以国内外战略需求为背景，伴随全球科技创新呈现出的信息化、智能化新发展趋势，传统桥梁工程必将迎来深刻变革。面向技术现状及未来需求，将桥梁全生命周期与现代信息技术深度融合，打造日趋智能化、高精度化的桥梁结构将是未来发展方向。这也意味着除了桥梁本身的性能提升外，智能化、立体化、信息化的桥梁建造和安全运维体系将会越来越完善和普及。信息化是智能化的基础，实现智能化需要建立大规模、自上而下、有组织的信息网络系统。因此，桥梁的智能化离不开信息渠道的支撑。一个科学、一体化的信息系统可以为智能桥梁提供可靠的数据支持，为桥梁的智能化奠定基础[1]。
为此，笔者归纳总结了2019年国内外学者为推动桥梁信息化与智能化所做的研究工作，着重展示当前在桥梁信息化、智能检测、高性能智能材料以及智能防灾减灾方面的前沿技术和重要成果（本文不涉及健康监测、桥梁评估及加固等内容，将有另文分别报道），并尝试分析本方向研究热点和进行前景展望，以期为广大同行开展相关工作提供些许参考和思路。
桥梁是跨越江河湖海、深沟峡谷等障碍的人工构筑物，是交通工程关键节点和枢纽工程，是国民经济发展和社会生活安全的重要保障[1]。随着新一轮科技革命和产业变革正在孕育兴起，“5G”技术、“互联网 ”技术、新型传感器、机器人、成像系统、智能材料、人工智能等现代科技将成为桥梁工程精细化设计、施工和运维上的关键技术。周绪红院士、张喜刚院士[1]撰文指出，基于信息化技术的智能化科技将为桥梁工程的革新带来新的机遇。鲍跃全、李惠[2]也指出，人工智能技术将深度融入土木工程基础设施的全生命周期，深刻变革土木工程科学、技术与工程的发展。
通过在Web of Science、Elsevier、John-Wiley、Wiley-Blackwell、中国知网的数据库进行检索，利用Information, Intelligent bridge, Bridge management, Intelligent construction, Bridge detection, Intelligent material, Intelligent disaster prevention等主题，并通过UAV, Robot, Digital twin, Image recognition, Artificial intelligence, Computer vision等关键词，检索2019年相关文献。但桥梁信息化、智能化的相关文献远不止所列，挂一漏万之处难免，若未统计到位还望指正。
针对桥梁信息化及智能桥梁领域的研究，近年来国内主要有哈尔滨工业大学、同济大学、东南大学、长安大学、湖南大学、大连理工大学、长沙理工大学、北京工业大学、重庆交通大学、西南交通大学等高校学者，以及中交公规院有限公司、交通运输部公路科学研究院、中国铁道科学研究院集团有限公司、招商局重庆交通科研院有限公司、中铁大桥局集团有限公司、四川交大工程检测咨询有限公司等单位科研人员。主要通过BIM、图像识别、激光测距、传感、成像系统、机器人、大数据、人工智能等现代技术，将传统的桥梁管理方法转变为以数据为驱动的桥梁管理方法，积极推动桥梁智能建造及检测技术持续发展。国外主要有美国伊利诺伊大学香槟分校、密苏里科技大学、佐治亚理工大学、科罗拉多大学博尔德分校、内华达大学、纽约城市学院、洛斯阿拉莫斯国家实验室等高校和科研机构的学者们，以无损检测、智能机器人、无人机（UAV）、3D打印技术、机器视觉和人工智能等为研究重点。
桥梁工程上的信息化研究正在蓬勃地开展，通过信息化技术可以显著提高桥梁的生产效率、性能水平和建养一体化水平，推动桥梁智能化、工业化水平的提升[1]，实现桥梁全寿命周期内各项数据的管理和桥梁状态的实时评估并保障交通安全。BIM技术作为提高桥梁信息化水平的有效手段，已得到国家各层面的高度重视[3-4]，同时，Michael Grieves提出的Digital Twin（数字孪生）概念随着5G技术的发展也逐渐引入至桥梁管养领域。
在桥梁信息化设计方面，BIM等技术为设计提供了一个三维数字化平台，可直接用于复杂形体的创意表达和结构优化，其参数化设计的手段可以将桥梁复杂形态通过关键参数控制，以有效地提高设计质量。我国作为桥梁大国，新建桥梁规模远超国外，因而在桥梁信息化设计方面国内应用较广。
孙建诚等[5]构建了基于BIM的桥梁设计和施工管理三维参数化标准建模方法，利用IFC标准规范了BIM桥梁设计具体思路及施工管理标准化技术路线。杜一丛等[6]对桥梁设计中“一类应用”、“正向应用”两种BIM技术模式的应用概况、应用价值等进行了分析，得出“正向应用”模式不仅保证信息传递的顺畅、完整，而且携带信息的模型可以继续应用于施工和运维阶段，使得BIM不仅作为设计阶段的工具，更可以作为整个建造全生命周期的工具。张秋信等[7]将BIM技术用于平塘特大桥的三维建模设计和碰撞检查，发现了桥塔及组合桥面中剪力钉、普通钢筋及预应力筋之间的碰撞问题。
在桥梁信息化施工方面，BIM等技术可以真正实现信息共享多方协同作业、全局仿真降低安全隐患[8]等功能，推动桥梁施工的可视化和精准化发展。
马白虎等[9]基于BIM技术和“互联网 ”等新一代信息化技术，将现代施工管理4D理论引入到桥梁施工期信息管理中，以桥梁的BIM模型为载体，研发了桥梁主梁钢预制构件施工过程信息化管理技术，实现了钢梁、预制板等关键构件施工过程信息共享和施工管控。张文胜等[10]研发了基于BIM与3DGIS（三维地理信息系统）集成的铁路桥梁数值化建设系统，解决了设计、施工与管理不同阶段之间的数据共享与挖掘利用的难题，实现从3DGIS可视化、漫游和三维空间分析到BIM施工管理、施工动态模拟和施工进度总览的全过程信息化管理。Markiz等[11]将BrIM技术与Navisworks技术和概率模糊逻辑策略方法相结合，实现了施工中的材料管理及成本估算，有效地减少了构件在施工前的碰撞。Lu等[12]将智能施工技术应用到了铁路工程领域，分析了铁路工程智能化施工建造的内涵、功能和特点，基于BIM和PHM（预测和健康管理）从生命周期、管理层次、智能化功能三个维度构建了ICRE（铁路工程智能化施工建设体系结构，图1），进一步从技术和功能两个方面建立了“知觉、替代、智能”三个发展阶段的评价指标体系。
图1 基于BIM和PHM的铁路工程智能化施工建设体系结构[12] 在桥梁信息化管养方面，引入现代化信息技术，将升级桥梁养护管理技术、提高管理效率与能力。基于BIM等技术搭建的建管养一体化平台，可以有效促进桥梁管养过程中的标准化、可视化、自动化和智能化发展[13]，为桥梁的日常检查、工程养护和计划性维护等提供决策参考，实现桥梁全生命周期内各项数据的智能管理和桥梁状态的实时评估并保障交通安全。
