1

桥梁火灾数据库的开发

本研究探讨了使用多种算法来利用多算法搜索的优势。在这种多算法方法中，ML算法可以在竞争性的安排下搜索，以寻找最佳可能的解决方案（从本研究的角度来看，这是指准确地对桥梁进行火灾风险分类），基本流程图如图2所示。

① 随机森林（RF）是一种利用集成学习原理的算法（在这种算法中，树状算法被多次应用，不同类型的算法结合在一起，形成一个应用多数投票原理的更强大的预测模型）如图3所示。

② 支持向量机（SVM）是分类问题中常用的一种算法。SVM通过在类之间获得一个分离的超平面来得到解，如图4所示。

③ 广义加性模型（GAM）是广义线性模型的非参数推广。GAM在用户可能没有选择特定算法或响应函数（如线性、二次等）的先验原因或偏好的情况下是有用的。GAM将特征分解为节点，然后尝试在节点之间拟合多项式函数。

根据前述的数据库对三类机器学习方法对进行训练和学习。首先，编译的数据库是随机安排的，以尽量减少可能由特定功能或火灾事件引起的偏差。之后，数据库被分为训练集（80%）和测试验证集（20%），一旦训练过程完成，将用于评估机器学习技术的性能。表1列出了所有算法的混淆矩阵和适用性指标。值得注意的是，这些技术的整体准确性是很有希望的。所有上述指标都揭示了与SVM或GAM相反的RF算法的准确性。总体而言，所列指标表明，所提出的ML方法可用于对桥梁中的火灾破坏进行分类。

另外，对提出的ML方法进行了敏感性分析，以识别每个特征对桥梁整体脆弱性的相对影响。在表2中，特征影响是指增加特定特征会导致结果增加的可能性（即，如果特征影响80％，则80％的时间该特定特征增加会导致增加遭受损坏的桥梁）。表2显示了具有最高灵敏度（即撞击）的两个主要特征是火灾中涉及的燃料类型和跨度（主要是大梁桥的），其次是桥梁的年龄和地理意义。

表2根据敏感性分析的重要特征会影响桥梁的火灾风险

本文提出的方法可用于评估桥梁构件（即梁和墩）的耐火性。为了扩展所提出的方法在桥梁耐火设计中的适用性，将要编译一个更大的数据集，这将需要大量的工作，因为关于桥梁着火的数据不容易获得。希望将来的工作能够编译这样的数据库，以允许开发改进的ML算法。通过使用ML，工程师可以通过比较特定条件下桥梁在某些情况下的脆弱性与在各种情况下失效的桥梁的总体特征来得出结论。