测数据，提供概率性风险评估结果以支持科学决策[26-27]。基于数字孪生、有限元方法开展桥梁状态仿真和假设分析，可提高决策的鲁棒性与预见性[28]。优化算法能求解复杂约束下的资源分配问题，提供高风险构件优先处理建议，延长整体结构寿命[29]。预测性维护模型可提供早期故障预警，减少突发维修需求并降低全寿命周期成本[30]。

综合来看，智能技术能够提供涵盖数据采集、状态诊断、预测预警、决策支持等环节的综合解决方案，也以不断进化的能力满足未来桥梁工程的应用需求[31]；推动桥梁工程智能化是领域技术升级的必然趋势，有望突破传统工程范式在应对复杂性、系统性、不确定性风险时的能力瓶颈。本文从桥梁智能工程视角出发，把握桥梁工程与AI技术交叉融合的发展过程，明晰桥梁工程智能范式的“逻辑式模型 ‒ 判别式模型 ‒ 生成式模型 ‒ 代理式系统”四阶段演进路径，梳理各阶段的代表性研究进展并展望未来技术发展方向，促进桥梁工程智能的学术认知与工程需求进一步融合。

二、 桥梁工程智能技术范式演进

AI自1956年提出以来历经数次发展热潮，目前在算据、算法、算力的共同支撑下显现出赋能诸多行业的重大潜力，成为相关行业创新发展的核心动力之一。泛化能力的持续突破是AI能力演进的重要表征。早期的AI研究主要基于符号主义方法，以专家系统、静态知识图谱为代表，通过预设的符号逻辑进行推理，适应医疗诊断、故障排查等特定场景以及规则化问题求解，但处理过程复杂、非结构化数据学习与泛化能力不足。随后，以“人工特征构造+支持向量机”、决策树等分类模型为代表的浅层机器学习方法得到发展，可在特定任务数据上学习统计规律并降低对人工规则的依赖，然而应用性能依赖特征工程，智能水平局限于特定任务范畴。随着智能算法发展所需的算力、算据条件更加成熟，以深度神经网络为代表的AI技术迅速发展，突破传统浅层表示学习的范畴并进入深度学习阶段，泛化能力得到显著提升，在自然语言处理、图像识别、语音合成等方面获得规模化应用。近年来，随着模型参数规模的不断增加以及注意力机制、去噪扩散概率模型等核心算法的持续改进，以生成式预训练变换模型为代表的大语言模型、以扩散模型为代表的多模态模型，在开放域对话、知识问答、图像生成等方面呈现出智能涌现的能力，极大地推动了AI从技术突破转化为新质生产力的进程，开启了智能体使能传统领域转型发展的新阶段。

工程是人类整合物质流、能量流、信息流要素来改造世界的实践活动[32]。AI技术与工程实践及应用场景深度融合的趋势已经显现，形成了以工程智能理论为核心的变革型技术范式：AI赋能工程信息流全链条，以自动化或半自动化方式解决工程问题。对于更为具体的桥梁智能工程领域而言，更加突出工程智能技术在桥梁材料设计、构件设计、建造施工、运维管养、改造拆除全链条上各类任务的应用[33]。从工程信息流角度看，桥梁工程智能技术遵循采集、处理、表达、分析、服务的一般过程：基于传感设备、传感器网络等感知手段获取信息，经清洗、对齐、补全、融合等手段处理后，通过实体模型或数学模型进行表达；依托物理驱动、数据驱动、融合驱动等方式开展分析，所得结果服务于实际工程问题的判别、优化与决策；最终形成赋能全寿命周期的桥梁智能工程，推动桥梁工程数智化转型与智能化升级。伴随着AI的代际升级，桥梁工程智能技术不断演进，形成了以逻辑式模型、判别式模型、生成式模型、代理式系统为核心的应用范式（见图1和表1）。

（一） 逻辑式模型

早期的桥梁工程信号采集与监测预警任务研究，主要结合逻辑式模型并将领域知识规则化，支持各类任务的自动化处理。在信息表征上主要依托数字传感器对桥梁真实物理状态进行连续采集，获得离散且规范的计算机可读数据，为进一步的符号推理提供输入，由此构成系统信息处理的基础。在智能推理方面，以条件规则为核心的静态知识图谱成为研究重点，通过“如果 ‒ 那么”型的逻辑比较与符号演绎进行推理，过程具有确定性、结果具有可解释性[34]。从应用效果来看，通过集成数据库、规则库、推理引擎，实现无需人工干预的全流程闭环操作，确保处理的实时性与一致性，达到自动化的应用效果[35]。整体上，逻辑式模型已经具备桥梁工程智能技术的完整流程，应用场景集中在信息采集与处理，具有处理边界清晰、因果关系明确这类确定性问题的任务特点。

（二） 判别式模型

随着机器学习技术的演进，判别式模型的应用成为另一个阶段性的研究热点。将数据转化为信息密度更高的向量特征描述，进而基于统计分析和优化过程开展桥梁重要信息的挖掘与表示，形成具有一定泛化能力的输入 ‒ 输出映射模型，能够解决分类、回归预测等工程实践问题。在信息表征上，通过特征工程或深度学习提取判别性的特征向量，以条件概率分布的形式表达预测结果，增强对不确定性问题的表达能力。从应用效果看，可从海量数据中自动学习复杂的非线性映射关系，在桥梁工程病害识别、移动荷载监测、传感器异常诊断等复杂信息表达及分析问题上展现出智能化能力[36-38]。

（三） 生成式模型

随着网络规模的扩大、涉及参数的增多，以生成式大模型为核心的生成式模型逐渐成为桥梁智能工程领域的新发展方向。通过学习数据集的整体分布，实施多模态信息的统一语义表示，可生成跨模态的数据样本，为人机交互、桥梁运维管理、概念方案设计、快速建模等提供新方法[39]。这类信息利用体现出更高层次的语义表示与上下文信息融合能力。区别于判别式模型的单一概率分布，生成式模型的推理依赖复杂的联合概率分布，从而具备条件生成、数据补全、分布外推等系列化的能力；也超越简单分类判别，在几何模型构建、数值分析网格生成等方面涌现出创造性生成、跨模态互译、类人认知及推演等智慧化应用效果，为解决桥梁工程中开放性问题所需的问答、预测、未知探索提供新路径[40]。

（四） 代理式系统

随着逻辑式、判别式、生成式模型技术的深入应用与融合发展，代理式系统成为智能范式演进的高级形态，旨在构建可解决实际工程问题的智能体应用，被视为未来桥梁智能工程发展的新方向[41]。在算据上，着重构建以专业知识为核心的动态图谱[42]。在推理模式上，围绕多种行动策略组合的总体收益进行自主决策，可在动态与开放的环境中以最小化人工干预的方式自主执行一系列复杂任务。通过“感知 ‒ 分析 ‒ 决策 ‒ 执行”闭环的自主过程，解决桥梁和桥群全寿命周期运维管理中空间分布广、多目标寻优、动态过程演化等综合性难题[43-44]。

三、 逻辑式桥梁工程智能技术进展

（一） 桥梁工程传感技术

桥梁工程数字化的直接目的是将桥梁结构的物理状态转化为规则化储存、可计算分析的数字信号。以传感技术为基础，不断拓展可感知物理量的维度、精度和范围，进而开展数据的获取、传输和初步解析[45]。

早期的传感技术主要涉及接触式点传感器。电阻应变计作为最基础的传感器类型，解决了结构表面局部应变的数字化测量问题，为验证设计理论、评估静载性能提供了直接的数据基础。线性可变差动变压器、振弦式传感器在测量静态位移、实施长期稳定监测方面取得了进展，尤其是振弦式传感器具有较强的频率信号抗干扰能力，适用于基础沉降等慢变参数的监测。压电式加速度计可将振动加速度转化为电信号，适用于结构频率、阻尼比等动力参数识别[46-48]。

应用分布式感知与无线组网技术，实现感知范围从“点”到“线”乃至网络维度的拓展。光纤布拉格光栅传感器利用光栅波长对应变、温度的敏感性，支持在一根光纤上串联多个测点，解决了准分布式应变场、温度场的数字化问题，也具有抗电磁干扰、高耐久性的优点，提高了长期监测数据的可靠性[49]。基于布里渊和拉曼散射的分布式光纤传感技术支持开展真正意义上的连续空间测量[50]。此外，无线传感器网络技术发展迅速，集成了微机电系统传感器、微处理器、无线通信模块，解决了大规模传感器网络部署中布线复杂、成本高昂的瓶颈问题，扩展了数字化感知的覆盖范围[51-53]。

非接触测量技术提供了宏观尺度上的形状、位置、运动状态的高阶数字描述[54-61]，使桥梁从局部响应可感拓展至宏观空间可知。全球卫星导航系统技术解决了桥梁关键点在全局坐标系下三维绝对位移的长期、连续数字化问题。全站仪自动监测系统提供了针对多测点三维坐标的高精度、周期性自动化测量能力。地面激光扫描（LiDAR）、数字图像相关法（DIC）等光学测量技术推动了桥梁整体及局部精细几何外形的高分辨率数字化处理：前者可快速获取高精度的三维点云数据，适用于数字化建档和结构变化监测；后者能够分析物体表面的散斑图像，解决了结构表面全场位移与应变场的非接触式、高空间分辨率数字化问题，适用于结构响应监测和精细力学行为研究。

此外，将传感功能融入桥梁关键构件本体，形成了具有传感器功能的桥梁智能构件，如基于压阻效应／压电效应的自感知混凝土[62]、光纤布拉格光栅封装于钢索内部实现索力自主感知的智慧索[63]、基于楔形转换器与原位校准机制的智慧支座[64]等。相较外置式传感器，这些桥梁智能构件具有自主感知、全寿命周期低碳等优势，但在长期服役可靠性、工程现场可校准与可追溯性、长期服役监测精度等方面仍待验证和提升。

未来，桥梁工程传感技术朝着微型化、高集成度、低功耗、轻量化方向演进。随着感知维度和密度的不断提升，采集数据规模将呈指数级增长，单纯依赖云端集中处理将面临传输带宽、实时性、功耗方面的严峻挑战，因而“感 ‒ 传 ‒ 算”一体化的边缘智能终端应用成为发展趋势。

