材料与结构的计算分析贯穿土木工程全寿命周期。尽管已经历了从手算到计算机辅助数值计算的转变，但经典土木工程计算方法依旧高度依赖人工，日渐难以满足工业4.0、数字孪生等产业数字化转型需求，亟待更为先进的信息技术加以改进升级。

近年来，以机器学习、深度学习等算法为代表的人工智能技术为突破人工经验认知、摆脱人工依赖提供了前所未有的可能。得益于其强大的拟合能力、卓越的计算效率以及优异的开放拓展性，人工智能正催生新的科研范式，加速了众多工程学科的科研流程，帮助发现科学规律 ^[1] 。“十四五”规划和2035年远景目标纲要中指出应加快建设新型基础设施，要求瞄准人工智能等前沿领域实施一批具有前瞻性、战略性的重大科技项目。因此，人工智能技术日益受到土木工程学者的关注，成为传统计算方法极具前景的更替选择，并逐步发展出土木工程智能计算分析这一新的研究方向。然而，目前在此新兴领域，尚未有学者对已有研究进行系统的整理与分析。为了帮助感兴趣的研究者与工程技术人员了解前沿进展，促进先进智能技术落地实践，本文对土木工程智能计算分析研究与应用进行了全面综述，梳理了主要研究分类并提炼了技术路线，进而针对智能计算分析研究现状提出了四个开放性问题，以期为未来探索方向提供参考与启发。相关成果发表于《建筑结构学报》2022年第9期。

根据问题输入将土木工程智能计算分析相关研究划分为以下3类：1）根据材料及结构自身属性信息预测力学性能的 静态特征 （static feature）研究；2）根据不同外部激励序列预测全过程响应的 动态特征 （dynamic feature）研究；3）综合考虑自身属性与外部激励的 复合特征 （composite feature）研究。

2.1  静态特征研究

结构静态特征研究通常关注经典理论难以求得解析表达式或影响因素过多导致相关关系难以量化的力学指标预测问题，例如混凝土结构的剪切承载力 ^[2] 等。此类力学指标的传统研究方法是通过有限元模型结合实体试验进行参数分析，寻找重要影响参量，再进行人工函数拟合得到设计公式。与传统路线相比，静态特征智能研究的主要特点在于，采用机器学习等智能模型替代函数构造过程（图1），在实现自动化的同时提升拟合准确性。得益于智能模型的高效计算优势，在后期可以开展敏感性分析，进一步确定各个输入参数的重要性，时间开销远低于传统有限元参数分析。综上所述，目前静态特征研究的主要技术路线为：1）收集试验数据或数值计算结果，建立数据库；2）根据经验确定输入特征；3）选择合适的智能算法进行训练；4）在测试集上进行检验，并与传统经验公式或现行规范进行对比；5）利用训练得到的模型开展参数敏感性分析，明确重要影响的特征参量。

2.2  动态特征研究

与静态特征相比，动态特征呈现出更显著的随机性。根据预测响应的范围，可以将动态特征问题进一步细分为两类。第一类是在一条输入激励上，根据前期响应时程序列预测后期响应序列，可等价于时间序列分析问题，对应的技术路线可抽象为：1）针对一条响应序列，确定训练用区间与待预测区间；2）利用训练用区间响应训练智能模型；3）检验学习得到的模型在待预测区间的准确性。

第一类研究适用场景较窄，局限于单一激励响应，而实际中更关注在其他工况下的泛化性，例如不同地震波作用下的结构响应等。因此，第二类研究关注通过学习不同荷载激励下的完整响应序列，以预测材料及结构在新输入激励下的全过程力学响应（图2）。第二类研究的技术路线归纳如下：1）收集或生成目标对象的响应序列数据集；2）利用数据集训练智能模型；3）输入测试工况，检验智能模型的预测准确性。