张贵忠等[14]针对大跨径铁路桥梁现代化运维和管养需求，提出了基于BIM的多源信息获取及管理、结构智能分析与状态评估、智能养修管理的数字化大桥管养平台设计方案，明确了平台的基本功能和物理架构。Wan等[15]基于BIM技术对IFC（行业基础类）和IFD（国际词典框架）标准进行了研究和扩展，针对中国桥梁行业定义的编码规则，提出了一种快速建立桥梁BIM模型的标准结构建模方法。潘永杰等[16]将信息化技术与检-养-修深度融合，构建了基于BIM的铁路桥梁病害库、管养知识库和运营养护系统，实现了智能巡检、桥梁病害的统计分析和桥梁状态的定量评价，为铁路桥梁全生命周期信息互反馈和预防性维修提供了基础。Zou等[17]将桥梁结构的实时风险分解处理系统集成到3D/4D BIM中，并在风险数据和BIM之间建立联系，提出了基于BIM的风险可视化和信息管理方法；实现了在3D BIM中识别和记录桥梁运营活动相关的潜在风险，并在4D BIM中可视化已识别的潜在风险，有效提高了桥梁管养质量和效率。Shim[18]建立了3D维护信息管理和图像处理的数字检查系统，对桥梁全生命周期中所有相关信息进行不断交换和更新；并定义数字孪生（Digital Twin）模型（图2），实现了预应力混凝土桥梁的预防性维护及维修。
图2 桥梁预防性维修的DTM（数字孪生模型）概念[18] 通过上述研究的总结不难发现，2019年在桥梁信息化研究方面取得了不少有价值的成果。但也存在一些不足：（1）以BIM技术为代表的信息技术在桥梁设计应用中未能形成统一且完善的标准；（2）既有老旧桥梁难以实现融合现代信息化技术的智能管养；（3）桥梁信息化养护管理系统主要集中应用于特大型复杂桥梁，覆盖范围有限；（4）更加真实、精确的Digital Twin模型在桥梁工程中的应用还处于初步探索阶段。
传统桥梁相比，智能桥梁具有三个基本特征：工业化、信息化和智能化[1]。其中，工业化为桥梁建造和养护提供了完整的工业体系，实现了设计、施工、养护全过程的管理规范化；信息化为桥梁建造和养护全过程建立了信息通道，实现桥梁全寿命的信息标准化和数字化；智能化为桥梁建造和养护全过程提供了智能决策，减少对人力的依赖，最终实现无人建造和养护[1]。
智能桥梁的核心是桥梁建造和养护技术的智能化，实现桥梁智能检测是其关键的一环。随着深度学习的快速发展，人工智能技术融入桥梁检（监）测的研究已成为发展趋势和热点，具有广阔的应用和发展前景。桥梁混凝土无损检测、钢桥疲劳裂纹探测、水下桩基础检测、高清摄像损伤识别、桥梁动静载试验检测等技术，无人机、缆索检查机器人、桥梁检测机器人等一系列智能检测装备与技术，以及数据挖掘、计算机视觉、深度学习等众多大数据智能算法不仅使得桥梁检测手段不断丰富，而且有效提高了检测精度和效率。
3.1 智能检测装备与技术
为促进桥梁检测向更智能、更高效、更精确的方向发展，我国中铁大桥科学研究院、国内外高校等自主研发了一系列桥梁智能检测装备和技术，利用智能机器人、无人机等替代传统的人工检测方式，实现了桥梁各类复杂、隐蔽、高空部位的检测[19]。
装备摄像头的无人机（UAV）在桥梁、建筑和其他民用基础设施系统的视觉监控建设和运行方面的应用呈指数级增长[2]。无人机可搭载多种类型传感器，其中相机、红外热成像和激光雷达等高分辨率装置能对桥梁结构整体及局部进行多角度成像拍摄[2]。
Xu等[20]为桥梁检测和管理开发了一个新颖的系统框架，即通过搭载相机的无人机系统采集图像，基于计算机视觉算法收集和处理检测数据，采用桥梁信息模型（BrIM）来存储和管理所有相关信息。Morgenthal等[21]采用配备相机的无人机采集桥梁结构高清图像数据，其飞行路径通过3D模型自动计算，并基于机器学习实现典型损坏模式的识别，实现了对大型基础设施的智能安全评估。钟新谷等[22]采用无人机和三点激光测距仪对桥梁结构进行图像采集，构建基于支持向量机（SVM）的裂缝形态智能提取训练模型，实现桥梁裂缝宽度的智能识别，如图3所示。梁亚斌等[23]根据桥梁结构特点和桥索分布形式设计了利用无人机搭载高清云台相机的方案，批量密集地采集桥索的表观图像，通过图像处理提取有效信息，并依照相关规范对桥索的健康状况作出全面综合评价。Lin等[24]设计了一种结合实时综合图像处理法的桥梁裂缝自动检测系统，将该系统装配在无人机上可实现实时数据采集和处理；与其他检测方法相比，该系统能够以较高的精度和速度有效地检测桥梁裂纹。
（a）无人飞机机载成像检测过程图
（b）无人飞机成像桥梁底板裂缝图
（c）裂缝识别结果
图3 基于无人飞机成像的桥梁裂缝宽度识别[22]
将无人机与3D建模等技术相结合可实现桥梁信息的智能检测，再利用图像处理、识别及人工智能的方法可实现基于采集图像信息的智能提取，最后根据相关规范开展桥梁结构性能的智能评估[25-30]。
检测机器人的研发同样有力推动了智能桥梁的发展。勾红叶等[31-32]正在研发携带超声波探头的正交异性钢桥面板（OSD）疲劳裂纹智能检测机器人，基于超声波相控阵成像技术和神经网络技术，可实现裂纹缺陷的定位和智能识别。Phillips等[33]研发了地面机器人来配合移动检测机器人的使用，该地面机器人解决了传统的数据搜集平台需要人工操作的弊端，实现了数据采集与传输的全自动化。Xu等[34]分别通过静动力分析和拉格朗日力学分析研究了攀爬机器人主动轮和从动轮的动态障碍物攀爬过程，设计了一种双侧爬电缆机器人，提高了传统攀爬机器人的障碍物超越能力。Hirai等[35]开发了一种水下检测机器人，该机器人具备视频捕捉、激光间接测距、稳定保持深度和航向等功能，已在实际桥梁、大坝巡检中验证了其有效性。
除此之外，雷达、声发射、红外线热成像等先进的桥梁智能检测技术也大幅提高了桥梁检测的精度及效率。
在军事领域，雷达技术（GPR）已很成熟，但其在桥梁工程领域的应用还有待进一步开发，针对这一现象，一些桥梁学者开展了对雷达技术的研究。王翔等[36]提出了一种基于雷达的非接触式检测技术，利用雷达发射的无线电波可以实现对斜拉索振幅的高精度检测，解决了斜拉索索力检测时传感器效率较低且信号不稳定等问题。邵泽龙等[37]设计了一个用于解决大跨度悬索桥振动检测困难的监测雷达。该监测雷达应用了调频连续波技术和干涉测量技术，能够实现对桥梁复杂振动的高精度检测及振动的模态分析，如图4所示。王鹏等[38]将雷达技术引入到了桥跨结构的振动变形测量与模态分析中，实现了对在役桥梁动静载试验时的连续变形监测与模态分析。
图4 基于微波干涉雷达的悬索桥振动监测[37]
袁明、颜东煌等[39]采用声发射技术对混凝土梁的损伤过程进行动态监测，提出了一种改进的损伤模型，实现了使用声发射技术对混凝土梁损伤的定量评估。周建庭等[40]结合金属磁记忆理论在铁磁性材料早期缺陷无损检测方面的优势，提出了基于金属磁记忆技术的镀锌钢绞线拉索腐蚀检测新技术，成功解决了常规技术难以检测镀锌钢绞线拉索内部腐蚀的问题。孙杰等[41]采用主动式红外热成像技术对桥梁钢结构涂装进行检测的方法，能够准确判断出缺陷的形式及位置。Wang等[42]提出了基于无基线技术的实际影响线检测损伤方法，解决了在没有健康状态的先验信息情况下的结构损伤检测问题。Liu等[43]提出了一种跨海钢结构桥梁承载面积的危险检测方法，建立了建筑结构的承载力模型，采用屈曲分析法对跨海钢结构桥梁的力学性能和承载力进行评估。Oskoui等[44]提出了一种用于多跨连续桥梁长度方向的分布式损伤检测技术，可准确识别微裂纹位置。中铁大桥科学研究院[19]将桥梁/路基竖向位移高精度自动监测技术、便携式无线智能索力检测技术、超声螺栓轴力测试技术、长大桥梁线形快速检测技术和结构外观病害及变形图像识别技术进行整合，并在此基础上研发了包括拉索检测机器人、智能巡检无人机、梁底检测机器人等一系列智能检测设备。此外，还有长安大学结构智能检测技术研究所研发的：基于数字图像技术的结构变形检测新技术、桥梁应变测试新技术、桥梁体内/体外预应力测试新技术以及结构外部缺陷检测新技术，在桥梁道路及建筑结构外观检测、静动力荷载试验等方面都具有广阔应用前景。