（二） 桥梁健康监测系统

规则化的目标是将桥梁运维决策中的经验性、主观性活动转化为自动化程度较高的标准流程，桥梁结构健康监测系统（SHM）研究与应用是这种思路的集中体现。桥梁SHM指利用传感、物联网、信息技术解析结构响应、识别结构损伤、实时监测预警、提供决策支持的综合过程。目前，桥梁SHM经历了持续演进与升级，形成了成熟的应用模式和标准流程，应用对象也从长大跨径桥梁向中小跨径桥梁延伸，为交通基础设施的广泛智慧化管理筑牢了基础。

20世纪80年代到21世纪初，桥梁SHM应用于英国福伊尔桥、挪威斯堪桑德桥、丹麦大带东桥以及我国青马大桥、东海大桥，在相关桥梁的安全维护中发挥了关键作用。得益于应用范围的拓宽，桥梁SHM应用的标准化程度不断提升，如在数据采集环节形成了传感器选型、布点、采样频率的规范化协议[65]，在数据处理环节建立了去噪、补缺、异常值处理的标准化流程[66]。在模态分析算法成熟后，桥梁SHM可从环境振动数据中自动辨识结构模态参数[67]，最终形成了数据同步、特征提取、偏差计算、阈值比对、预警触发闭环的自动化评估流程[68]。

近年来，轻量化的桥梁SHM因更经济、更易部署的特性成为重要发展方向，已在多类桥梁场景中得到应用；能够克服传统监测系统成本高、能耗大、部署复杂的局限，从长大跨径桥梁向量大面广的中小跨径桥梁、资源受限服役环境延伸[69]。在系统设计层，遵循传感器覆盖主要风险源并最少化部署的原则，综合采用多种方法从稀疏观测数据中获取有效信息并评估结构状态[70]。在硬件与感知层，采用非接触式设备替代传统的接触式传感器阵列，支持低功耗、易部署的感知 ‒ 采集一体化[71]。在算法与模型层，建立精度满足要求、参数量大幅降低的轻量化模型，降低计算负担并可在边缘设备上开展实时推理[72-75]。在系统与架构层，引入“云 ‒ 边”协同优化、开展计算任务智能调度，以降低系统能耗并加速任务处理[76]。

四、 判别式桥梁工程智能技术进展

（一） 桥面移动荷载监测

桥面移动荷载的精准识别是开展桥梁安全评估、疲劳分析、运维管理的关键前提。基于称重系统的传统方法存在安装成本高、影响交通、测点有限等局限[77]。深度学习方法具有强大的特征提取与非线性拟合能力，为桥面移动荷载监测提供了数据驱动的解决方案。

在基于计算机视觉的方法应用中，可通过摄像头直接获取荷载图像或视频，再应用深度学习模型自动提取物理参数[78]。例如，目标检测算法（如YOLO、Faster R-CNN）可实现车辆的实时检测、追踪与识别[79]；语义分割网络（如U-Net）能对轮胎、车轴等部件进行像素级分割，与相机标定技术结合后换算出速度、轴距等关键参数[80]。将视觉识别、桥梁影响线理论进行集成，能在多车工况下精确识别轴重与总重。对于行人荷载，视觉方法同样可用于统计人流密度、估计行人步频及轨迹，为评估人行桥的振动性能提供输入[81]。该方法具有非接触、信息丰富的优势，但精度易受光照、天气、遮挡等因素的影响，对计算资源要求较高。

在基于时序数据分析的荷载动态反演方法应用中，建立结构响应、输入荷载之间的非线性映射，据此开展荷载识别。循环神经网络及其变体（如长短期记忆网络）具有时序依赖特性的处理能力，可从动态响应信号中直接估计移动荷载历程[82-83]。为了提升模型的泛化能力，可将物理先验知识（如车辆 ‒ 桥梁耦合模型）嵌入神经网络或者利用深度学习识别物理参数[84]。该方法对传感器布设优化、环境噪声抑制、跨场景泛化能力等提出了较高的要求。

基于多模态信息融合的智能监测系统整合视觉、结构响应等多源异质信息以提升复杂环境下的识别鲁棒性与完备性[85]。深度学习方法可有效对齐由融合视觉获取的荷载轨迹、身份信息以及由结构传感器捕获的动力效应信息，结合计算机视觉与称重传感器（或基于响应的称重方法），在复杂交通流中实现更精确的荷载识别[86-87]。此外，融合激光雷达、声音等信号，能够进一步丰富感知维度[88]。

桥面移动荷载监测仍面临模型泛化能力、依赖标注数据、复杂环境下的鲁棒性及计算效率等挑战，未来应侧重引入小样本学习、迁移学习、领域自适应、物理信息嵌入等深度学习方法，以构建更加智能和稳健的实用化系统。

（二） 构件异常识别与病害检测

判别式模型以传感获取的海量数据为基础，具有强大的数据拟合与模式识别能力，成为桥梁构件异常检测与表观病害识别的核心工具，推动从依赖专家规则到数据智能驱动的范式转变。桥梁构件的表观、形貌、内部状态等多维度感知能力取得了实质性进展，桥梁检测朝着自动化、精细化、智能化方向发展。

表观图像识别从依赖手工特征、浅层模型的阶段发展为由深度学习主导的规模化应用阶段。卷积神经网络可自动学习层次化特征，显著提升了复杂环境下病害识别的鲁棒性[89-90]。以YOLO、Faster R-CNN为代表的目标检测模型，支持桥梁构件及表观病害的快速定位与分类[91]；在模型改进时，引入多尺度特征融合与注意力机制以提升精度[92]，采取轻量化设计满足实时性需求[93]。以U-Net、DeepLab为代表的语义分割模型支持像素级的构件与病害分割和损伤量化[94]，在与Transformer等架构结合后对裂缝与桥缆缺陷的分割精度显著提升[95-96]。此外，生成对抗网络可用于数据增强，以应对少样本问题[97]。这些技术已集成至无人机等移动平台，实现自动化检测与报告生成[98]。

三维点云数据为表观病害识别提供了较为精确的三维几何与空间信息[99]，与判别式模型结合应用，使处理方式从基于配准和几何规则的比较发展为基于深度学习的特征直接学习[100]。以PointNet、PointNet++为代表的模型可直接处理非结构化点云，学习并提取空间点云的全局与局部几何不变性特征，适用于结构三维重建或异常检测。动态图卷积网络等模型以构建局部图结构的方式捕捉空间拓扑关系[101]，实现混凝土剥落、螺栓缺失等缺陷的识别。多模态融合方法结合点云、图像数据，进一步提高了复杂环境下的识别精度[102]。

声学探伤通过应力波信号分析来探测桥梁构件的内部缺陷或空间异常，判别式模型起到的核心作用是进行信号特征的自动提取与智能诊断[103]。在声发射监测中，一维卷积神经网络、长短期记忆网络可直接从波形或时频图中学习损伤特征，进而有效区分裂纹扩展、摩擦等不同机制产生的信号，获得早期识别与定位结果[104-105]。在超声波与冲击回波检测中，深度学习模型在“端到端”学习后能够自动解读复杂波形，实现内部缺陷定性识别与定量表征的自动化，降低了对专家经验和先验参数的依赖[106-107]。

（三） 桥梁监测数据审计

桥梁监测数据审计指智能算法自动识别传感数据中的异常情况，发展主线从基于固定阈值的规则方法演进至自主感知数据分布的智能识别模型[108]。早期方法依赖统计特征与阈值判定，主要根据数据的统计特性设定判别边界，如根据广义似然比来检验并识别传感器的故障模式。应用效果依赖数据分布的准确估计与人工阈值设定，而对复杂异常的适应性有限[109]。

深度学习模型可自动学习高维特征，提升了对复杂异常的识别能力。自编码器在重构误差的基础上实现无标注数据的异常检测[110]，如变分自编码器适用于无扰动风场数据的重建[111]。Transformer重构模型以无监督方式进行异常识别[112]。针对多模态数据，跨模态注意力机制可融合振动与声学信号进而增强特征区分能力[113]。

鉴于相应数据具有时空关联特性，图神经网络、注意力机制成为研究重点。图神经网络可融合结构拓扑信息，提供时空异常模式的定位能力[114]。在长序列建模优化方面，应用自注意力或图注意力机制来刻画多源监测数据中的时间依赖与变量关联，能够提升异常数据识别与审计的准确性[115]。特征选择与模型融合策略有助于平衡检测精度和计算开销[116]。该技术已发展为智能识别子系统，正朝着边缘计算与轻量化方向演进，有望集成至实时监测系统并保障数据质量。

（四） 桥梁结构数值模拟与智能计算

在有限元数值模拟过程中，计算网格的质量直接决定着模拟精度与效率，工程实践中常因计算效率受限而难以用于在线和实时的结构性能分析[117]。以判别式模型为核心的回归预测方法，为破解此类问题提供了新思路。

深度学习模型作为一类替代模型，能够显著加速参数化分析与优化设计过程，基本流程是利用有限元模拟生成数据集，再由训练神经网络学习出“端到端”的快速映射[118]。已有研究融合智能驾驶员模型、多尺度有限元方法，提高了悬索桥吊杆疲劳评估的保真度[119]。在材料性能预测方面，基于有限元生成细观构型数据集，采用优化的机器学习模型快速预测了螺旋碳纤维复合材料的宏观力学性能[120]。在动力学特性预测中，结合卷积神经网络、自编码器，获得了从桥梁设计参数到结构振型特征的即时映射[121]。在环境作用响应分析中，长短期记忆网络应用于建立温度场与主梁挠度之间的非线性时滞映射模型[122]。基于自编码器和聚类框架，开展了山区峡谷桥的风速模式识别与预测[123]。在振动响应分离方面，结合应用傅里叶特征编码、卷积神经网络模型，根据功率谱密度的差异有效分离了风致与车致振动成分[124]。此外，将有限元网格、节点关系作为物理信息嵌入图神经网络，结合长短期记忆网络，即可利用稀疏的传感器数据来高精度重建钢箱梁的全场温度分布[125]。

神经算子在学习函数空间之间的映射关系后，可提升复杂物理场推理的泛化能力，适用于不同分辨率或不同条件的场预测问题。在车致振动分析中，应用基于傅里叶神经算子的模型、损伤场与动力响应时空场的数据，针对正反问题进行了快速求解与识别[126]。变分脉冲小波神经算子借鉴了脉冲神经网络特性，在求解偏微分方程时兼顾了效率与精度[127]。

