根据德克萨斯大学阿灵顿分校（UTA）发布的一份新闻稿，该校的一名土木工程助理教授正致力于通过将机器学习与传统监测测量相结合，更好地了解桥梁的结构健康状况。

德克萨斯大学阿灵顿分校（UTA）土木工程系Suyun Ham博士表示，该校获得了一笔12.2万美元的赠款是德克萨斯大学阿灵顿分校（UTA）参加的中南州运输协会（Tran-SET）的一部分，该协会是由路易斯安那州立大学管理的美国运输中心，并将在达拉斯和沃思堡测试他的模型。

目前用于监测桥梁的系统是重量动态系统，传感器可测量振动、应变和挠度。测量桥梁对这些因素的反应可以反映出桥梁的结构健康状况。但传感器没有考虑到不同类型的卡车、多车道、一天中的交通拥堵时间。

Ham试图创建一种系统，用机器学习来补充当前的动态传感器的重量。希望得到的数据能为交通部门提供更准确的桥梁荷载参数，更好地了解结构的整体完整性。

Ham说，“我们正在将基于物理的模型与人工智能相结合，因为计算机学习的越多，获得的信息就越好，最终，机器学习的加入使我们能够准确地确定多个条件。”

Ham还在德克萨斯州交通运输部的资助下进行相关研究，以使用非接触式测试系统来更快速、更轻松、更准确地确定何时何地需要维修桥梁。

 英国团队使用人工智能研究压力下桥梁螺栓的健康状况

萨里大学和伦敦国王学院正在进行类似的工作，在那里，一个团队开发了一种新的机器学习算法，以帮助监测大坝和桥梁等主要基础设施。

Surrey和Kings的研究人员在《结构健康监测》杂志发表的一篇论文中详细介绍了他们如何创建一个名为SHMnet的人工智能系统，以分析和评估应力条件下金属结构中螺栓的状况（DOI：10.1177/1475921719881237）。

在改进的AlexNet神经网络的基础上，研究小组在实验室条件下进行了冲击锤试验。SHMnet的任务是在10种情况下精确识别钢架连接螺栓的细微状态变化。

该团队发现，当使用四个重复的数据集训练SHMnet时，在他们的测试中，它具有无瑕（100％）的识别记录。

该论文的作者之一，英国萨里大学的助理教授YingWang博士说：“我们神经网络的性能表明，SHMnet对结构工程师、政府和其他负责监测桥梁、塔架完整性的组织非常有用，水坝和其他金属结构。虽然还有很多事情要做，例如在不同的振动条件下测试SHMnet并获得更多的训练数据，但真正需要对这种系统进行测试，以用于需要非常可靠，准确且负担得起的方式监控基础结构的领域。”

 上海研究人员利用人工智能和大数据研究桥梁健康

大数据（BD）和人工智能辅助的桥梁结构健康监测技术论文最近发表在《结构工程杂志》上。该论文章的摘要指出，虽然结构健康监测（SHM）技术已在大跨度桥梁中得到广泛使用，但是对大量结构健康监测（SHM）数据的解释却不够好。

作者写道：“大数据和人工智能技术被认为是解决数据解释问题的有前途的方法。本文旨在阐明有关桥梁结构健康监测（SHM）的内容和方式的BD和人工智能技术的范围。”

该论文的主要作者是上海同济大学桥梁工程系Limin Sun教授，他研究了梁结构振动理论与技术、桥梁结构健康监测、状态评估与桥梁检测技术。他最近的研究课题包括：大型复杂桥梁结构健康监测与在线评估关键技术研究，以及基于管理重点的公路桥梁健康监测关键技术研究。

在这里，人工智能用于处理非结构化数据以进行外观检查，并按时间序列进行结构损坏检测。作者指出：“本文为在桥梁结构健康监测（SHM）领域采用大数据（BD）和人工智能技术提供了有意义的观点和建议。”