3.2 智能识别与数据分析
针对无人机或机器人采集后的图像或数据，开展图像处理、智能识别及数据分析同样是国内外学者研究的重点。La等[45]开发了使用攀爬机器人对钢结构和桥梁进行视觉和3D结构检查的方法；着重采用钢表面图像拼接和3D重建技术展现结构的当前条件，再基于计算机视觉检测拼接图像上的表面缺陷，实现对钢结构裂纹的自动识别及性能评估（图5）。Li等[46]开发了由攀爬机器人、图像处理平台和4个固定摄像机组成的视觉检查系统；该系统基于尺度不变特征变换（SIFT）算法，实现了在不同缺陷图像中具有部分重叠区域的多图像镶嵌，并采用图像处理技术实现缺陷智能识别。
(a) 带有集成传感器的机器人原型 (b) 视觉图像（上）和3D图像（下）图5 结合机器人与3D重建技术的桥梁智能检测[45]
计算机视觉技术是图像处理分析和识别的主要方法之一。Zhu等[47]采用转移学习和卷积神经网络对大量桥梁检测图像进行了自动分析和识别，解决了人工检测时主观或经验因素的影响，提高了检测识别的准确度和效率。淡丹辉等[48]提出了一种基于信息融合的桥梁荷载识别方法，可以实现同时识别全桥面的横向荷载和纵向荷载，并通过多视点三维仿真视频数据和现场实测数据，验证了该方法的可靠性和准确性。Liang等[49]提出了基于贝叶斯优化的大数据深度学习方法，对钢筋混凝土桥梁系统灾后检测图像进行了分析，采用不同卷积神经网络，实现了从系统故障分类、组合桥梁检测和局部损伤定位三个层次的桥梁性能智能评估。孙利民等[50]提出了一种基于大数据深度学习的计算机视觉技术与影响线理论相结合的交通感知方法，能够自动识别车辆荷载和速度。张建仁团队[51]利用三维扫描技术对已腐蚀的高性能钢（HPS）试件的几何特征进行量化，探究了腐蚀后HPS试样的力学性能。Dung等[52]提出了采用深度卷积神经网络进行传递学习的方法，该方法既提高了裂纹识别的准确性，又提高了神经网络的鲁棒性（图6）。
(a) 训练之前图像预处理过程(b) 训练和验证时的准确性
图6 基于计算机视觉处理技术的裂纹识别[52]
智能算法方面，Hüthwohl等[53]基于大数据集对三个单独的深度神经网络进行训练，得到一个三阶段的混凝土缺陷分类器，可将潜在不健康的桥梁区域分为特定的缺陷类型。周建庭等[54]提出了一种基于均匀设计的逐步回归模型和基于混沌搜索的智能优化算法相结合的结构损伤识别新方法，能较准确地识别结构的损伤位置和损伤程度。Cheng等[55]开发了一种新的大数据智能计算系统，可以确定桥梁维护的最佳时机和预算。Zhao等[56]提出了基于大数据深度学习和长短期记忆网络分类的综合状态评估方法，可实现对预应力混凝土箱梁桥的开裂预警，如图7所示。夏烨、孙利民等[57]针对区域内既有桥梁，系统地提出了基于多源信息的桥梁网级评估与预测方法。王克海等[58]基于机器学习实现了对我国公路中小跨径桥梁的抗震设计和评价。晏班夫、邵旭东等[59]针对采集的结构形变视频图像，引入数字图像相关（DIC）技术，基于傅里叶变换的互相关整像素匹配算法与反向组合高斯-牛顿迭代亚像素匹配算法，实现了结构多点动位移时程的快速测试。李宏男、伊廷华等[60]提出了一种基于特征系统实现算法和虚拟频响函数的创新方法，可识别出更精确的模态参数。Ni等[61]提出了一种新颖的支持深度学习的数据压缩和重构框架，可实现对数据压缩后异常数据的高精度检测。
图7 桥梁开裂的可靠性分析和预警：（a）累积分布函数（CDF）估计和（b）预警原理[56] 通过上述研究的总结不难发现，无人机、机器人、雷达、红外线热成像等桥梁智能检测技术以及计算机视觉、大数据深度学习等人工智能技术都得到了大量研究和工程应用，促进了桥梁智能化的进一步提升，但还存在一些不足：（1）单个智能检测设备的功能较少，难以满足多种需求的检测任务；（2）尚未充分挖掘已获数据的潜在科学价值，难以为基于数据的科学决策提供有效支撑；（3）智能识别评估理论体系尚未完全适用于新智能检测技术。
4.1 高性能智能材料
桥梁向大跨度、轻型化、智能化发展，必须对传统的建筑材料进行革命性突破，研发高性能智能材料。不同行业对高性能智能材料定义有别，但大家普遍认为高性能智能材料就是指其具备环境变化感知能力，并对之进行分析和判断，然后发生形状、结构甚至性质上的变换，达到自适应环境的目的。当前对于智能材料的应用主要体现在无损检测、健康监测以及减振控制等方面，研发应用的智能材料主要有形状记忆合金、光导纤维、碳纤维等。
形状记忆合金（SMA）是同时具有感知和驱动功能的金属材料，主要有形状记忆效应、超弹性效应、阻尼效应、电阻特性等特殊物理性能，被广泛应用于桥梁减隔震等方面[62-63]。
曹飒飒等[64]提出了一种由三级形状记忆金属索和铅芯橡胶支座并联组成的多级设防减震装置，其具有较好的自复位、限位和耗能能力，兼具多级设防的优点。Xiang等[65]对比分析了屈服钢缆（YSCs）、粘滞阻尼器（VDs）、摩擦阻尼器（FDs）和超弹性形状记忆合金钢缆（SMAs）的易损性，验证了形状记忆合金在减隔震方面的优势。Zheng等[66]研发了一种基于SMA缆索的自适应镍钛形状记忆合金摩擦滑动轴承（SMAFSB），探究并发现了间隙为30mm的固定式SMAFSB具有最好的减隔震效果（图8），且易于更换。同时，也有学者研究了形状记忆合金在抑制钢桥疲劳裂纹产生方面的应用，Mohammadreza等[67]采用智能铁基形状记忆合金（Fe-SMAs）对钢桥疲劳开裂铆接节点进行了改进，使得施加预应力后的Fe-SMA带显著提高了材料的疲劳寿命，抑制了疲劳裂纹的产生。
图8 SMAFSB脆性曲线[66] 光纤维主要用于光纤传感器，较传统的传感器相比具有灵敏度高、结构简单、体积小、便于远调等优势，其被广泛应用于桥梁检测和监测中[68]。
Bonopera等[69]将光纤光栅差分沉降量测（DSM）传感器用于预应力混凝土工字梁位移的监测，解决了监测受环境影响和需要外部参考的问题，其实测位移与线位移传感器（LVDTs）记录的实验值吻合良好。Ding等[70]通过在钢箱梁中连续铺设分布式光纤传感线路，监测了结构在脚手架拆除过程中的应变变化情况，并基于布里渊光时域分析（BOTDA）的分布式光纤传感技术构建了完整的桥梁健康监测系统。Zhang等[71]设计了一种基于光纤布拉格光栅（FBR）的倾角传感器（图9），通过倾角的变化来测量挠度，解决了大跨悬臂梁桥施工中，挠度监测存在工序过多、接线困难、数据无法实时采集的问题。王珍珍等[72]将光纤光栅传感器（OFBG）内置于碳纤维复材板（CFRP），成功监测了后张预应力CFRP板加固施工阶段的实时应力状态，并预测了放张后锚具变形导致的短期预应力损失值。Rufai等[73]提出了一种结构健康监测的光纤新技术，通过对光纤进行微编织来改善其机械性能。Wu等[74]通过建立光损耗与裂缝宽度的定量关系，设计并制作了微弯敏感光纤传感器，提出了一种基于微弯敏感光纤传感器的裂纹监测技术，成功实现在裂缝方向未知的情况下准确定位和测量混凝土裂缝的目的。