物理信息神经网络以嵌入的控制方程作为软约束（将偏微分方程融入损失函数、通过单次推理获得连续时空解），增强了模型在数据稀缺情况下的物理一致性与外推能力。在求解相场方程时，结合特定采样与加权策略的物理信息神经网络为多物理场模拟提供了新途径[128]。在流固耦合求解时，嵌入纳维 ‒ 斯托克斯方程的物理信息神经网络，仅需利用少量的散点数据即可精准重构流场并预测力特性[129]。类似的物理引导框架在整合数值模拟趋势、物理定律、稀疏测量数据的基础上，提升了全场温度预测的精度与泛化性[130]。

智能计算与桥梁数值模拟的融合形成了多层次的技术体系，从代理模型加速计算到神经算子实现高泛化场推理再到物理信息神经网络确保物理一致性，共同缓解了参数化研究、方案比选、实时预测面临的计算瓶颈。当然，仍面临一些挑战：代理模型的性能依赖大量的高质量数据，建模精度和数值误差的影响难以消除；深度神经网络的输出结果可解释性不足，影响工程决策的可信度；模型的跨场景、跨结构迁移能力需要进一步提升和验证。

五、 生成式桥梁工程智能技术进展

（一） 大语言模型应用

大型语言模型（LLM）是生成式AI的核心代表，可结合海量数据进行预训练以学习语言的内在规律与知识分布；通过特定的编码器将非文本异构数据进行语义化（为核心文本处理引擎所理解和处理），使LLM能够跨越模态界限，支持工程领域的复杂任务[131]。LLM作为知识处理与推理引擎，依托强大的自然语言处理、多模态融合与逻辑推理能力，应用于桥梁工程全寿命周期中的非结构化文本、图像、数据分析，已在特定任务上展现出显著成效。

在桥梁设计阶段，LLM以解析设计规范、历史图纸、专家知识的方式，整体性地提升了设计效率与知识复用水平。融合三维点云与智能图纸识别技术的自动有限元建模方法[132]，能够利用LLM自动提取结构信息，为桥梁数字化建模提供了自动化工具。在构建桥梁维护知识库时，结合LLM的知识图谱模式[133]，可提升节点分类与链接预测的准确性。基于LLM的自动化合规检查工具[134]能够解读行业规范并提取BIM数据，适用于桥梁设计的合规性审查。

在桥梁施工阶段，LLM主要用于质量控制和决策支持。应用基于LLM的思维链方法，从故障调查表中提取知识，结合图注意力网络开展耐候钢焊接缺陷的智能识别[135]。发展融合蒸馏模型动态增强图、贝叶斯网络的知识推送方法，利用微调LLM辅助构建知识图谱，实现装配工艺知识管理[136]。整合机器学习、LLM构建的高空坠落事故预防知识图谱，为施工安全提供直接的知识支持[137]。

在桥梁运维与健康监测阶段，LLM与多源异构数据结合，支持开展状态评估、损伤识别、决策辅助。采用LLM生成训练标签，结合轻量化信息抽取模型从桥梁检测报告中提取关键信息，提升了检测数据的提取精度和数据库的构建效率[138]。基于大语言模型的文本理解能力，将桥梁检测报告中的缺陷描述自动匹配至标准缺陷术语库并判断各个缺陷的重要程度，在低资源消耗条件下实现准确且稳定的缺陷记录对齐与重要性判断[139]。应用LLM对桥梁检测文本进行自动化、标准化处理，获得钢筋混凝土桥梁缺陷严重程度等级的准确判断与输出[140]。LLM也在铁路、公路、大尺度结构等工程领域获得广泛应用，为桥梁工程相关任务提供了直接借鉴。例如，基于LLM、图神经网络开发的铁路轨道沉降预测模型，能够集成文本日志和传感器数据[141]；多模态大模型系统应用于公路洪涝灾害风险识别，可生成结构化的结果与建议[142]；基于LLM、可解释Mamba模型的风力发电机叶片损伤识别方法，具有损伤特征选择与降维处理能力[143]。

（二） 几何模型构建

在生成式AI应用于工程领域的数字化表达时，几何模型构建是核心环节，根据生成目标与数据条件的差异性而呈现不同的应用效果。在原始数据不足的情况下，生成式智能依据文本描述、物理规律等显式规则直接创造新的几何形态（以“文生图”、拓扑优化为代表），适用于概念设计与创新需求；在有限且低维的观测数据基础上，以三维重建、单目深度估计为核心的生成式智能可以推断并生成完整的高维几何结构，支持快速、低成本的场景理解与状态估计。

“文生图”模型在学习海量图文配对数据的基础上，建立从文本语义到图像像素的跨模态映射关系，进而生成基于文本描述的图像[144]。采用编码器 ‒ 解码器框架，其中编码器将文字描述转化为语义向量，生成器（如扩散模型、生成对抗网络）据此合成图像[145]。在工程应用中发展成为参数化视觉生成平台，如生成符合指定骨料级配的混凝土细观结构[146]、创建建筑室内风格可视化方案[147]，但在生成复杂工程细节时难以保证严格的结构合理性与合规性[148]。

拓扑优化是在给定约束下寻找材料最优分布的生成式设计方法，传统的解析方法依赖有限元迭代而致计算成本较高。在引入深度学习方法后，建立从设计条件到最优拓扑的“端到端”映射，推动从迭代求解到“瞬时”生成的范式转变[149]。例如，基于PAENet的神经网络可直接根据边界条件生成三维拓扑构型[150]；针对应力约束问题，采用卷积神经网络模型并以有限元分析生成的应力云图、密度场、网格化应力分布数据为输入，能以可忽略的成本实现近优预测[151]。生成对抗网络在学习优化解的空间分布后，能快速生成多样化、高性能的新构型[152]，已应用于节点、加劲肋等局部构件设计[153-154]，也与LLM结合实现符合人类偏好的创意生成[155]。

三维重建技术用于从稀疏、不完整的观测数据（如图像、点云）生成完整、语义化的三维模型。在病害识别中，三维重建与深度学习分割相结合，可根据局部图像生成缺陷的完整三维量化模型，据此对裂缝等病害进行精准定位与参数计算[156-157]。在数字化建档过程中，基于LiDAR点云、AI语义分割方法，自动化地生成高精度的BIM构件[158]。

单目深度估计技术用于从单幅图像生成稠密深度图，实质上是深度神经网络学习从图像特征到深度信息的统计映射关系，显现了从极简输入生成几何信息的能力。现有方法主要包括依赖真实深度数据的监督训练、利用视频序列光度一致性进行的自监督学习。桥梁工程应用主要有从单目图像生成混凝土骨料等不规则材料物体的数字表亲模型[159]、根据单张历史照片估计桥梁的大致三维形态[160]，优势在于以牺牲部分绝对精度换取部署便捷性与生成速度，尤其适用于快速巡检与初步评估。

（三） 数值分析网格生成

桥梁工程数值模拟的精度与效率取决于计算网格的质量。传统的网格生成依赖人工经验，过程繁琐且难以保证复杂几何与物理场条件下的质量，事实上成为数值模拟的瓶颈环节[117]。生成式AI在学习高质量网格数据的隐式特征与物理规律的基础上，支持网格的自动、快速、智能化生成，成为驱动仿真变革的关键技术[161]。

建立从几何描述到理想网格的映射关系，是网格自动化生成的基本条件。早期依赖人工定义网格尺寸函数（MSF）来控制网格密度[162]。隐式几何神经网络突破了该限制，在学习几何隐式表达与MSF映射关系的基础上，能够根据已有网格数据自动预测MSF并生成对齐几何特征的非结构化网格[163]。生成式模型进一步融合多种AI范式，提升了对复杂几何的适应性。MeshLink框架集成深度学习模型，能够基于图神经网络开展结构化网格评估，支持网格数据的存储、链接与检索[164]。图神经网络在学习训练集的基础上，采用GraphSAGE模型修复网格缺失的连接信息，支持复杂裂纹仿真[165]。利用深度强化学习建立最优网格生成能力，将网格参数优化为几何形状函数，再以雅可比矩阵行列式比、偏斜度为指标，经单次迭代即可生成高质量的结构化网格[166]。

应用智能网格简化方法减少网格数量并维持分析精度，是另一类研究思路。六面体网格简化网络模型在学习网格特征与分析精度关系的基础上，经迭代后删除对精度影响较小的部分网格，同样能够控制误差水平[167]。强化学习与最优共形映射技术相结合，将表面结构化网格生成转化为序列决策过程，进而优化拓扑模板与奇异点布置[168]。基于几何深度学习的自动化参数化方法在学习几何特征与网格分布的映射关系基础上，可在大变形状态下保持网格的全局光滑性，减少人工干预并降低计算成本[169]。

六、 桥梁工程智能技术未来展望

桥梁工程智能技术的演进过程与AI前沿技术发展保持同步，为桥梁安全运维提供了重要支撑。然而，当前技术应用多为特定任务、局部场景、单一步骤、有限模式的智能化，缺少专业认知、自主决策、闭环反馈等高阶智能特征。为此，代理式系统作为智能技术的最新范式，与桥梁领域应用迅速结合，如桥梁工程智能体、具身机器人等成为新兴研究方向。相较逻辑式模型对规则与流程的自动化执行、判别式模型对信号高维特征的学习及识别、生成式模型对语义与几何的理解及创造，代理式系统更加强调动态、开放、复杂环境下的“感知 ‒ 分析 ‒ 决策 ‒ 执行”全过程自主智能，通过边缘智能、大模型、知识图谱、群体智能机制、数字底座等的集成优化与创新应用，构建类人的专业认知与行为方式，以规模化地解决复杂桥梁工程问题。

（一） 轻量化边缘智能

桥梁感知系统通常产生庞大的数据流，基于云的数据处理框架面临传输延迟、动态响应、即时存储等方面的压力。采用降采样、关键帧压缩等策略能够缓解相关压力，但致使结构分析依赖的数据呈现不同程度的失真[170]而不满足精确计算的要求，亟需构建“云 ‒ 边”协同的智能体框架。

边缘智能作为“云 ‒ 边”协同的智能体框架的重要部分，面临算力受限、功耗制约、算法适配等挑战。桥梁工程中的边缘智能研究聚焦边端病害识别、异常事件监测、传感网络数据聚合与预处理，发展了模型压缩、优化加速等软硬件关键技术。基于边缘智能的视觉识别系统在处理摄像头数据的基础上，自动识别桥梁表面裂缝和变形，提高了检测精度及速度[171-172]。声学传感器与边缘智能模型结合用于监测异常事件（如列车通过时的桥梁结构振动），实现低延迟触发和数据处理[173]。传感器网络在边缘节点上聚合数据，执行轻量级机器学习算法，实现荷载监测、故障预警并减少数据传输开销[174]。