动态特征研究典型应用实例列于表2。更为详细的应用介绍可参考推文结尾处完整论文。

2.3  复合特征研究

不同材料及结构的全过程力学响应计算需要综合考虑静态特征与动态特征，但目前鲜有完全基于智能算法的复合特征研究报道。一种折中的方法是将静态特征研究与经典人工本构模型结合。传统上，人工本构模型的建立包含两个步骤：一是人为设定加卸载滞回准则；二是确定模型关键特征点与结构固有属性之间的联系，通过参数分析拟合其计算公式。因此，可行的部分智能化技术路线是引入智能模型计算人工本构上的特征点，随后利用该本构模型进行全过程力学响应预测。例如，韩小雷等 ^[12] 利用ANN预测钢筋混凝土（RC）梁Pinch-IMK本构的骨架线特征点，输入特征为混凝土抗压强度、剪跨比等。由此可见，虽然最终结果实现了多种构造的RC梁全过程力学响应模拟，但本质上属于静态特征研究的衍生。

3.1  现有研究局限性

现有的土木工程智能计算分析研究已取得了大量探索性成果，但还存在以下局限性：1）现有研究的系统性不足，缺乏对数据侧的研究。许多智能研究的对象都是经典理论无法良好解释的问题，例如混凝土剪切性能，通过人工遴选输入特征极可能造成信息丢失，导致隐性引入人为假设而陷入经典理论研究的困境，最终限制了智能技术突破人工知识瓶颈，损害学习结果。2）静态特征研究是一种简化方法，其所关注的大部分力学指标，实际上均与加载路径密切相关，因为材料及结构在往复载荷作用下会发生循环强化或软化等非线性行为，影响最终性能表现。3）目前的动态特征研究均只能处理单一实例，泛化性仅局限于同一结构不同工况的计算场景。4）与人工本构模型相结合的复合特征研究，由于“短板效应”，计算精度与效率依旧受限于人工模型的表现，无法充分发挥人工智能技术的优势。

3.2  实例介绍：智能计算框架DeepSNA

为解决上述局限性，同时提供具体案例以展示人工智能技术的优异性能，将介绍作者团队研发的土木工程智能计算框架DeepSNA（Deep Structural Nonlinear Analysis） ^[13] 。

3.2.1  通用数据接口模式

为了保真预测对象的固有属性信息、尽可能减少人为经验对输入特征的干预，首先设计了一个通用的静态特征统一数据接口模式，能够有序高效地组织多类型构造配置。

该数据接口模式提出了特征模块（feature module）的概念，将材料或结构的各构成部分进行拆解，并为每个构成要素设立一个特征模块，其内包含该要素的特征描述。考虑到构成要素的可重复性，进一步定义了两种特征模块类型：定长特征模块（fixed-length feature module，FLFM）与变长特征模块（variable-length feature module，VLFM），并规定任一特征模块仅为两者其一。

该数据接口模式具有广泛通用性，可保留材料及结构原始的固有属性信息，降低人工筛选与预处理特征造成的信息丢失。表3中作为示例给出了钢板剪力墙结构部分特征模块的数据库字段。

3 .2.2  静态特征表示学习

与现有静态特征研究直接面向具体的力学指标预测不同，DeepSNA框架引入了表示学习的概念，提出了表示学习模型PADCN（Pre-Attention Deep & Cross Network），模型架构如图3a所示。

PADCN模型主要实现两个功能：1）能够合理集成变长特征模块的特征序列，从而便于后续深度学习模型能够统一处理两类特征模块。因此，PADCN模型引入了标准注意力机制进行预处理，再通过平均池化等变换得到变长特征模块的表示向量。2）学习各特征模块内部以及相互之间的耦合关系。因为受材料、几何非线性等多种因素影响，各构成要素通常不满足简单的叠加原理。为此，PADCN模型采用了深度交叉网络，通过特征自身的不断交叉挖掘高阶相互作用，同时采用深度神经网络实现模型的泛化性。

3 .2.3  动态特征预测模型

在动态特征处理部分，基于Transformer架构搭建了Mechformer模型（图3b） ^[14] ，分为编码器与解码器两大模块，每个模块可进行多层堆叠以增强表达能力。进行力学响应预测时，输入的激励序列经由编码器提取全局记忆效应后传入解码器，后者则根据传入的上下文信息（context，即包含了全局记忆信息的激励序列）以及历史结果预测当前的响应。（Mechformer模型的介绍可见“ 具有历史依赖效应的材料及结构响应预测通用深度学习MechPerformer模型 ”）

将PADCN模型学习得到的静态特征表示向量与外部激励变换后的输入拼接，一同传入Mechformer模型进行联合训练。综上所述，DeepSNA实现了从原始数据到材料及结构全过程力学响应预测的端到端学习链，全面覆盖数据侧与模型侧，能够综合考虑静态特征与动态特征，是完整的智能计算框架。