图9 FBR感应原理[71] 碳纤维是指含碳量在90%以上的高强度高模量纤维，主要用途是作为增强材料与其它材料一起制成先进的复合材料，在桥梁工程中得到了广泛应用。
Mahsa等[75]将超高性能纤维混凝土（UHPFRC）应用于桥梁快速施工（ABC）项目，采用的钢-混凝土-钢夹芯结构（SCSS）体系具有将先进的结构性能以及高效的施工速度。Cheng等[76]采用预应力CFRP纺织品加固桥梁结构后，有效的降低了桥梁的地震响应，提高了结构的抗震性能。Fan等[77]开发了一种基于UHPFRC的增强方法，提高了墩柱的抗冲击性能。
由此可见，高性能智能材料主要有七大功能：传感功能、反馈功能、信息识别与积累功能、响应功能、自诊断能力、自修复能力以及自适应能力。随着智能材料在桥梁工程领域的研制和应用，有力推动了桥梁智能化的发展。
4.2 智能防灾减灾
面向国家重大科技需求，为保障复杂自然环境下重大基础设施服役安全，使用人工智能技术将为结构防灾和行车防灾带来新的思路。
李惠等[2]提出了结构智能风险管控的强化学习框架，基于监测或检测的结构状态大数据信息，通过深度强化学习算法（图10），建立了考虑结构状态和服役年限的结构维修价值网络，并输出某服役年内的维修动作，实现了花费最小的情况下维护结构安全的优化控制。Mahmood等[78]在地理信息系统（GIS）环境下，结合水文工程中心河流分析系统（HEC-RAS）和水文工程中心地理河流分析系统（HEC-RAS），提出了一种综合水文概率分析方法，实施了针对具体地点的有效洪水风险降低战略。勾红叶等[79-80]研发了具有工程实用性的高速铁路桥上行车安全智能化评价系统，系统基于提出的列车-轨道-桥梁系统空间映射理论和多水准桥上行车安全评价准则，能考虑不同桥梁附加变形模式的时空效应和基础结构服役过程中性能演变的时序性和规律性。蒲黔辉、勾红叶等[79]基于高速铁路海量自然灾害监测数据，搭建了灾害大数据分析平台（图11），系统阐述了人工智能算法在风、雨、雪、地震及滑坡等高速铁路灾害监测预测预警中的应用。
图10 基于深度强化学习的结构维护智能决策方法[2]图11 高速铁路气象监测大数据分析系统[79]
针对其他灾害情况，Xu等[81]提出了一种改进的基于区域快速卷积神经网络（R-CNN），用于损伤钢筋的多类型地震损伤识别和定位（即开裂，混凝土剥落，钢筋屈曲），测试结果表明，训练有素的R-CNN可以自动识别和定位多类型地震破坏，总体平均精度达到80％。Ann等[82]以火灾造成的人员伤亡、交通堵塞和经济损失等为事件，基于火灾动力学仿真（FDS）方法对144座桥梁开展了基于时间的表面温度模拟，根据温度对桥梁表面损伤状态的影响程度，建立了基于风险等级的桥梁火灾防灾策略。但总体来说，相关的研究还比较缺乏。
检索目前现有文献发现，研究热点主要集中在：“BIM ”技术、无人机、检测机器人、计算机视觉、大数据深度学习等。声波、雷达、电磁、图像、激光等先进传感技术也越来越多地应用于智能桥梁检测中，物联网、云计算等信息化技术的引入将显著提升桥梁检测及监测的效率和效果，机器将更多地替代人工开展传统的桥梁结构检测及长期监测工作。
为促进桥梁向安全、长寿、绿色、高效、智能的前瞻性可持续方向发展，笔者认为以下几个方面的研究是下一阶段的研究重点：
（1）桥梁信息化方面，应深度融合“BIM” “资产管理”，逐渐实现由设施管理向资产化养护管理的转变和发展，发展桥梁预防性养护技术，完善基于BIM养护、健康度评估和资产管理的一体化信息化管理系统。数字孪生（Digital Twin）模型将大量引入桥梁养维护领域，用于实现物理资产优化、智能运维决策和预防性维修加固。
（2）桥梁智能化方面，应研发更先进的桥梁智能检测装备以及轻型化、快速化的试验检测技术，建立基于多源数据的更精准、更科学的智能诊断评估理论，构建立体化、信息化、智能化的桥梁检测、评估、加固一体化的桥梁维护体系。同时，智能工程装备，基于网络的桥梁智能化、信息化施工控制技术，以及轻质高强材料和面向智能建造的数字化控制技术也是目前的研究热点。
（3）面向重大自然灾害应急救援和交通设施抢通保通与恢复重建的国家重大战略需求方面，应开展重大自然灾害下大型桥梁灾后性能快速检测与评估技术研究，提出灾后性能指标体系及快速检测方法，研发与集成灾后性能快速检测的智能化装备，建立灾后性能智能化评估技术体系，提高我国自然灾害应急管理的科学化、专业化、智能化、精细化水平。
未来10~20年是中国桥梁工程创新、转型、升级的重要战略机遇期，应紧紧围绕“桥梁信息化及智能桥梁”这个主题开展核心理论创新、技术装备攻关和工程示范应用，以更好地支撑国家重大发展战略、保障桥梁安全长寿。
注：参与本文写作的还有刘雨、杨彪、华辉、谢蕊和刘畅。
参考文献
[1] Zhou X H, Zhang X G. Thoughts on the development of bridge technology in China[J]. Engineering, 2019, 5(6): 1120-1130.[2] 鲍跃全, 李惠. 人工智能时代的土木工程[J]. 土木工程学报, 2019, 52(05): 1-11.[3] 张泽, 刘军. BIM技术在景观桥梁设计中的应用[J]. 城市道桥与防洪, 2019(12): 181-183 20. [4] 赵艳峰, 王雷. 基于BIM的桥梁工程设计与施工优化[J]. 工程技术研究, 2019, 4(24): 223-224.[5] 孙建诚, 蒋浩鹏, 杨文伟, 等. 基于BIM的三维参数化桥梁标准建模方法研究[J]. 重庆交通大学学报(自然科学版), 2019, 38(10): 19-24. [6] 杜一丛, 王亮. 基于BIM参数化在桥梁工程设计阶段应用初探[J]. 建筑结构, 2019, 49(S2): 972-978. [7] 张秋信, 刘天成. BIM技术在平塘特大桥设计中的应用[J]. 公路, 2019, 64(09): 27-31. [8] 蒋赣猷, 罗伟, 孙辉, 等. BIM技术在特大钢管拱桥施工中的应用[J]. 中外公路, 2019, 39(04): 176-180. [9] 马白虎, 钟荣炼, 刘天成, 等. 平塘特大桥施工BIM信息管理系统研发及应用[J]. 公路, 2019, 64(09): 31-35. [10] 张文胜, 吴强, 祁平利, 等. BIM与3DGIS的集成技术及在铁路桥梁施工中的应用[J]. 中国铁道科学, 2019, 40(06): 45-51. [11] Markia N, Jrade A. Integrating an expert system with BrIMS, cost estimation, and linear scheduling at conceptual design stage of bridge projects[J]. International Journal of Construction Management, 2019, DOI: 10.1080/15623599.2019.1661572.