也要注意到，在资源受限的条件下，当前嵌入边缘端的算法与计算模式均偏简化，难以应对复杂的工程场景需求。未来应重点关注轻量化多模态模型、有限元计算代理方法与硬件的协同设计及优化，推动边缘智能轻量化发展，更好应对桥梁全寿命周期的规模化感知需求。

（二） 垂直领域多模态大模型

垂直领域多模态大模型指针对特定行业优化的多模态大模型，以智能体对多模态信息的处理分析能力为标志，核心是“预训练+微调”范式；结合多模态对齐、提示学习、检索增强生成等技术，相比通用模型更加适配工程领域对认知深度与准确性的需求。目前，垂直领域多模态大模型在工程领域已有初步应用：在建筑自动化方面，多模态大模型用于自动化合规检查，可解析法规文本、提取BIM模型中的几何与属性数据、生成合规报告等[175]；在环境工程中，多模态大模型应用于洪水建模、沉积物运输分析，模型性能得到了融合遥感影像、数值模拟数据的验证[176]；在材料科学中，多模态大模型与微观图像、成分谱图相结合，通过多智能体自动化地探索材料空间，加速了合金设计过程[177]。

垂直领域多模态大模型是构建桥梁智能体的关键点。在桥梁设计、监测、维护过程中，垂直领域多模态大模型的性能将直接决定智能体对设计图纸、传感器时序数据、检测报告、影像资料等多模态数据的高效处理能力，也深刻影响历史数据融合、实时分析与决策评估全过程的技术可行性及工程可用性。当前，桥梁工程领域的垂直领域多模态大模型面临诸多挑战：模型易产生“幻觉”，输出的可靠性不足；领域内缺少规范的语义体系，难以获得多模态数据的统一表达；缺乏专业的提示词工程，制约模型在专业场景下的交互质量；缺少领域适配的模态转换机制，限制不同模态数据之间的有效对齐与融合。未来应聚焦高效的参数微调方法、高质量的多模态训练数据构造、高可信度的专家知识引入，重点在规范语义体系构建、专业提示词工程优化、领域适配的模态转换机制等关键问题上取得突破，以提升将多模态工程数据精准映射为工程语义的能力。

（三） 全寿命周期知识图谱

知识图谱支持知识的结构化存储和推理，是智能体决策能力的集中体现。在桥梁工程中，知识图谱支持多源数据集成、智能查询、决策辅助等功能，当前应用主要包括桥梁检查问答系统处理自然语言查询[178]、维护桥梁知识图谱的节点分类与链接预测增强数据完整性[179]、为LLM提供领域知识库并使相应推理匹配桥梁优化维护策略[180]、开展巡检路径语义化建模以支撑虚拟仿真环境下无人机的自适应路径规划与实时避障决策[181]。

知识图谱在基础设施领域的现有应用仍以静态数据架构和单向查询模式为主，难以支撑工程全寿命周期动态决策的复杂需求；融合桥梁工程物理机理的因果建模与推理机制缺失，难以适应复杂工况下的不确定性分析；图谱在线学习与自演化机制缺失，无法开展跨场景知识的迁移与持续积累。未来需重点关注：开发融合桥梁工程相关物理机理的因果推理模型，增强对复杂工况的推演解释能力；构建支持在线学习的自演化学习框架，支持知识演化与跨场景自适应决策，推动知识图谱向具有生长性的智能体决策中枢演进。

（四） 工程群体智能与具身智能

工程群体智能通过群体的涌现行为解决单体无法应对的复杂问题，有望应对工程场景中的多维、非线性、不确定性挑战[182]。相关概念源于群体行为的仿生研究并发展为群体智能优化算法，进一步与物理实体融合形成自主协作的工程集群系统[183]。

在桥梁结构健康监测方面，早期研究主要利用群体智能优化传感器布点，获取更加全面可靠的模态信息[184]。例如，层次狼群算法模拟狼群协作来建立三维优化准则，实现桥梁模态识别中传感器测点的全局优化配置[185]；行军蚁搜索优化器模拟行军蚁群体行为，优化无线传感器网络覆盖，减少覆盖空洞和重叠，提升数据完整性[186]；改进的方向性蝙蝠算法引入个体更新与淘汰机制，在噪声环境下实现梁式桥、桁架桥损伤位置及程度的精确识别[187]。相关进展表明，嵌入群体智能的传感器代理网络能够增强系统在感知、处理、决策等方面的能力。

在工程自动化方面，群体智能的分布式特性有利于适配复杂性、可扩展性、鲁棒性需求[188]，面向多峰、高维优化问题取得了全局探索与局部利用的平衡。针对无人机集群，采用混合人工势场 ‒ 蚁群优化方法，通过局部交互与自组织动态生成协同任务策略，提高了环境适应性与任务完成能力[189]，在复杂桥梁场景巡检工作中具有应用潜力。结合数字孪生、多智能体强化学习的无人机群体智能协同框架，在数字空间中训练出集群协同策略并部署至物理系统，实现“感知 ‒ 决策 ‒ 控制”闭环自治[190]。

具身智能强调智能并非仅限于计算过程，还应具备与真实物理环境交互的“感知 ‒ 决策 ‒ 行动”一体化能力，这是工程智能体用于真实复杂场景任务执行的关键形式与实现路径[191]；应用于基于行为规划与元学习的自适应装配机器人、可形态变化的水下无人机、高精度触觉接口系统，增强了机器人在复杂环境中的响应与执行能力[192-194]。具身智能技术在进一步成熟后，将推动群体智能系统在基础设施运维、灾害应急等场景中的规模化应用。

未来，工程群体智能与具身智能将进一步融合。具身智能技术为单智能体提供更强大的环境交互与任务执行能力，工程群体智能通过多智能体协同实现更大范围、更高复杂性的任务统筹与自适应优化，将在长期健康监测、智能巡检、灾害应急响应等场景中开展规模化、自适应、高可靠的工程化应用。

（五） 面向可预测性维护的智能体基座

可预测性维护是桥梁智能运维的最终目标。在桥梁性态精细感知与精确计算的基础上，由智能分析模型精准预测桥梁结构的潜在损伤与性能退化趋势，支持主动的精密调控养护与维修决策[195-196]，以提升桥梁运维的效率与经济性。

近年来，SHM的发展推动了集成式数字监测平台建设，以数据“采集处理 ‒ 分析 ‒ 管理”一体化为更高级别的信息集成与功能整合筑牢了基础。数字底座是数字平台进一步发展的成果，也是物理基础设施数字化运维的核心载体，强调融合多源数据与模型构建物理实体的多维数字化映射。基础设施智慧服务系统[33]是数字底座的典型代表，支持基于全寿命周期数据的一体化智慧决策。基于此类平台衍生出面向隧道智能建造的融合建模与闭环控制系统[197]、面向多源异构数据的管理与自动化分析方法[198]。在更广范围内构建统一的数据与服务集成平台将是城市级数字底座的关键组成[199]，基于物联网技术的管理系统支持面向基础设施状态的实时感知与信息传输[200]。数字底座采用开放式架构、标准化接口，具有良好的可扩展性，为物理世界提供可查询、可分析的数字镜像，实现各类算法与模型的模块化集成应用，为桥梁智能工程实践的持续迭代与智能化升级提供基础平台。

未来，在数字底座提供规范化、高质量数据以及各类专用模型的基础上，还需建设“感知 ‒ 分析 ‒ 决策 ‒ 执行”自主闭环的智能体使能平台，作为桥梁工程智能体应用及可预测性维护的核心载体。相关研究尚处起步阶段，构建智能体基座的必要条件不够完善，亟需围绕以下关键环节开展体系化攻关：多源异构感知数据的语义对齐与动态融合能力，垂直领域分析大模型与专业数值计算工具之间的标准化交互接口，统一的语义知识图谱，桥梁工程专业计算工具与智能体之间的标准化协议，面向桥梁全寿命周期任务场景和类人认知的提示词工程方法，智能体决策指令对具身终端的控制能力。

七、 结语

本文结合桥梁工程领域的最新进展，系统梳理了桥梁全寿命周期工程智能技术的演进脉络与现状。研究发现，伴随AI技术与范式的不断变革，以逻辑、判别、生成3类模型为特征的工程智能技术为桥梁传感、健康监测、移动荷载识别、构件病害检测、数据审计、智能计算、大语言模型、几何建模、数值网格生成等桥梁工程技术课题提供了新理论、新方法、新路径，也形成了一系列创新应用并提升了桥梁全寿命周期的信息感知、状态认知、计算分析、辅助决策能力。也要注意到，受制于智能模型在泛化能力、可解释性、跨场景适应性方面的共性短板，现有智能方法与技术依然难以满足复杂服役环境下的高可靠工程决策要求，不足以支撑进一步增长的桥梁安全、增韧、长寿需求。

展望未来，探索和构建以轻量化边缘智能、垂直领域多模态大模型、全寿命周期知识图谱、工程群体智能与具身智能、智能体基座为核心的代理式系统并推动规模化应用，既是支撑桥梁结构精细感知、精确计算、精准预测、精密调控的重要技术，又是实现高可靠工程决策、解决复杂桥梁工程问题及需求的关键路径，更是推动桥梁管理效能提升、实施桥梁可预测性维护的必要条件。持续推动桥梁智能工程领域发展、提升桥梁工程智能技术能力，对把握新一轮科技革命中的技术主导权、构建未来产业先发地位、推动交通基础设施高质量发展具有重要价值。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

《中国公路学报》编辑部. 中国桥梁工程学术研究综述·2024［J］. 中国公路学报，2024，37（12）：1-160.
[2]

Editorial Department of China Journal of Highway and Transport. A comprehensive review of bridge engineering research in China· 2024［J］. China Journal of Highway and Transport，2024，37（12）：1-160.
[3]

Ishibashi K，Furuta H，Nakatsu K. Bridge maintenance scheduling in consideration of resilience against natural disasters［J］. Frontiers in Built Environment，2020，6：574467.
[4]

Poli F，Bado M F，Verzobio A，et al. Bridge structural safety assessment：A novel solution to uncertainty in the inspection practice［J］. Structure and Infrastructure Engineering，2025，21（3）：421-435.
[5]