3 .2.4  智能计算框架效果展示

以钢板剪力墙结构为对象开展了数值试验。图4展示了测试集中部分构件预测结果。基于DeepSNA训练得到的智能模型能够准确模拟不同构造钢板剪力墙结构的高度非线性滞回响应，复现了应变幅依赖效应导致的循环强化、剪切屈曲带反复加卸载导致的呼吸效应、以及由大变形损伤造成的强度与刚度退化等多种复杂力学现象。为了更清晰展示DeepSNA智能框架相较于传统数值方法的优异性能，图4还对比了两者的模拟结果。可以清楚观察到，基于DeepSNA的智能模型拟合更为精确，尤其当试件呈现出强几何非线性与强度退化。此外，相较于传统精细有限元模型一个试件模拟时长动辄数小时，提出的深度学习框架在无部署优化的情况下计算16个试件时长不到10 s，效率提升至少1000倍，大幅降低计算时间。

由此可见，基于DeepSNA计算框架的智能模型具有卓越的准确性和高效性，能够为未来数字孪生、结构智能设计等实时仿真场景提供强大工具与有效技术支持。

基于机器学习、深度学习等新一代人工智能技术的新型土木工程计算分析方法已经在众多场景中取得了优异效果与长足进展。但与此同时，也必须承认其距离大规模、普适性的实际工程应用还存在巨大的研究与改进空间。本节中将列举四个土木工程智能计算分析研究的开放性问题，以供未来研究方向参考。

4.1 小样本、不完备样本学习技术

智能技术的根本在于大数据支持与驱动，但目前在土木工程领域，由于历史与现实因素影响，各类试验研究与现场勘测数据缺乏系统的归纳和整理，缺少大规模数据库。此外，由于材料属性、结构构造的丰富性以及材料、结构形式的不断推陈出新，数据库往往难以覆盖全部配置参数。因此，发展土木工程小样本、不完备样本智能学习技术具有极为重要的实际工程意义，能够有效推动大规模智能模型与先进算法的引入与落地，提升其在实际场景中的泛化能力。

4.2  体系层次高保真数字化表征技术

无论是第2节中各类研究在体系层次的应用，还是第3节介绍的智能计算框架，大多都仅面向规则结构体系，通过自由度凝聚或降维简化其数字化表征方式。而事实上，相比材料或结构构件，结构体系层次的复杂度呈指数上升，既需要考虑拓扑连接关系，又需要考虑体系选型与构件布置，导致完整的体系特征几乎不可能通过常规的数据组织方式进行表示。因此，如何将任意结构体系的关键特征进行高保真数字化表征，是实现智能技术在实际工程中普适应用的关键挑战。

4.3  物理可解释的智能计算技术

土木工程具有极强的物理背景与理论基础，传统数值方法计算结果严格满足力学定律与方程，研究人员能够对其进行理解与阐释，这也造就了有限元等经典技术对所有模拟问题的通用性。然而，大部分智能算法，尤其是深度学习等前沿智能模型，其计算推理过程是一个黑匣子。在模拟结果正误混杂的情况下，研究人员很难从中获取建设性的信息以修正或改进模型。因此，需要探索具有物理可解释性的人工智能技术，将智能算法与土木工程力学理论深度融合，一方面能够促进智能模型成功学习底层数理原理，在准确、高效、通用的基础上实现结果科学性；另一方面有助于智能技术对经典理论的反哺作用，协助发现物理规律，破解理论难题。

4.4 土木工程预训练模型

目前结构智能计算相关研究都需要根据下游任务进行重新训练，因此需要大量标注的数据，例如实体试验、高精度有限元生成等，前期人工投入高昂。而大型预训练模型的训练过程采用无监督（自监督）学习方式，通常仅需要无标签数据；在实际应用时，可根据特定场景利用少量标签数据快速精调（fine-tuning）达到满意的效果。该模式已在计算机视觉、自然语言处理领域取得了巨大成功，例如GPT-3预训练语言模型 ^[15] 。但相较这两大经典人工智能领域，土木工程学科的预训练模型建立面临更大的挑战，包括如何制定预训练任务、如何跨任务学习不同受力机理对象的响应规律、现有深度学习模型架构的有效性、如何获取合理的无标签数据等。因此，土木工程大型预训练模型不仅具有可观的工程应用价值，也具有极高的学术研究难度。