[12] Lu C F, Liu J F, Liu Y H, et al. Intelligent construction technology of railway engineering in China[J]. Frontiers of Engineering Management, 2019, 6(4): 503–516.[13] 裴岷山, 陈艾荣. 桥梁管养信息化的发展与展望[J]. 公路, 2019, 64(10): 209-215.[14] 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(05): 16-26.[15] Wan C F, Zhou Z W, Li S Y, et al. Development of a bridge management system based on the building information modeling technology[J]. Sustainability, 2019, 11(17): 1-17.[16] 潘永杰, 魏乾坤, 赵欣欣, 等. 铁路桥梁病害库和管养知识库的构建及应用研究[J]. 铁道建筑, 2019, 59(01): 23-27.[17] Zou Y, Kiviniemi A, Jones S W, et al. Risk information management for bridges by integrating risk breakdown structure into 3D/4D BIM[J]. KSCE Journal of Civil Engineering, 2019, 23(2): 467-480.[18] Shim C S, Dang N S, Lon S, et al. Development of a bridge maintenance system for prestressed concrete bridges using 3D digital twin model[J]. Structure and Infrastructure Engineering, 2019, 15(10): 1319-1332.[19] 钟继卫, 王波, 王翔, 等. 桥梁智能检测技术研究与应用[J]. 桥梁建设, 2019, 49(S1):1-6.[20] Xu Y Y, Turkan Y. BrIM and UAS for bridge inspections and management[J]. Engineering, Construction and Architectural Management, 2019, DOI: 10.1108/ECAM-12-2018-0556.[21] Morgenthal G, Hallermann N, Kersten J, et al. Framework for automated UAS-based structural condition assessment of bridges[J]. Automation in Construction, 2019, 97: 77-95. [22] 钟新谷, 彭雄, 沈明燕. 基于无人飞机成像的桥梁裂缝宽度识别可行性研究[J]. 土木工程学报, 2019, 52(04): 52-61.[23] 梁亚斌, 蔡思佳, 冯谦, 等. 基于无人机航拍的武汉天兴洲长江大桥桥索PE外观检测技术[J]. 大地测量与地球动力学, 2019, 39(11): 1207-1210.[24] Lin W G, Sun Y C, Yang Q N, et al. Real-time comprehensive image processing system for detecting concrete bridges crack[J]. Computers and Concrete, 2019, 23(6): 445-457.[25] Chen S Y, Laefer D F, Mangina E, et al. UAV bridge inspection through evaluated 3D reconstructions[J]. Journal of Bridge Engineering, 2019, 24(4): 1-15.[26] Jung H J, Lee J H, Yoon S, et al. Bridge Inspection and condition assessment using Unmanned Aerial Vehicles (UAVs): Major challenges and solutions from a practical perspective[J]. Smart Structures and Systems, 2019, 24(5): 669-681.[27] Liu Y F, Nie X, Fan J S, et al. Image-based crack assessment of bridge piers using unmanned aerial vehicles and three-dimensional scene reconstruction[J]. Computer-Aided Civil and Infrastructure Engineering, 2019, DOI: 10.1111/mice.12501.[28] Lee K W, Park J K. Modeling and management of bridge structures using unmanned aerial vehicle in Korea[J]. Sensors and Materials, 2019, 31(11): 3765-3772.[29] 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): 1-20.[30] 方留杨, 陈华斌, 吴晓南, 等. 基于无人机三维建模技术的桥梁检测方法研究[J]. 中外公路, 2019, 39(01): 109-113.[31] 勾红叶, 韩冰, 王海波, 等. 一种正交异性钢桥面板疲劳裂纹智能识别方法：中国，201911164585.X[P]. 2019-11-25.[32] 王海波, 勾红叶, 薛朝军. 用于正交异性面板疲劳裂纹检测的装置及其使用方法：中国， CN110824011A[P]. 2020-02-21.[33] Phillips S, Narasimhan S. Automating data collection for robotic bridge inspections[J]. Journal of Bridge Engineering, 2019, 24(8): 1-13. [34] Xu F Y, Jiang Q S. Dynamic obstacle-surmounting analysis of a bilateral-wheeled cable-climbing robot for cable-stayed bridges[J]. Industrial Robot: The International Journal of Robotics Research and Application, 2019, 46(3): 431-443.