同济大学工程智能研究院. 工程智能白皮书［R］. 上海：同济大学工程智能研究院，2025.
[6]

Institute of AI for Engineering， Tongji University. White paper on engineering intelligence［R］. Shanghai：Institute of AI for Engineering， Tongji University，2025.
[7]

Tsumoto R，Yaji K，Nomaguchi Y，et al. Deep concept identification for generative design［J］. Advanced Engineering Informatics，2025，65.：103354.
[8]

Bleker L，Tam K M，D’Acunto P. Logic-informed graph neural networks for structural form-finding［J］. Advanced Engineering Informatics，2024，61：102510.
[9]

周绪红，张喜刚，刘界鹏， 桥梁结构智能设计研究现状及展望［J］. 中国公路学报，2025，38（6）：1-16.
[10]

Zhou X H，Zhang X G，Liu J P，et al. State-of-the-art and prospect on intelligent design of bridge structures［J］. China Journal of Highway and Transport，2025，38（6）：1-16.
[11]

Chen Y X，Gao C H，Chen Q J，et al. Automated finite element modeling method for steel bridges integrating 3D point clouds and intelligent drawing recognition technology［J］. Automation in Construction，2025，179：106466.
[12]

Jia B Y，Liang Z F，Ou W T，et al. End-to-end intelligent rapid design method for bridge single-pile based on generative adversarial networks［J］. Engineering Structures，2026，352：122090.
[13]

Lou O Y，Wang M，Zheng S R. Traffic load prediction for bridge construction based on Internet of things and BIM［J］. Alexandria Engineering Journal，2025，127：56-65.
[14]

Gao F Y，Wang C，Wang D F，et al. Safety hazard inspection system during typhoon warning period to improve the disaster resistance ability of road and bridge construction site［J］. International Journal of Disaster Risk Reduction，2024，113：104876.
[15]

Zhu J，Zhang J B，Zhu Q，et al. Virtual geographical scene twin modeling：A combined data-driven and knowledge-driven method with bridge construction as a case study［J］. International Journal of Digital Earth，2024，17（1）：1-23.
[16]

Xie W W，Zhou X H，Qin D Y，et al. Prediction of construction cable forces of CFST arch bridge based on DNN［J］. Structures，2024，61：106012.
[17]

Elsawwaf A，El Naggar H. Performance-based evaluation of large-span soil-steel bridges during construction using a FE-AI hybrid technique［J］. Engineering Structures，2026，356：122422.
[18]

Zhou X H，Cao L，Xie W W，et al. DNN surrogate model based cable force optimization for cantilever erection construction of large span arch bridge with concrete filled steel tube［J］. Advances in Engineering Software，2024，189：103588.
[19]

Zhan Y L，Huang Y Y，Fan Z H，et al. Computer vision-based pier settlement displacement measurement of a multispan continuous concrete highway bridge under complex construction environments［J］. Structural Control and Health Monitoring，2024，2024：1866665.
[20]

Lee G，Asad A T，Shabbir K，et al. Robust localization of shear connectors in accelerated bridge construction with neural radiance field［J］. Automation in Construction，2024，168：105843.
[21]

周功建，赵训刚，刘杰， 大跨桥梁智能建造关键共性技术研究［J］. 桥梁建设，2025，55（6）：16-24.
[22]

Zhou G J，Zhao X G，Liu J，et al. Research on key common technologies in intelligent construction of long-span bridges［J］. Bridge Construction，2025，55（6）：16-24.
[23]

Ma Y K，Chun Q，Zhang C W，et al. Structural health monitoring and quantitative safety evaluation methods for ancient stone arch bridges［J］. Journal of Cultural Heritage，2024，70：366-380.
[24]

景强，郑顺潮，梁鹏， 港珠澳大桥智能化运维技术与工程实践［J］. 中国公路学报，2023，36（6）：143-156.
[25]

Jing Q，Zheng S C，Liang P，et al. Technologies and engineering practices of intelligent operation and maintenance of Hong Kong‒Zhuhai‒Macao bridge［J］. China Journal of Highway and Transport，2023，36（6）：143-156.
[26]

张贵忠，赵维刚，张浩. 沪通长江大桥数字化运维系统的设计研发［J］. 铁道学报，2019，41（5）：16-26.
[27]

Zhang G Z，Zhao W G，Zhang H. Design and development of digital operation and maintenance system for hutong Yangtze River bridge［J］. Journal of the China Railway Society，2019，41（5）：16-26.
[28]

Qu C X，Zhang H M，Yi T H，et al. Anomaly detection of massive bridge monitoring data through multiple transfer learning with adaptively setting hyperparameters［J］. Engineering Structures，2024，314：118404.
[29]

Kim H，Kim C. Deep-learning-based classification of point clouds for bridge inspection［J］. Remote Sensing，2020，12（22）：3757.
[30]

Li G，Li X Y，Zhou J，et al. Pixel-level bridge crack detection using a deep fusion about recurrent residual convolution and context encoder network［J］. Measurement，2021，176：109171.
[31]

Wang Y C，Zhu Y J，Xiong W，et al. A few-shot word-structure embedded model for bridge inspection reports learning［J］. Advanced Engineering Informatics，2024，62：102664.
[32]

Heinen S K，Gonçalves M S，Lopez R H，et al. Hierarchical Bayesian strategy with second order autoregressive errors for model updating employing B-WIM data［J］. Structures，2024，66：106835.
[33]

Lei X M，Sun L M，Xia Y. Seismic fragility assessment and maintenance management on regional bridges using Bayesian multi-parameter estimation［J］. Bulletin of Earthquake Engineering，2021，19（15）：6693-6717.
[34]

Zhang Z P，Fu Y G，Sun Z. Advancements in digital twin-enhanced health monitoring and condition assessment of cable-supported bridges［J］. Structures，2025，79：109448.
[35]

Pastore T，Mariniello G，Asprone D. A simheuristic approach to scheduling sustainable and reliable maintenance for bridge infrastructure［J］. Mathematics，2024，12（21）：3420.
[36]

Yang Y X，Xin J Z，Tang Q Z，et al. Prediction method of condition degradation for network-level bridges based on U-Net++ convolutional neural network［J］. Measurement，2025，241：115748.
[37]

Niyirora R，Ji W，Masengesho E，et al. Intelligent damage diagnosis in bridges using vibration-based monitoring approaches and machine learning：A systematic review［J］. Results in Engineering，2022，16：100761.
[38]

United Nations Educational，Scientific and Cultural Organization. Engineering：Issues，challenges and opportunities for development［EB/OL］. ［2026-04-15］. https：//unesdoc.unesco.org/ark：/48223/pf0000214229.
[39]

朱合华，李晓军，林晓东. 基础设施智慧服务系统（iS3）及其应用［J］. 土木工程学报，2018，51（1）：1-12.
[40]

Zhu H H，Li X J，Lin X D. Infrastructure smart service system （iS3） and its application［J］. China Civil Engineering Journal，2018，51（1）：1-12.
[41]

Pauwels P， Zhang S J， Lee Y C. Semantic web technologies in AEC industry： A literature overview［J］. Automation in Construction， 2017， 73： 145-165.
[42]

Yun C B，Min J. Smart sensing，monitoring，and damage detection for civil infrastructures［J］. KSCE Journal of Civil Engineering，2011，15（1）：1-14.
[43]

González A，Feng K，Casero M. Effective separation of vehicle，road and bridge information from drive-by acceleration data via the power spectral density resulting from crossings at various speeds［J］. Developments in the Built Environment，2023，14：100162.
[44]

Mac V H，Huh J，Doan N S，et al. A comprehensive study on identification of both deck and soffit defects in concrete bridge decks through thermographic investigation of shaded side under natural conditions［J］. Construction and Building Materials，2021，303：124452.
[45]

Zhang L Z，Liu Y，Du Y L，et al. Anomaly discrimination via spatiotemporal correlation analysis of time-varying sensor systems under sparse traffic loads［J］. Measurement，2026，260：119794.
[46]

David A N，Sewsynker-Sukai Y，Meyer E L，et al. Harnessing artificial neural networks and large language models for bioprocess optimization：Predicting sugar output from Kraft waste-based lignocellulosic pretreatments［J］. Industrial Crops and Products，2023，206：117686.
[47]

Preuss N，Alshehri A S，You F Q. Large language models for life cycle assessments：Opportunities，challenges，and risks［J］. Journal of Cleaner Production，2024，466：142824.
[48]

Luzolo P H，Elrawashdeh Z，Tchappi I，et al. Combining multi-agent systems and artificial intelligence of things：Technical challenges and gains［J］. Internet of Things，2024，28：101364.
[49]

Ding K Y，Yu J，Huang J J，et al. SciToolAgent：A knowledge-graph-driven scientific agent for multitool integration［J］. Nature Computational Science，2025，5（10）：962-972.
[50]

Pauwels P，Lee G，Borrmann A. Artificial intelligence for the built world［J］. Advanced Engineering Informatics，2026，70：104225.
[51]

Fang L，Shi J H，Wu L G，et al. Perspectives and prospects on embodied intelligence-empowered smart manufacturing［J］. Journal of Intelligent Manufacturing，2026：02763.
[52]

Ko J M，Ni Y Q. Technology developments in structural health monitoring of large-scale bridges［J］. Engineering Structures，2005，27（12）：1715-1725.
[53]

Helmi K，Taylor T，Zarafshan A，et al. Reference free method for real time monitoring of bridge deflections［J］. Engineering Structures，2015，103：116-124.
[54]

Costa B J A，Figueiras J A. Evaluation of a strain monitoring system for existing steel railway bridges［J］. Journal of Constructional Steel Research，2012，72：179-191.
[55]

Wu T，Tang L，Shao S，et al. Accurate structural displacement monitoring by data fusion of a consumer-grade camera and accelerometers［J］. Engineering Structures，2022，262：114303.
[56]

Rodrigues C，Cavadas F，Félix C，et al. FBG based strain monitoring in the rehabilitation of a centenary metallic bridge［J］. Engineering Structures，2012，44：281-290.
[57]

Nazarian E，Ansari F，Zhang X T，et al. Detection of tension loss in cables of cable-stayed bridges by distributed monitoring of bridge deck strains［J］. Journal of Structural Engineering，2016，142（6）：04016018.
[58]