1）在土木工程智能计算分析领域引入智能技术的合理性在于，传统基于人工经验的计算模型的底层机理可归结为唯象学拟合，因而可采用智能算法进行代替，提升模型的表达能力。

2）根据问题的输入可以将目前的土木工程智能计算分析研究整理为静态特征、动态特征以及复合特征研究三大方向。三者的问题难度、常用算法复杂度依次提升，研究数量相应减少，尤其是复合特征研究，鲜有完全智能化的文献报道。

3）针对现有研究局限性，介绍了完全基于深度学习的土木工程智能计算框架DeepSNA，其全面覆盖了数据侧与模型侧，具有高准确性、强通用性的特点，且相较于传统数值方法，计算效率实现了显著提升。

4）提出了小样本与不完备样本学习技术、结构体系高保真数字化表征技术、物理可解释的智能计算技术、本学科大型预训练模型等四个开放性研究问题，为土木工程智能计算分析的未来研究提供了方向参考。

人工智能技术在土木工程计算与分析领域的应用研究尚处于起步阶段，未来具有巨大的发展空间，能够推动土木工程设计与建造的全面自动化与智能化。

参考文献

[1] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[2] FENG D C, LIU Z T, WANG X D, et al. Failure mode classification and bearing capacity prediction for reinforced concrete columns based on ensemble machine learning algorithm[J]. Advanced Engineering Informatics, 2020, 45: 101126.

[3] SOBHANI J, NAJIMI M, POURKHORSHIDI A R, et al. Prediction of the compressive strength of no-slump concrete: a comparative study of regression, neural network and ANFIS models[J]. Construction and Building Materials, 2010, 24(5): 709-718.

[4] YANG L, QI C, LIN X, et al. Prediction of dynamic increase factor for steel fibre reinforced concrete using a hybrid artificial intelligence model[J]. Engineering Structures, 2019, 189: 309-318.

[5] MANGALATHU S, JEON J S. Classification of failure mode and prediction of shear strength for reinforced concrete beam-column joints using machine learning techniques[J]. Engineering Structures, 2018, 160: 85-94.

[6] GUAN X, BURTON H, SHOKRABADI M, et al. Seismic drift demand estimation for steel moment frame buildings: from mechanics-based to data-driven models[J]. Journal of Structural Engineering, 2021, 147(6): 04021058.

[7] ZHU S, OHSAKI M, GUO X. Prediction of non-linear buckling load of imperfect reticulated shell using modified consistent imperfection and machine learning[J]. Engineering Structures, 2021, 226: 111374.

[8] 王浩. 基于集成学习和 LSTM 人工智能算法的混凝土徐变研究[D]. 北京: 北京交通大学, 2020.

[9] WANG C, XU L, FAN J. A general deep learning framework for history-dependent response prediction based on UA-Seq2Seq model[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 372: 113357.

[10] CHRISTIANSEN N H, H?GSBERG J, WINTHER O. Artificial neural networks for nonlinear dynamic response simulation in mechanical systems[C]//Nordic Seminar on Computational Mechanics. Helsinki, Finland: The Nordic Association of Computational Mechanics, 2011: 77-80.

[11] 许泽坤, 陈隽. 非线性结构地震响应的神经网络算法[J]. 工程力学, 2021, 38 (9): 133-145.

[12] 韩小雷, 冯润平, 季静, 等. 基于深度学习的RC梁集中塑性铰模型参数研究[J]. 工程力学, 2021, 38(11): 160-169.

[13] 王琛,樊健生. 基于深度学习的土木工程结构全过程响应智能计算框架[J]. 建筑结构学报[2021-12-28]. DOI: 10.14006/j.jzjgxb.2021.0560.

[14] 王琛, 樊健生. 具有历史依赖效应的材料及结构响应预测通用深度学习MechPerformer模型[J]. 建筑结构学报,2022,43 (8):209-219.

[15] BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learners[C]//Proceedings of the 1st Workshop on Multilingual Representation Learning. Punta Cana, Dominican Republic: the Association for Computational Linguistics,2021:1-15.