[论文解读] Graph Neural Network Surrogate for Seismic Reliability Analysis of Highway Bridge Systems

Tong Liu, Hadi Meidani|arXiv (Cornell University)|Oct 12, 2022

Concrete Corrosion and Durability被引用 4

一句话总结

本文提出一种图神经网络（GNN）代理模型，用于高速公路桥梁系统的快速地震可靠性评估，实现了在源-目的地对之间高效、准确且可扩展的节点级连通性预测。该方法通过采用端到端的GNN框架替代蒙特卡洛模拟，实现了高计算效率和鲁棒性，支持归纳式迁移学习，在真实加州桥梁网络上表现出色，即使在分布外设置下F1分数仍高于0.92。

ABSTRACT

Rapid reliability assessment of transportation networks can enhance preparedness, risk mitigation, and response management procedures related to these systems. Network reliability analysis commonly considers network-level performance and does not consider the more detailed node-level responses due to computational cost. In this paper, we propose a rapid seismic reliability assessment approach for bridge networks based on graph neural networks, where node-level connectivities, between points of interest and other nodes, are evaluated under probabilistic seismic scenarios. Via numerical experiments on transportation systems in California, we demonstrate the accuracy, computational efficiency, and robustness of the proposed approach compared to the Monte Carlo approach.

研究动机与目标

• 实现高速公路桥梁网络在节点层面的快速、可扩展且准确的地震可靠性评估，超越系统级指标。
• 克服大规模基础设施可靠性分析中蒙特卡洛模拟带来的高计算成本。
• 开发一种支持归纳学习的代理模型，适用于未见过的图结构，如扩展或受损网络。
• 在概率性地震情景和桥梁状态条件下，量化所有源-目的地对之间的连通性概率。
• 在加州真实交通网络上展示模型的鲁棒性和泛化能力。

提出的方法

• 该模型使用具有消息传递机制的图神经网络（GNN），从图结构化的桥梁网络数据中学习节点级连通性。
• 节点特征包括桥梁特定属性（例如，年龄、材料），而边特征表示地震事件下的失效概率。
• GNN以端到端方式训练，用于预测所有源-目的地对之间的二元连通性结果（连通或断开）。
• 通过消息传递引入归纳偏差，实现在无需微调的情况下对未见过的图进行预测。
• 训练数据通过蒙特卡洛模拟生成，为监督学习提供真实的连通性概率作为标签。
• 该框架支持迁移学习和泛化能力，通过将仅在较小的Level 2区域训练的模型应用于更大、未见过的Level 3区域进行验证。

实验结果

研究问题

• RQ1 GNN代理模型能否在地震灾害下准确预测高速公路桥梁网络的节点级连通性，且在速度和可扩展性上优于传统蒙特卡洛模拟？
• RQ2 GNN模型在未见过的图（如新增或移除桥梁的图）上泛化能力如何，且无需微调？
• RQ3 当边特征受到扰动（模拟桥梁失效概率中的现实不确定性）时，GNN模型的性能如何？
• RQ4 模型预测准确率如何随不同水平的训练数据覆盖度（例如，60% vs. 100%的节点）而变化？
• RQ5 GNN框架能否有效支持极端事件下应急规划和基础设施韧性的快速可靠性评估？

主要发现

• 在扰动边特征的测试中，GNN代理模型在三个区域的F1分数分别达到0.958、0.949和0.961，表明其对输入不确定性的强鲁棒性。
• GNN预测结果与蒙特卡洛模拟的相关系数在三个区域分别为0.942、0.923和0.969，证实了其强大的预测一致性。
• 在归纳学习任务中，模型保持F1分数为0.92，成功使用仅在较小Level 2区域训练的模型预测了更大、未见过的Level 3区域的连通性。
• 与蒙特卡洛模拟相比，GNN框架显著减少了计算时间，避免了大量采样需求。
• 模型对分布外数据表现出有效泛化能力，包括边特征修改和未见过的拓扑结构。
• GNN中的消息传递机制支持模块化、可扩展的学习，具备归纳迁移能力，适用于动态基础设施场景。