Kurata M，Kim J，Lynch J P，et al. Internet-enabled wireless structural monitoring systems：Development and permanent deployment at the new Carquinez suspension bridge［J］. Journal of Structural Engineering，2013，139（10）：1688-1702.
[59]

Chae M J，Yoo H S，Kim J Y，et al. Development of a wireless sensor network system for suspension bridge health monitoring［J］. Automation in Construction，2012，21：237-252.
[60]

Sung Y C，Miyasaka T，Lin T K，et al. A case study on bridge health monitoring using position-sensitive detector technology［J］. Structural Control and Health Monitoring，2012，19（2）：295-308.
[61]

晏班夫，欧阳康，梁才. 桥梁工程中非接触位移测量技术研究综述［J］. 交通运输工程学报，2024，24（1）：43-67.
[62]

Yan B F，Ouyang K，Liang C. Review on research of non-contact displacement measurement technologies in bridge engineering［J］. Journal of Traffic and Transportation Engineering，2024，24（1）：43-67.
[63]

余加勇，邵旭东，孟晓林， 基于自动型全站仪的桥梁结构动态监测试验［J］. 中国公路学报，2014，27（10）：60-67，95.
[64]

Yu J Y，Shao X D，Meng X L，et al. Experiment of dynamic monitoring of bridge structures using robotic total station［J］. China Journal of Highway and Transport，2014，27（10）：60-67，95.
[65]

余加勇，邵旭东，晏班夫， 基于全球导航卫星系统的桥梁健康监测方法研究进展［J］. 中国公路学报，2016，29（4）：30-41.
[66]

Yu J Y，Shao X D，Yan B F，et al. Research and development on global navigation satellite system technology for bridge health monitoring［J］. China Journal of Highway and Transport，2016，29（4）：30-41.
[67]

Abedin M，Mehrabi A B. Health monitoring of steel box girder bridges using non-contact sensors［J］. Structures，2021，34：4012-4024.
[68]

Fu L，Ahmed Z，Kim D，et al. Monitoring dynamic behavior of bridges through wavelet transform of laser Doppler vibrometer signal［J］. Journal of Civil Structural Health Monitoring，2025，15（6）：1639-1654.
[69]

Xi R J，Jiang W P，Xuan W，et al. Performance assessment of structural monitoring of a dedicated high-speed railway bridge using a moving-base RTK-GNSS method［J］. Remote Sensing，2023，15（12）：3132.
[70]

Zhang G W，Wu Y L，Zhao W J，et al. Radar-based multipoint displacement measurements of a 1200-m-long suspension bridge［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，167：71-84.
[71]

Omar T，Nehdi M L. Remote sensing of concrete bridge decks using unmanned aerial vehicle infrared thermography［J］. Automation in Construction，2017，83：360-371.
[72]

Siahkouhi M，Rashidi M，Mashiri F，et al. Application of self-sensing concrete sensors for bridge monitoring—A review of recent developments，challenges，and future prospects［J］. Measurement，2025，245：116543.
[73]

张鸿，杨建平，范典， 深中大桥主缆智慧索股研制与工程应用［J］. 桥梁建设，2025，55（2）：1-9.
[74]

Zhang H，Yang J P，Fan D，et al. Development and application of smart main cable strands in Shenzhong bridge［J］. Bridge Construction，2025，55（2）：1-9.
[75]

Wang J M，Wu D C，Guo J. Long-term force-measurement for bridge smart bearing capable of in-situ calibration［J］. Measurement，2026，275：121301.
[76]

Guo Y L，Ni Y Q，Chen S K. Optimal sensor placement for damage detection of bridges subject to ship collision：Optimal sensor placement for damage detection of bridges［J］. Structural Control and Health Monitoring，2017，24（9）：1963.
[77]

Jian X D，Zhong H Q，Xia Y，et al. Faulty data detection and classification for bridge structural health monitoring via statistical and deep-learning approach［J］. Structural Control and Health Monitoring，2021，28（11）：2824.
[78]

Mao J X，Wang H，Fu Y G，et al. Automated modal identification using principal component and cluster analysis：Application to a long-span cable-stayed bridge［J］. Structural Control and Health Monitoring，2019，26（10）：2430.
[79]

García-Macías E，Ruccolo A，Zanini M A，et al. P3P：A software suite for autonomous SHM of bridge networks［J］. Journal of Civil Structural Health Monitoring，2023，13（8）：1577-1594.
[80]

伊廷华，郑旭，杨东辉， 中小跨径桥梁结构健康监测系统轻量化设计方法［J］. 振动工程学报，2023，36（2）：458-466.
[81]

Yi T H，Zheng X，Yang D H，et al. Lightweight design method for structural health monitoring system of short-and medium-span bridges［J］. Journal of Vibration Engineering，2023，36（2）：458-466.
[82]

王腾义，李丹，张建. 桥梁结构轻量化健康监测思路与技术研发［J］. 土木工程学报，2025，58（6）：51-68.
[83]

Wang T Y，Li D，Zhang J. Research of lightweight structural health monitoring strategies and technologies for bridges［J］. China Civil Engineering Journal，2025，58（6）：51-68.
[84]

田文迪，熊玉勇，吴朔阳， 基于微波全场测振的桥梁轻量化监测技术［J］. 振动与冲击，2025，44（10）：106-115.
[85]

Tian W D，Xiong Y Y，Wu S Y，et al. Lightweight monitoring technology for bridges based on microwave full-field vibration sensing［J］. Journal of Vibration and Shock，2025，44（10）：106-115.
[86]

Chen W，Zhang J. Efficient and lightweight monitoring network for cracks in complex background regions based on adaptive perception［J］. Automation in Construction，2024，166：105614.
[87]

Pandey V，Mishra S S. Lightweight frameworks for real-time crack monitoring in civil infrastructure［J］. Ultrasonics，2026，162：107970.
[88]

Zhang J Y，Zhu B，Qiu H S. Real-time concrete crack segmentation for bridge structural health monitoring：A lightweight YOLOv11-based approach with multi-scale feature fusion［J］. Results in Engineering，2025，28：108004.
[89]

Guo G Y，Qiu X L，Pan Z L，et al. YOLOv10-DSNet：A lightweight and efficient UAV-based detection framework for real-time small target monitoring in smart cities［J］. Smart Cities，2025，8（5）：158.
[90]

Wang T Y，Li D，Li B，et al. Lightweight structural health monitoring method for bridges based on cloud-edge collaborative optimization［J］. Structures，2025，80：109954.
[91]

Khalil R A，Safelnasr Z，Yemane N，et al. Advanced learning technologies for intelligent transportation systems：Prospects and challenges［J］. IEEE Open Journal of Vehicular Technology，2024，5：397-427.
[92]

Liu Y K，Han D Y，Cao R，et al. Automated vehicle wheelbase measurement using computer vision and view geometry［J］. Measurement Science and Technology，2023，34（12）：125051.
[93]

Boukerche A，Hou Z J. Object detection using deep learning methods in traffic scenarios［J］. ACM Computing Surveys，2022，54（2）：1-35.
[94]

Shan J H，Jiang W，Feng X. Bridging cross-domain and cross-resolution gaps for UAV-based pavement crack segmentation［J］. Automation in Construction，2025，174：106141.
[95]

Bocian M，Brownjohn J M W，Racic V，et al. A framework for experimental determination of localised vertical pedestrian forces on full-scale structures using wireless attitude and heading reference systems［J］. Journal of Sound and Vibration，2016，376：217-243.
[96]

Zhu X Q，Law S S. Moving load identification on multi-span continuous bridges with elastic bearings［J］. Mechanical Systems and Signal Processing，2006，20（7）：1759-1782.
[97]

Law S S，Chan T H T，Zeng Q H. Moving force identification：A time domain method［J］. Journal of Sound and Vibration，1997，201（1）：1-22.
[98]

Zhang R Y，Liu Y，Sun H. Physics-informed multi-LSTM networks for metamodeling of nonlinear structures［J］. Computer Methods in Applied Mechanics and Engineering，2020，369：113226.
[99]

Yin X F，Huang Z，Liu Y. Traffic load simulation on bridges based on improved non-contact machine vision technique and multi-source information fusion［J］. Measurement，2023，213：112754.
[100]

Ge L F，Dan D H，Koo K Y，et al. An improved system for long-term monitoring of full-bridge traffic load distribution on long-span bridges［J］. Structures，2023，54：1076-1089.
[101]

Dong Y Q，Pan Y，Wang D L，et al. Transformer-enhanced traffic load simulation for wear evaluation of bridge expansion joint［J］. Structural Control and Health Monitoring，2024，2024：1-18.
[102]

Stoura C D，Dertimanis V K，Hoelzl C，et al. A model-based Bayesian inference approach for on-board monitoring of rail roughness profiles：Application on field measurement data of the Swiss federal railways network［J］. Structural Control and Health Monitoring，2023，2023：8855542.
[103]

Zoubir H，Rguig M，El Aroussi M，et al. Concrete bridge defects identification and localization based on classification deep convolutional neural networks and transfer learning［J］. Remote Sensing，2022，14（19）：4882.
[104]

Mu Z H，Qin Y，Yu C C，et al. Adaptive cropping shallow attention network for defect detection of bridge girder steel using unmanned aerial vehicle images［J］. Journal of Zhejiang University：Science A，2023，24（3）：243-256.
[105]

Ni J J，Ji Q B，Zhao Y H，et al. An improved cross-dimensional collaborative bridge defect detection model based on UAV images［J］. Measurement Science and Technology，2025，36（10）：105007.
[106]

Luo Y，Ling J，Wang J W，et al. SFW-YOLO：A lightweight multi-scale dynamic attention network for weld defect detection in steel bridge inspection［J］. Measurement，2025，253：117608.
[107]

Zhao J F，Zhao R，Chen W，et al. Lightweight panoramic reconstruction and precise defect localization of bridge undersides based on multi-view pose registration［J］. Structures，2025，80：110086.
[108]

Wang D L，Zhang Y Q，Pan Y，et al. An automated inspection method for the steel box girder bottom of long-span bridges based on deep learning［J］. IEEE Access，2020，8：94010-94023.
[109]

Chu H H，Chen W W，Deng L. Fine-grained segmentation of high-resolution crack images based on transformer and rendering techniques［J］. Results in Engineering，2026，29：108492.
[110]

Huang Z H，Guo B，Deng X L，et al. Trans-DCN：A high-efficiency and adaptive deep network for bridge cable surface defect segmentation［J］. Remote Sensing，2024，16（15）：2711.
[111]