[35] Hirai H, Ishii K. Development of dam inspection underwater robot[J]. Journal of Robotics, Networking and Artificial Life, 2019, 6(1): 18-22.[36] 王翔, 潘中明, 王波. 基于雷达的斜拉索索力非接触遥测技术研究[J]. 世界桥梁, 2019, 47(03): 49-53.[37] 邵泽龙, 张祥坤, 李迎松, 等. 基于微波干涉雷达的悬索桥振动监测[J]. 现代电子技术, 2019, 42(16): 140-143 148.[38] 王鹏, 邢诚, 项霞. 地基干涉雷达IBIS-S桥跨结构振动变形测量与模态分析[J]. 测绘通报, 2019(10): 35-39.[39] 袁明, 黄练, 彭卓, 等. 基于声发射技术的混凝土梁桥弯剪受力状态下损伤试验[J]. 长安大学学报(自然科学版), 2019, 39(02): 73-81.[40] 周建庭, 赵亚宇, 何沁, 等. 基于磁记忆的镀锌钢绞线腐蚀检测试验[J]. 长安大学学报(自然科学版), 2019, 39(01): 81-89.[41] 孙杰, 甄宗标. 红外热成像技术在桥梁钢结构涂装检测中的应用[J]. 世界桥梁, 2019, 47(05): 69-73.[42] Wang N B, Ren W X, Huang T L. Baseline-free damage detection method for beam structures based on an actual influence line[J]. Smart Structures and Systems, 2019, 24(4): 475-490.[43] Liu Q X, Li C A. Hazard detection method for the bearing pressure area of steel structure bridge across the sea[J]. Journal of Coastal Research, 2019, 93(sp1): 969-974.[44] Oskoui E A, Taylor T, Ansari F. Method and monitoring approach for distributed detection of damage in multi-span continuous bridges[J]. Engineering Structures, 2019, 189: 385-395.[45] La H M, Dinh T H, Pham N H, et al. Automated robotic monitoring and inspection of steel structures and bridges[J]. Robotica, 2019, 37(5): 947-967. [46] Li X K, Gao C, Guo Y C, et al. Cable surface damage detection in cable-stayed bridges using optical techniques and image mosaicking[J]. Optics and Laser Technology, 2019, 110: 36-43. [47] Zhu J S, Zhang C, Qi H D, et al. Vision-based defects detection for bridges using transfer learning and convolutional neural networks[J]. Structure and Infrastructure Engineering, 2019, DOI: 10.1080/15732479.2019.1680709. [48] Dan D H, Ge L F, Yan X F. Identification of moving loads based on the information fusion of weigh-in-motion system and multiple camera machine vision[J]. Measurement, 2019, 144: 155-166.[49] Liang X. Image-based post-disaster inspection of reinforced concrete bridge systems using deep learning with Bayesian optimization[J]. Computer-Aided Civil and Infrastructure Engineering, 2019, 34(5): 415-430.[50] Jian X D, Xia Y, Lozano-Galant J A, et al. Traffic sensing methodology combining influence line theory and computer vision techniques for girder bridges[J]. Journal of Sensors, 2019, 2019: 1-15.[51] Xiao L F, Peng J X, Zhang J R, et al. Mechanical properties of corroded high performance steel specimens based on 3D scanning[J]. Advanced steel construction, 2019, 15(2): 129-136.[52] Dung C V, Sekiya H, Hirano S, et al. A vision-based method for crack detection in gusset plate welded joints of steel bridges using deep convolutional neural networks[J]. Automation in Construction, 2019, 102: 217-229.[53] Hüthwohl P, Lu R D, Brilakis I. Multi-classifier for reinforced concrete bridge defects[J]. Automation in Construction, 2019, 105: 1-15.