讲座回顾｜结构工程中的机器学习-从数据驱动分析的巡游到新知识发现的可解释性和因果

华南理工大学土木与交通学院海外学者前沿讲座第四十二期，我们邀请到来自美国克莱姆森大学土木与环境工程与地球科学学院M.Z. Naser助理教授。他将人工智能与土木工程问题结合，为我们带来了一场从数据驱动分析的巡游到新知识发现的可解释性和因果联系的精彩报告。

首先，Naser教授为我们回顾了机器学习的发展和研究现状以及土木工程领域中利用机器学习开展的相关研究，并向我们介绍了他对人工智能知识的理解，梳理了人工智能（机器学习）的模型架构和算法分类，如图1所示。

土木工程师总是面对很多设计或预测强度等变量的问题，经典的获取结果的方法包括试验和有限元模拟。但是，试验需要消耗很多时间和金钱，还可能存在较大误差。有限元模拟则面临标准规范的问题：选择不同的软件、方法、输入参数、收敛方式等都会对结果有较大影响。同时，这类预测方法总是包含大量的变量，如自由度，材料属性，载荷等。基于对人工智能算法的理解，Naser教授开展了钢筋混凝土梁、柱等构件受火剥落预测（Fire-induced Spalling Prediction）、桥梁等结构的风险管理（Pre-incident Autonomous Risk Management）以及基于计算机视觉（Computer Vision）的灾后自动评估（Post-incident Autonomous Evaluation）。

随后，Naser教授为我们介绍了一些机器学习在土木工程领域的新概念和应用。比如，结合计算机视觉可以只根据照片来估计开裂结构的剩余强度，免去了人员进场的危险。此外，Naser教授提出可持续机器学习的概念，即我们应该尽可能的去筛选和使用精度相当但训练轮次更少的模型以减少计算所产生的的碳排放。

众所周知，人工智能在很多领域中的应用已经取得非常大的成功。但是结果正确性并不代表因果性，并且机器学习的大多数模型被称为“黑箱子”，可解释性很差，以致我们很难发现问题背后的知识。Naser教授基于数据统计、专家观点和因果学的研究，通过模型训练，可以为关键特征和关心现象建立映射函数（Mapping Function），例如对于CFRP混凝土梁的循环响应映射函数。

在介绍完这些后，Naser教授也提出了我们在使用机器学习时应注意的问题。首先就是要选择responsible model：应该使用我们的知识来挑选具有合适的关键参数的模型；而不是随意选择可能不包含关键参数的模型。另外，更重要的一点是我们应该分清变量间的关系，分清他们只是互相相关还是存在因果关系。这里他举了一个很有趣的例子：从1990年到1996年博士生和倒塌的建筑的数量都在上升，但是我们不能得出博士生的增加导致倒塌建筑数量增加这样一个结论。

最后，Naser教授总结了人工智能方法（AI-based approaches）的挑战和限制：模型的预测能力主要取决于输入值的数量和质量，以及应用域之外的验证，也就是模型的泛化能力。Naser教授认为人工智能的未来，需要计算机科学和工程等多学科发展，和工业界和学术界的不断支持。M.Z. Naser还向我们介绍了学习人工智能的一些经验规则。

这个妙趣横生的讲座给我们的启发是，既然人工智能已经表现出强大的能力，那么我们的责任便是使人工智能模型更加节约、高效和精确，更具有可解释性和适用性，以及发现更多知识。此外，作为土木工程师，当我们使用机器学习这一工具时，并不需要明白每一行代码的意义，更重要的是如何正确的使用模型和选取参数，理解参数代表的意义和他们相互之间的关联。

相关文章请见M.Z. Naser教授主页：

https://www.mznaser.com/

讲座录播回顾：

SIR NO.42 结构工程中的机器学习-从数据驱动分析的巡游到新知识发现的可解释性和因果联系

END

来源于多样化结构实验室VSL

撰写：解兵林 姚显花 毛炜宁

排版：朱子寒

审核：胡  楠