Peng X，Wang P T，Zhou K，et al. Bridge defect detection using small sample data with deep learning and hyperspectral imaging［J］. Automation in Construction，2025，170：105900.
[112]

Wang D L，Guo Y，Pan Y，et al. Detection method for variable cross-section concrete box girder roof based on UGV［J］. Structure and Infrastructure Engineering，2026，22（5/6）：1046-1062.
[113]

Ge L F，Sadhu A. Deep learning-enhanced smart ground robotic system for automated structural damage inspection and mapping［J］. Automation in Construction，2025，170：105951.
[114]

Guo Y L，Wang H Y，Hu Q Y，et al. Deep learning for 3D point clouds：A survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2021，43（12）：4338-4364.
[115]

Wang Y，Sun Y B，Liu Z W，et al. Dynamic graph CNN for learning on point clouds［J］. ACM Transactions on Graphics，2019，38（5）：1-12.
[116]

Xie Y X，Tian J J，Zhu X X. Linking points with labels in 3D：A review of point cloud semantic segmentation［J］. IEEE Geoscience and Remote Sensing Magazine，2020，8（4）：38-59.
[117]

Dong Y Q，Wang D L，Pan Y，et al. Fault detection of in-service bridge expansion joint based on voiceprint recognition［J］. Structural Control and Health Monitoring，2024（1）：1270912.
[118]

Ebrahimkhanlou A，Salamone S. Single-sensor acoustic emission source localization in plate-like structures using deep learning［J］. Aerospace，2018，5（2）：50.
[119]

Cheng X H，Song X D，Luo W J，et al. A modal collapse-resistant gated attention network for asymmetric fault diagnosis of bridge expansion joints under high-noise scenarios［J］. Advanced Engineering Informatics，2026，69：104046.
[120]

Alqurashi I，Alsulami M，Alver N，et al. Ultrasonic tomography with deep learning for detecting embedded components and internal damage of concrete structures［J］. Developments in the Built Environment，2025，23：100742.
[121]

Dorafshan S，Azari H. Deep learning models for bridge deck evaluation using impact echo［J］. Construction and Building Materials，2020，263：120109.
[122]

Duan Z Y，Bian C，Yang S K. Zero-shot forecasting of volatile wind power against data missing with large language model through attentive residual prompt tuning［J］. Renewable Energy，2026，257：124808.
[123]

Lou S W，Yang C J，Wang W B，et al. Toward in-depth mastery of statistical properties：Novel stationary moment analysis with application to continuous industrial anomaly detection［J］. IEEE Transactions on Cybernetics，2025，55（7）：3417-3430.
[124]

Ni F T，Zhao W J，Tian Y D，et al. Development of an end-to-end deep learning model for acceleration data restoration of a pedestrian bridge［J］. Structures，2025，75：108848.
[125]

Chen N X，Liu G L，Ma R J，et al. Wind field characterization with skip-connected variational autoencoder for data cleaning under deck disturbance effects［J］. Engineering Structures，2025，330：119905.
[126]

Chatterjee A，Ahmed B S. IoT anomaly detection methods and applications：A survey［J］. Internet of Things，2022，19：100568.
[127]

Avci O，Abdeljaber O，Kiranyaz S，et al. A review of vibration-based damage detection in civil structures：From traditional methods to machine learning and deep learning applications［J］. Mechanical Systems and Signal Processing，2021，147：107077.
[128]

Li M，Li X M，Wang Y X，et al. Data-physics fusion-based spatiotemporal graph diagnosis for bridge structural damage［J］. Automation in Construction，2026，181：106575.
[129]

Wang Z，Liu Y，Liu G H，et al. Interval prediction and anomaly detection for bridge expansion joint using an optimized ENN-aided temperature slow feature-displacement model［J］. Structures，2026，83：110823.
[130]

Bao Y Q，Tang Z Y，Li H，et al. Computer vision and deep learning-based data anomaly detection method for structural health monitoring［J］. Structural Health Monitoring，2019，18（2）：401-421.
[131]

Ray M C. Mesh free model of nanobeam integrated with a flexoelectric actuator layer［J］. Composite Structures，2017，159：63-71.
[132]

Simpson T W，Poplinski J D，Koch P N，et al. Metamodels for computer-based engineering design：Survey and recommendations［J］. Engineering with Computers，2001，17（2）：129-150.
[133]

Pan Y，Dong Y Q，Wang D L，et al. Comparative study on fatigue evaluation of suspenders by introducing actual vehicle trajectory data［J］. Scientific Reports，2024，14：5165.
[134]

Wang Y B，He Z C，Tan H L，et al. Machine learning-based strategy for predicting the multiscale mechanical properties of helical carbon fiber composites［J］. Advanced Engineering Materials，2025，27（20）：2500860.
[135]

Hu K J，Wu X G. Mode shape prediction based on convolutional neural network and autoencoder［J］. Structures，2022，40：127-137.
[136]

Yue Z X，Ding Y L，Zhao H W，et al. Mechanics-guided optimization of an LSTM network for real-time modeling of temperature-induced deflection of a cable-stayed bridge［J］. Engineering Structures，2022，252：113619.
[137]

Ma R J，Zhang J R，Chen N X，et al. An autoencoder-clustering-based framework of daily wind speed pattern recognition and prediction for mountainous valley bridges［J］. Measurement，2025，256：118063.
[138]

Liu G L，Ma R J，Zhu Y，et al. A novel investigation on separating wind-induced bridge vibrations from vehicle-interfered measurements using deep learning approach［J］. Engineering Structures，2026，348：121798.
[139]

Shan Y S，Wang X Y，Jing Q，et al. GNN-LSTM-based full-field temperature prediction of bridges using sparse sensor data and heat-transfer analysis［J］. Engineering Structures，2025，342：120922.
[140]

Kaewnuratchadasorn C，Wang J J，Kim C W，et al. Two-dimensional vehicle-bridge interaction neural operator for digital twin of bridge structures［J］. Structural Control and Health Monitoring，2025（1）：1031214.
[141]

Garg S，Chakraborty S. Neuroscience inspired neural operator for partial differential equations［J］. Journal of Computational Physics，2024，515：113266.
[142]

Chen N X，Lucarini S，Ma R J，et al. PF-PINNs：Physics-informed neural networks for solving coupled Allen-Cahn and Cahn‒Hilliard phase field equations［J］. Journal of Computational Physics，2025，529：113843.
[143]

Li J Q，Wu X D，Li Z L. Physics-informed neural network approach for solving vortex-induced vibration problems of cylinder［J］. Applied Ocean Research，2025，161：104661.
[144]

Jing G，Ning C G，Qin J W，et al. Physics-guided framework of neural network for fast full-field temperature prediction of indoor environment［J］. Journal of Building Engineering，2023，68：106054.
[145]

Song J，Yoon S. Ontology-assisted GPT-based building performance simulation and assessment：Implementation of multizone airflow simulation［J］. Energy and Buildings，2024，325：114983.
[146]

Xue F，Lu W S，Chen K，et al. BIM reconstruction from 3D point clouds：A semantic registration approach based on multimodal optimization and architectural design knowledge［J］. Advanced Engineering Informatics，2019，42：100965.
[147]

Gao Y，Xiong G Y，Li H J，et al. Exploring bridge maintenance knowledge graph by leveraging GraphSAGE and text encoding［J］. Automation in Construction，2024，166：105634.
[148]

Iversen O，Huang L Z. Leveraging large language models for BIM-based automated compliance checking［J］. Automation in Construction，2026，182：106707.
[149]

Wang J，Zhuang W B，Liu T Y，et al. Analysis of causes of welding defects in bridge weathering steel based on large language models［J］. Journal of Industrial Information Integration，2025，48：100954.
[150]

Pei F Q，Lin Y J，Liu J H，et al. A knowledge push method of complex product assembly process design based on distillation model-based dynamically enhanced graph and Bayesian network［J］. Chinese Journal of Mechanical Engineering，2025，38（1）：101.
[151]

Zhou Z P，Yu X H，Magoua J J，et al. Integrating machine learning and a large language model to construct a domain knowledge graph for reducing the risk of fall-from-height accidents［J］. Accident Analysis & Prevention，2025，215：108009.
[152]

Zhang C H，Lei X M，Xia Y，et al. Automatic bridge inspection database construction through hybrid information extraction and large language models［J］. Developments in the Built Environment，2024，20：100549.
[153]

Zhang L Y，Zhang C H，Cao L，et al. A hierarchical enhanced text matching model for semantic alignment and importance determination of bridge defect records［J］. Engineering Structures，2026，349：121879.
[154]

Omar A，Moselhi O. Automated standardization of bridge inspection data using generative AI［J］. Engineering Structures，2026，350：121904.
[155]

Zhou X J，Pan Y，Qin J J，et al. Large language model-enhanced graph neural network for quantile prediction of railway track settlement near deep excavations［J］. Advanced Engineering Informatics，2026，69：104105.
[156]

Guo X S，Zhang Q M，Jiang J Y，et al. Towards explainable traffic flow prediction with large language models［J］. Communications in Transportation Research，2024，4：100150.
[157]

Xing Z T，Ban R B，Xiang L，et al. Damage identification of wind turbine blade based on large language model and a novel interpretable Mamba model［J］. Measurement Science and Technology，2025，36（12）：126101.
[158]

Liu S Y，Wang B，Ma Y，et al. Training-free subject-enhanced attention guidance for compositional text-to-image generation［J］. Pattern Recognition，2026，170：112111.
[159]

Naveen S，Ram Kiran M S S，Indupriya M，et al. Transformer models for enhancing AttnGAN based text to image generation［J］. Image and Vision Computing，2021，115：104284.
[160]

Zhang J T，Ruan X，Chen A R，et al. Efficient and physically consistent generation of 2D concrete mesostructures via a regressor-guided diffusion framework［J］. Computer-Aided Civil and Infrastructure Engineering，2025，40（31）：6622-6637.
[161]

Lee J K，Jeong H，Kim Y，et al. Creating spatial visualizations using fine-tuned interior design style models informed by user preferences［J］. Advanced Engineering Informatics，2024，62：102686.
[162]

Oh S，Jung Y，Kim S，et al. Deep generative design：Integration of topology optimization and generative models［J］. Journal of Mechanical Design，2019，141（11）：111405.
[163]

Harish B，Eswara S K K，Srinivasan B. Topology optimization using convolutional neural network［C］//Advances in Multidisciplinary Analysis and Optimization，2020：301-307.
[164]