[54] Xin J Z, Zhang H, Zhou J T, et al. Damage identification of bridge system based on a hybrid algorithm[J]. International Journal of Robotics and Automation, 2019, 34(2): 104-111.[55] Cheng M Y, Chiu Y F, Chiu C K, et al. Risk-based maintenance strategy for deteriorating bridges using a hybrid computational intelligence technique: a case study[J]. Structure and Infrastructure Engineering, 2019, 15(3): 334-350.[56] Zhao H W, Ding Y L, Li A Q, et al. Live-load strain evaluation of the prestressed concrete box-girder bridge using deep learning and clustering[J]. Structural Health Monitoring, 2019, DOI: 10.1177/1475921719875630.[57] 夏烨, 王鹏, 孙利民. 基于多源信息的桥梁网级评估方法[J]. 同济大学学报(自然科学版), 2019, 47(11): 1574-1584. [58] 王克海, 鲁冠亚, 张盼盼. 基于机器学习的中小跨径公路梁桥抗震设计评价方法研究[J].公路交通科技, 2019, 36(02): 74-84. [59] 晏班夫, 李得睿, 徐观亚, 等. 基于快速DIC与正则化平滑技术的结构形变测试[J/OL]. 中国公路学报，2019, DOI: http://kns.cnki.net/kcms/detail/61.1313.U.20200214.1529.004.html.[60] Qu C X, Yi T H, Li H N. Mode identification by eigensystem realization algorithm through virtual frequency response function[J]. Structural Control and Health Monitoring, 2019, 26(10): 1-19.[61] Ni F T, Zhang J, Noori M N. Deep learning for data anomaly detection and data compression of a long-span suspension bridge[J]. Computer-Aided Civil and Infrastructure Engineering, 2019, DOI: 10.1111/mice.12528.[62] Zheng W Z, Wang H, Li J, et, al. Performance evaluation of bridges isolated with SMA-based friction pendulum system at low temperatures[J]. Soil Dynamics and Earthquake Engineering, 2019, 125: 1-11.[63] Wang J Q, Li S, Dezfuli F H, et, al. Sensitivity analysis and multi-criteria optimization of SMA cable restrainers for longitudinal seismic protection of isolated simply supported highway bridges[J]. Engineering Structures, 2019, 189: 509-522.[64] 曹飒飒, 伍隋文, 孙卓, 等. 梁桥多级设防SMA减震装置[J]. 振动与冲击, 2019, 38(24): 209-217.[65] Xiang N L, Alam M S. Comparative seismic fragility assessment of an existing isolated continuous bridge retrofitted with different energy dissipation devices[J]. Journal of Bridge Engineering, 2019, 24(8): 1-17.[66] Zheng Y, Dong Y, Chen B, et al. Seismic damage mitigation of bridges with self-adaptive SMA-cable-based bearings[J]. Smart Structures and Systems, 2019, 24(1): 127-139.[67] Izadi M, Motavalli M, Ghafoori E. Iron-based shape memory alloy (Fe-SMA) for fatigue strengthening of cracked steel bridge connections[J]. Construction and Building Materials, 2019, 227: 1-17.[68] Nair A, Cai C S, Kong X, et, al. Bridge retrofitting using FRP-wrapped balsa wood deck: experimental study and field evaluation[J]. Journal of Aerospace Engineering, 2019, 32(5): 1-17.[69] Bonopera M, Chang K C, Chen C C, et, al. Fiber bragg grating-differential settlement measurement system for bridge displacement monitoring: case study[J]. Journal of Bridge Engineering, 2019, 24(10): 1-12.[70] Ding Y, Xiao F, Zhu W W, et al. Structural health monitoring of the scaffolding dismantling process of a long-span steel box girder viaduct based on BOTDA technology[J]. Advances in Civil Engineering, 2019, 2019: 1-7.