跨海大桥不仅是连接海岸的交通命脉，更是海洋交通与能源基础设施的重要组成部分。不同于陆上桥梁，海上桥梁长期面临风浪耦合、地震震动、海流冲击等多重动态荷载的持续侵袭，结构安全运营面临巨大挑战。如何实现快速、精准、贴合工程实际的海上桥梁结构响应预测与健康监测，成为影响海洋工程结构智能监测发展的难题之一。

近日，清华大学深圳国际研究生院郭宇韬副教授团队连续提出两项创新算法框架：深度海洋桥梁预测模型（DeepOBP）与降阶物理信息神经网络（ROM-PINN），通过深度学习与结构力学的交叉融合，分别解决了多荷载耦合下实时响应预测、非线性结构物理一致性建模两项问题，相关成果为海上桥梁等大型工程结构的高效安全监测提供了新的视角。

图1.DeepOBP：毫秒级响应预测，多场景精准适配

针对海上桥梁面临的风、浪、地震等多源荷载耦合挑战，研究团队首先提出了基于长短期记忆网络（LSTM）的编码器-解码器架构DeepOBP，融合结构静态特征与动态荷载信息，实现非线性结构响应的毫秒级精准预测。

该模型通过三大核心设计突破传统局限：一是采用频率注意力LSTM模块（FA-LSTM），融合傅里叶变换与可学习滤波器，同时捕捉时域依赖与频域特征；二是构建多分支注意力融合机制，适配不同荷载输入组合，可动态增减输入分支以适应复杂场景；三是引入多任务学习策略，以全时序响应预测为主任务，结合峰值振幅与频域特征预测辅助训练，通过不确定性加权自动平衡任务优先级。

实验验证显示，在正常运营与多灾害耦合场景下，DeepOBP的预测决定系数（R2）分别达到0.93和0.92，均方误差（MSE）约为5.5×10??mm2，单次推理只需0.044秒，较传统非线性有限元模拟提速达几个数量级，实现了“毫秒级响应、高精度预测”的研究目标。

图2.Inverse DeepOBP：实现效率突破，快速反演识别

基于DeepOBP的高效预测能力和自动微分特性，研究团队进一步开发可微分逆分析框架逆深度海洋桥梁预测模型（Inverse DeepOBP），将深度学习代理模型与梯度优化算法相结合，实现结构参数的快速反演。

该框架通过时间历程分析误差（ETHA）构建目标函数，引入L1正则化缓解反问题不适定性，利用神经网络的可微特性高效计算梯度，指导结构参数迭代更新。案例验证显示，Inverse DeepOBP在损伤识别任务中，可以定位桥墩、主梁等关键部位的损伤位置，量化损伤程度，各参数识别相对误差均控制在7%以内；在模型校准任务中，可实时更新结构参数，使响应预测误差明显降低。效率对比表明，Inverse DeepOBP较基于启发式算法的代理模型更新提速10倍以上，较传统非线性有限元模型更新提速达几个数量级，为结构健康监测的时效性提供了关键保障。

图4.ROM-PINN：物理与数据融合，小数据+抗噪声能力升级

为解决纯数据驱动模型物理意义缺失的问题，研究团队进一步提出降阶物理信息神经网络（ROM-PINN），将非线性降阶动力学平衡方程作为物理约束嵌入模型训练，实现高效且物理一致的响应预测。

ROM-PINN的核心创新在于，通过虚拟力网络（VFNet）解耦结构非线性效应，使用降阶模型（ROM）将高维系统投影至低维子空间，结合QR分解优化传感器布置，仅需少量观测点即可重构全局响应；训练过程中嵌入降阶平衡残差作为物理损失，通过不确定性加权平衡数据拟合与物理约束，确保预测结果既符合实测数据又遵循力学规律。测试结果表明，ROM-PINN的预测误差（MSE）较纯数据驱动模型降低10.0%，物理一致性指标（PR）提升83.7%；在10%测量噪声环境下，MSE仍保持较低水平；同时，在保留10%训练数据的实验设置下，仍能保持0.73的R2值。上述结果展现出模型良好的抗噪声能力与小数据适应性。

近日，研究成果以“基于深度学习的近海桥梁实时多荷载响应预测与反演分析”（Deep learning-based realtime multiload response prediction and inverse analysis of offshore bridges）和“ROM-PINN：一种结合降阶建模的物理信息神经网络用于非线性结构响应预测”（ROM-PINN: A physics-informed neural network with reduced-order modelling for nonlinear structural response prediction）为题，分别于2月12日和2月11日发表于《工程结构》（Engineering Structures）和《结构》（Structures）。

清华大学深圳国际研究生院副教授郭宇韬为论文通讯作者，清华大学深圳国际研究生院2024级硕士生孙竹妤为论文第一作者。论文其他作者还包括清华大学深圳国际研究生院副教授胡振中、南方科技大学副教授侯超、清华大学深圳国际研究生院2022级博士生葛康。