2010年，数字孪生（Digital Twin）一词在NASA的技术报告中被正式提出，并被定义为“集成了多物理量、多尺度、多概率的系统或飞行器仿真过程”。随后，得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生被广泛应用于航空航天、电力、船舶、城市管理、农业、建筑、制造、石油天然气、健康医疗、环境保护等行业，如图1所示。

图1 数字孪生在各行业中的应用

近些年来，在桥梁工程领域有关数字孪生的研究如雨后春笋般出现。但是，笔者认为目前行业内还未形成对桥梁数字孪生的共识，其内核和定义尚不明晰，仍需要作进一步讨论。文章从桥梁的“型”“性”“态”三个方面介绍目前桥梁数字孪生的研究现状以及未来深度学习驱动下的发展方向。

数字孪生刚刚进入桥梁工程领域时，大部分研究和应用均集中在桥梁的三维可视化建模方面。其主要应用是利用所建立的桥梁三维BIM模型实现桥梁构件级运维管理以及三维可视化交互，将桥梁运维管理从二维层面提升至三维层面，实现了运维管理的直观化、便捷化和强交互。目前，基于BIM技术的桥梁管理系统主要围绕单一桥梁三维模型展开，缺少桥梁周边场景的真实展示。随着技术的发展，业主对桥梁三维模型展示要求越来越高，不仅需要展示桥梁本身的结构特点，还需要真实还原桥梁周边场景。但是，由于桥梁周边环境主要为树木、建筑等复杂形状，通过三维建模软件进行建模的时间成本极大。且如果进行大场景的三维建模，后期会因模型大而导致在Web端交互困难。基于此，首先，考虑GIS地图的快速交互特点，提出利用GIS地图为底展示桥址处大场景的方案；其次，针对桥梁周边环境场景三维建模成本较大的问题，提出基于无人机倾斜摄影自动转化的三维模型立体展示桥梁周边环境；最后，采用BIM建立桥梁结构精细化模型，实现大—中—小场景的多尺度三维模型的建立，如图2所示。以桥址处大场景GIS地图为底，利用无人机倾斜摄影技术，对目标桥梁周边中等场景信息进行采集，研发高精度倾斜摄影转3D数字模型算法，实现倾斜摄影自动转化可编辑3D模型，建立桥梁本身小场景的精细化BIM模型，研究GIS、倾斜摄影和BIM模型的叠加方法，形成GIS+倾斜摄影+BIM的多尺度桥梁模型。

图2 面向大—中—小场景的桥梁运维多尺度模型

通过GIS、倾斜摄影和BIM模型的融合，实现了对桥梁本身以及其周边服役场景的真实数字重构。笔者认为场景构型是桥梁数字孪生的重要基础，但并非全部。数字孪生的最重要特点是能够实时反应物理孪生（真实服役桥梁）的状态。显然，仅依靠所展示的三维模型，无法实现对真实桥梁服役状态的刻画。

当数字孪生在行业内展开讨论时，很多研究人员将结构有限元模型作为数字孪生的载体，认为用于结构分析的有限元模型就是桥梁的数字孪生。但在笔者看来，作为非常成熟的技术，有限元模型得到很多商业软件的支持，如果简单地将有限元模型与数字孪生划等号，无疑于用“新瓶装老酒”，既违背引入数字孪生的初衷，也失去了推动行业技术发展的意义。

此外，根据数字孪生的特点，它需要能够实时反映物理孪生的状态，而目前的有限元模型尚无法满足上述要求。在现阶段，有限元模型只能计算在荷载大小和作用位置均确定的情况下结构的响应。虽然目前的传感技术发展迅猛，但由于桥梁服役期间所受的外部荷载随机性大，仍难以准确确定荷载的时空分布，尤其是对于车辆荷载而言。因此，基于有限元模型，无法满足实时计算物理孪生状态的要求。

健康监测系统概念的出现早于数字孪生，该系统能够实时监测桥梁结构的服役环境、外部荷载、结构响应及结构变位，是获得桥梁服役状态实测数据的重要手段。健康监测系统在大跨径桥梁中的应用已经十分广泛，为保障桥梁运营和结构安全提供了重要的数据基础。

健康监测系统是实现数字孪生实时反映物理孪生状态的重要手段，通过在数字孪生模型中引入实时监测数据，能够实现对实际桥梁状态的反映。因此，目前很多应用是将健康监测系统和桥梁可视化三维模型融合，形成有实测数据反馈的初级数字孪生系统，能够根据实测的桥梁结构数据（例如变形），通过三维模型进行展示，在桥梁智能建造和运维上均得以应用。

目前，上述应用仍处于初级阶段，即处于对实测数据的三维化展示阶段，难以实现对数据的分析，例如：区分传感器故障和结构异常、对结构变化趋势进行预测等功能。

随着人工智能、深度学习等技术的发展，其逐渐成为继理论推导、数值模拟和实验研究以外的另一范式，对社会中的各行各业进行赋能。

对于桥梁结构而言，其服役环境复杂，主要受温度、风和车辆荷载的作用，且外部荷载的不确定性较强，目前的监测手段难以获得服役荷载的时空分布。因而无法通过有限元计算的方式实现对桥梁结构在实时服役荷载作用下结构响应的计算。

以既有传感器监测获得的有限服役荷载信息为数据基础，如温度数据、风速、风向数据、车重数据等，通过深度学习法，例如Long Short-Term Memory (LSTM) Network或Transformer，实现对桥梁结构实时结构响应的预测，如图3所示。

图3 面向服役环境的深度学习驱动桥梁数字孪生

在深度学习预测模型和健康监测系统融合的前提下，能够实现对桥梁异常的智能判断。例如，当实测桥梁结构响应与深度学习预测的结构响应一致时，认为桥梁处于正常运营状态。当实测桥梁结构响应与深度学习预测的结构响应存在较大差异时，在传感器无故障的前提下，存在两种情况：一是桥梁结构受到了除风、温度和车辆荷载以外的作用，如地震；二是桥梁结构在短期内承载力大幅下降。无论出现上述哪种情况，均需要安排相关人员进行安全排查。

笔者在深度学习驱动下的桥梁结构响应预测方面做了一些初步的研究，分别为温度荷载作用下的桥梁应变预测和车辆荷载作用下的桥梁挠度预测。通过安装的温度传感器的监测数据作为LSTM网络的输入数据，以温度引起的桥梁应变监测数据作为输出数据，对深度学习网络进行训练，通过参数敏感性分析和优化，建立了深度学习预测模型，预测结果如图４所示。通过预测结果可知，预测值和真实值的相关系数为0.98，均方误差为0.89。

图4 度引起应变的深度学习预测结果

以在桥梁主桥入口处的车辆动态称重系统数据为基础，包括车重、车速等信息，依托LSTM网络，实现对桥梁跨中挠度的预测，结果如图5所示。车辆荷载效应的预测值和真实值的相关系数为0.766，均方根误差为6.30。与温度引起的应变预测精度相比，车辆荷载的预测精度较低，主要在于车辆荷载的随机性更大，且动态称重系统测量获得的车重数据存在20%左右的误差。

图5 车辆引起挠度的深度学习预测结果