Cang R J，Yao H，Ren Y. One-shot generation of near-optimal topology through theory-driven machine learning［J］. Computer-Aided Design，2019，109：12-21.
[165]

Xiang C，Chen A R，Wang D L. Real-time stress-based topology optimization via deep learning［J］. Thin-Walled Structures，2022，181：110055.
[166]

Li M，Jia G F，Cheng Z B，et al. Generative adversarial network guided topology optimization of periodic structures via subset simulation［J］. Composite Structures，2021，260：113254.
[167]

Wang L X，Du W F，He P F，et al. Topology optimization and 3D printing of three-branch joints in treelike structures［J］. Journal of Structural Engineering，2020，146：04019167.
[168]

Li B T，Yan S N，Lin Q Y. Automated layout design of stiffened container structures based on the morphology of plant ramifications［J］. Journal of Bionic Engineering，2016，13（2）：344-354.
[169]

Liang Z L，Zhang Y F，Wang Y J，et al. Integrating large models with topology optimization for conceptual design realization［J］. Advanced Engineering Informatics，2025，67：103524.
[170]

Pan Y，Dong Y Q，Wang D L，et al. Three-dimensional reconstruction of structural surface model of heritage bridges using UAV-based photogrammetric point clouds［J］. Remote Sensing，2019，11（10）：1204.
[171]

Deng T，Sharafat A，Lee S，et al. Automatic vision-based volume estimation of dump loading for real-time earthwork productivity assessment［J］. Expert Systems with Applications，2026，303：130657.
[172]

Qiao Z，Gan V J L，Li M K，et al. Semantic instance segmentation and automated 3D BIM reconstruction for viaduct using LiDAR point clouds and weakly-supervised learning［J］. Automation in Construction，2026，181：106612.
[173]

Khan Z，Pan Y，Wang D L，et al. Low-cost and scalable framework for generating 3D digital cousins of irregular objects［J］. Automation in Construction，2026，190：107096.
[174]

Jung H，Lee S，Yoon J，et al. Single image-based Gaussian splatting for 3D reconstruction of movable articulated objects［J］. Advanced Engineering Informatics，2026，70：104191.
[175]

Groth C，Chiappa A，Evangelos B M，et al. A computational approach for the simulation of shape memory polymer-based structures via finite elements and mesh morphing［J］. Smart Materials and Structures，2025，34（7）：075049.
[176]

Persson P O，Strang G. A simple mesh generator in MATLAB［J］. SIAM Review，2004，46（2）：329-345.
[177]

Xu R，Lyu H Q，Yu J，et al. Implicit geometry neural network for mesh generation［J］. Chinese Journal of Aeronautics，2025，38（4）：103315.
[178]

Zhang H X，Li H S，Li N. MeshLink：A surface structured mesh generation framework to facilitate automated data linkage［J］. Advances in Engineering Software，2024，194：103661.
[179]

Wang X，Yue Q R，Liu X G. Intelligent mesh generation for crack simulation using graph neural networks［J］. Computers & Structures，2024，292：107234.
[180]

Kim I，Kim S，You D. Non-iterative generation of an optimal mesh for a blade passage using deep reinforcement learning［J］. Computer Physics Communications，2024，294：108962.
[181]

Wang R，Liu S Y，Yu J H，et al. HMSimNet：A hexahedral mesh simplification network model for preserving analysis accuracy［J］. Advances in Engineering Software，2025，202：103874.
[182]

Qi L，Wu Q，Xu G，et al. DRL-MeshGen：Automated block-structured mesh generation framework via deep reinforcement learning and optimal conformal mapping［J］. Engineering with Computers，2025，41（6）：4293-4315.
[183]

Wei Z，Yang A B，Li J C，et al. Automated parameterization for aerodynamic shape optimization via deep geometric learning［J］. AIAA Journal，2025，63（12）：5430-5447.
[184]

Xu D L，Li T，Li Y，et al. Edge intelligence：Empowering intelligence to the edge of network［J］. Proceedings of the IEEE，2021，109（11）：1778-1837.
[185]

Tian L J，Zhao H L，Zhu L，et al. Edge intelligence-based rail transit equipment inspection system［J］. Sensors，2025，26（1）：236.
[186]

Ahmed I，Ahmad M，Siddiqi M U R，et al. Toward AI-powered edge intelligence for object detection in self-driving cars：Enhancing IoV efficiency and safety［J］. IEEE Internet of Things Journal，2025，12（11）：16990-16997.
[187]

Yu X W，Fu Y G，Shen W，et al. Edge intelligence-based acoustic trigger sensing for real-time monitoring of train-crossing events［J］. Measurement，2026，258：119308.
[188]

Mondal T G，Chou J Y，Fu Y G，et al. A hybrid deep neural network compression approach enabling edge intelligence for data anomaly detection in smart structural health monitoring systems［J］. Smart Structures and Systems，2023，32（3）：179-193.
[189]

Zhang J S，El-Gohary N M. Semantic NLP-based information extraction from construction regulatory documents for automated compliance checking［J］. Journal of Computing in Civil Engineering，2016，30（2）：04015014.
[190]

Mosavi A，Ozturk P，Chau K W. Flood prediction using machine learning models：Literature review［J］. Water，2018，10（11）：1536.
[191]

Ghafarollahi A，Buehler M J. Rapid and automated alloy design with graph neural network-powered large language model-driven multi-agent AI［J］. MRS Bulletin，2025，50（11）：1309-1324.
[192]

Yang J X，Yang X X，Li R，et al. BERT and hierarchical cross attention-based question answering over bridge inspection knowledge graph［J］. Expert Systems with Applications，2023，233：120896.
[193]

Rasmussen M H，Lefrançois M，Pauwels P，et al. Managing interrelated project information in AEC knowledge graphs［J］. Automation in Construction，2019，108：102956.
[194]

Wang Y C，Xiong W，Zhu Y J，et al. Knowledge graph-driven bridge maintenance decision-making via integrating large language models and chain-of-thought reasoning［J］. Automation in Construction，2026，181：106632.
[195]

Seo J，Duque L，Wacker J. Drone-enabled bridge inspection methodology and application［J］. Automation in Construction，2018，94：112-126.
[196]

Brambilla M，Ferrante E，Birattari M，et al. Swarm robotics：A review from the swarm engineering perspective［J］. Swarm Intelligence，2013，7（1）：1-41.
[197]

Bayindir L. A review of swarm robotics tasks［J］. Neurocomputing，2016，172：292-321.
[198]

Chen Z P，Zhang Z Y，Chen X M，et al. Multi-role collaborative framework for structural damage identification considering measurement noise effect［J］. Measurement，2025，250：117106.
[199]

Yi T H，Zhou G D，Li H N，et al. Optimal placement of triaxial sensors for modal identification using hierarchic wolf algorithm：Optimal placement of triaxial sensors using HWA［J］. Structural Control and Health Monitoring，2017，24（8）：1958.
[200]

Yao Y D，Wen Q，Cui Y P，et al. Coverage enhancement strategy in WMSNs based on a novel swarm intelligence algorithm：Army ant search optimizer［J］. IEEE Sensors Journal，2022，22（21）：21299-21311.
[201]

Su Y H，Liu L J，Lei Y. Structural damage identification using a modified directional bat algorithm［J］. Applied Sciences，2021，11（14）：6507.
[202]

Lamperti R D，de Arruda L V R. Distributed strategy for communication between multiple robots during formation navigation task［J］. Robotics and Autonomous Systems，2023，169：104509.
[203]

Zhen Z Y，Chen Y，Wen L D，et al. An intelligent cooperative mission planning scheme of UAV swarm in uncertain dynamic environment［J］. Aerospace Science and Technology，2020，100：105826.
[204]

Lei L，Shen G Q，Zhang L J，et al. Toward intelligent cooperation of UAV swarms：When machine learning meets digital twin［J］. IEEE Network，2021，35（1）：386-392.
[205]

Zhao Z K，Wu Q X，Wang J，et al. Exploring embodied intelligence in soft robotics：A review［J］. Biomimetics，2024，9（4）：248.
[206]

Chen B T，Xu G J，Wang L，et al. Behavioral planning and parameter meta learning for embodied intelligence robots in adaptive assembly［J］. Journal of Industrial Information Integration，2026，49：100995.
[207]

Zhou Y J，Hu X C，Yang Z Z，et al. Active search promotes the collective behavior of underwater robots with limited field of view［J］. IEEE Robotics and Automation Letters，2025，10（6）：6360-6367.
[208]

Chen R，Zhang H X，Zhou S M，et al. A rigid‒flexible‒soft coupled dexterous hand with sliding tactile perception and feedback［J］. IEEE Robotics and Automation Letters，2024，9（12）：11682-11689.
[209]

Engbers H，Freitag M. Automated algorithm selection for Predictive Maintenance：Advances and challenges［J］. Journal of Manufacturing Systems，2025，82：964-975.
[210]

Chen Q Y，Cao J N，Zhu S Y. Data-driven monitoring and predictive maintenance for engineering structures：Technologies，implementation challenges，and future directions［J］. IEEE Internet of Things Journal，2023，10（16）：14527-14551.
[211]

陈超，李晓军，武威， 基于iS3的隧道智能建造系统及其应用［J］. 土木工程学报，2022，55（S2）：12-19，28.
[212]

Chen C，Li X J，Wu W，et al. Tunnel intelligent construction system based on iS3 and its application［J］. China Civil Engineering Journal，2022，55（S2）：12-19，28.
[213]

沈奕，钟铧炜，李林， 基于iS3平台的隧道工程数据融合分析方法与案例研究［J］. 土木工程学报，2022，55（S2）：103-109，148.
[214]

Shen Y，Zhong H W，Li L，et al. Analysis method and case study of tunnel engineering data fusion based on iS3 platform［J］. China Civil Engineering Journal，2022，55（S2）：103-109，148.
[215]

Goumopoulos C. Smart city middleware：A survey and a conceptual framework［J］. IEEE Access，2024，12：4015-4047.
[216]

Chen S F，Yang C G，Li J D，et al. Full lifecycle infrastructure management system for smart cities：A narrow band IoT-based platform［J］. IEEE Internet of Things Journal，2019，6（5）：8818-8825.

基金资助

国家自然科学基金项目(52208198)

国家自然科学基金项目(52238005)

AI Summary AI Mindmap
PDF (40095KB)

0

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