[71] Zhang C R, Ge Y X, Hu Z C, et, al. Research on deflection monitoring for long span cantilever bridge based on optical fiber sensing[J]. Optical Fiber Technology, 2019, 53: 1-7.[72] 王珍珍, 周智, 王佳钰. 预应力碳纤维复材板加固桥梁短期预应力损失监测[J]. 工业建筑, 2019, 49(04): 180-186.[73] Rufai O, Gautam M, Potluri P, et, al. Optimisation of optical fibre using micro-braiding for structural health monitoring[J]. Journal of Intelligent Material Systems and Structures, 2019, 30(2): 171-185.[74] Wu C F, Sun K K, Xu Y M, et, al. Concrete crack detection method based on optical fiber sensing network and microbending principle[J]. Safety Science, 2019, 117: 299-304.[75] Farzad M, Shafieifar M, Azizinamini A. Experimental and numerical study on an innovative sandwich system utilizing UPFRC in bridge applications[J]. Engineering Structures, 2019, 180: 349-356.[76] Cheng X S, Li X S, Kang T F, et, al. Seismic response of a box bridge after reinforcement with prestressed CFRP textile[J]. Australian Journal of Civil Engineering, 2019, DOI: 10.1080/14488353.2019.1699635.[77] Fan W, Shen D J, Yang T, et al. Experimental and numerical study on low-velocity lateral impact behaviors of RC, UHPFRC and UHPFRC-strengthened columns[J]. Engineering Structures, 2019, 191: 509-525.[78] Mahmood S, Rahman A, Shaw R. Spatial appraisal of flood risk assessment and evaluation using integrated hydro-probabilistic approach in Panjkora River Basin, Pakistan[J]. Environmental Monitoring and Assessment, 2019, 191(9): 573.[79] 蒲黔辉, 杨长卫, 勾红叶, 等. 高速铁路防灾减灾——大数据智能化技术与应用[M]. 科学出版社, 2020.[80] 勾红叶, 蒲黔辉, 严猛等. 高速铁路桥上行车安全智能化评价与预警系统，2019V1.0SR1009461[CP]. 2019.07.04[81] Xu Y, Wei S Y, Bao Y Q, et al. Automatic seismic damage identification of reinforced concrete columns from images by a region‐based deep convolutional neural network[J]. Structural Control and Health Monitoring, 2019, 26 (3): 1-22.[82] Ann H, Choi Y, Lee J H, et al. Semiquantitative fire risk grade model and response plans on a national highway bridge[J]. Advances in Civil Engineering, 2019, 2019: 1-13.桥梁智能检测与服役安全科技创新研究团队简介
西南交通大学“桥梁智能检测与服役安全科技创新研究团队”是以蒲黔辉教授为带头人，杨永清教授、勾红叶教授、李晓斌、洪彧等为核心成员的研发团队。团队现有教授3人，副教授2人，讲师3人，博士研究生20余人，硕士研究生70余人，研究力量投入充足。该团队依托“陆地交通地质灾害防治技术国家工程实验室”、“西南交通大学结构工程试验中心”和“四川交大工程检测咨询有限公司”，在桥梁智能检测及养护维修加固、桥梁动力学行为及安全评定、车-轨-桥变形映射及行车安全领域取得创新性研究成果。
团队以“理论研究-关键技术-装备研制-平台研发”为主线，针对桥梁检测环境恶劣、时效性强、荷载环境变化快等特点，自主研发了智能化快速检测及评估平台，可以有效快速评价桥梁服役安全性能；针对桥梁常见病害及损伤，提出了不中断交通桥梁结构快速加固成套技术；针对我国自然灾害频发等特点，研发了桥墩防护、边坡防护、柔性棚洞等实用产品，可以有效减少结构损害；针对高速铁路桥梁服役安全，研发了具有工程实用性的高速铁路桥上行车安全智能化评价系统和高速铁路沿线自然灾害监测大数据分析平台。以上成果已应用于港珠澳长江大桥、苏通长江大桥、鄂东长江大桥、浙江舟山群岛链西堠门大桥、青藏铁路拉萨河大桥、重庆长江二桥、涪陵长江大桥、南京长江二桥、南京长江三桥、京沪高铁南京大胜关长江大桥、沪通铁路长江大桥、连镇铁路五峰山长江大桥、宁波铁路枢纽北环线甬江特大桥等国内多座著名桥梁上。近年来，团队主持或参与科研项目200余项，发表学术论文200余篇，获授权发明专利、软件著作权100余件，出版专著5部，主/参编制国家/行业/地方标准20余部。研究成果获国家科技进步奖2项、四川省科技进步奖3项、中国交通运输协会科学技术奖1项、茅以升科学技术奖桥梁青年奖等。
团队主要成员简介
蒲黔辉，教授，博士生导师，院长
长期从事桥梁结构行为、智能检测、大数据方法在桥梁工程中的应用等方面研究。近五年来，负责/参加完成“城市典型交通基础设施运维安全关键技术研究”等10余项国家重点研发计划项目、国家科技支撑项目、国家自然科学基金项目、省科技厅项目等。发表国内外学术论文200余篇，出版专著1部，授权发明专利20余项，参编《城市轨道交通桥梁设计规范》等国家标准2部。获国家科技进步奖2项、省科技进步奖3项、中国交通运输协会科学技术奖一等奖1项，宏宇优秀教师奖，陆氏青年教师奖等。担任中国土木工程学会理事、中国灾害防治协会理事、四川省建设工程质量安全与监理协会鉴定分会主任、四川省桥梁专委会副主任等。
