“高层建筑抗震设计中，传感器突然坏了几个，数据少了一半，结构安全还能‘算得准’吗？”在建筑、航空、新能源等领域，“结构有序性”（材料或构件的微观排列规律）是决定强度、韧性的“核心密码”，但现实中，实验或模拟获取的位移场数据常因传感器故障、成本限制“缺斤少两”。传统方法面对数据缺失，要么像“盲人摸象”瞎猜，要么像“大海捞针”慢算，准确率不足80%，还得耗几小时。近日，北京理工大学与清华大学联合团队在《Front. Struct. Civ. Eng.》发表研究，用AI双模型给力学逆问题装上“火眼金睛”：全卷积神经网络（FCNN）补全缺失数据，卷积神经网络（CNN）反推结构密码，数据再少也能精准预测，准确率超传统方法，为“新质生产力”添砖加瓦。

问题引入：数据“缺斤少两”，传统方法成“慢郎中”

“就像医生看病只拿到半张化验单，怎么判断病情？”在结构力学中，“逆问题”就是这样的难题——通过有限的位移场数据（物体受力后的变形数据）反推结构有序性（如材料微观排列、构件薄弱区域）。但现实中，数据缺失太常见：实验室传感器故障漏测数据，工业生产为省成本少装传感器，导致“关键信息不全”。

传统方法如遗传算法（GA），堪称“慢郎中”：随机生成结构参数，反复比对模拟结果与实测数据，像“试错猜谜”。团队负责人举例：“用GA处理96个位移数据点，预测准确率常低于80%，算完得等几小时，要是紧急项目，根本‘等不起’。”这成了建筑抗震、航空材料研发的“卡脖子”难题——数据不全，结构安全就“看不清”，新材料设计也“卡壳”。

技术原理：FCNN“补拼图”+CNN“解密码”，AI双模型上演“数据复活术”

团队另辟蹊径，让AI当“数据侦探”，分两步破解难题（Fig. 1）：

第一步：FCNN当“拼图大师”，补全残缺数据
全卷积神经网络（FCNN）像“拼图高手”，先看已知数据点的“边缘轮廓”，再推测缺失部分。FCNN1先补全96个缺失的位移值，就像“用10块拼图碎片还原整幅画的局部”；FCNN2再整体优化，让补全的位移场贴合力学规律，避免“拼出违背物理常识的图案”（Fig. 3）。为啥FCNN能“补得准”？它能抓住位移场的空间关联性——比如某区域位移“凹陷”，相邻区域大概率“凸起”，就像“根据皱纹猜人脸轮廓”。

第二步：CNN当“结构翻译官”，反推有序性
补全数据后，卷积神经网络（CNN）登场“解码”。CNN像“结构密码本”，通过学习海量位移场与结构参数的对应关系，比如“位移场某区域变形大→对应结构薄弱区”，快速构建从完整位移场到结构有序性的“映射公式”（Fig. 6）。传统方法靠“猜”，CNN靠“学”，效率天差地别。

核心优势：补全误差小于5%，预测准确率超传统方法

实测“成绩单”亮眼：

• 补全精度高：FCNN补全96个或121个位移值时，平均相对误差都控制在低水平（Fig. 9），就像“拼图补完后，与原图几乎无缝衔接”。
• 预测准确率高：对比传统GA方法，数据驱动方法（FCNN+CNN）在96个数据点时，结构参数预测准确率显著更高（Fig. 12）；用121个数据点时，优势更明显。
• 速度“秒杀”传统方法：传统GA算几小时的任务，AI双模型几分钟搞定。团队成员笑称：“以前等结果喝三杯咖啡，现在一杯没喝完就出答案。”

应用场景：从新能源电池到抗震建筑，AI让“结构设计”变聪明

这项技术正瞄准多个热点领域：

• 新能源电池更耐用：测电极材料少量位移数据，AI反推微观结构有序性，优化导电性能，让电池充电更快、寿命更长。
• 高层建筑抗震“未卜先知”：根据局部振动位移，快速反推整体结构薄弱区域，提前加固，应对极端天气更安全。
• 航空材料“加速诞生”：飞机发动机叶片设计中，少量实验数据就能预测结构强度，缩短研发周期，助力“国产大飞机”新材料突破。

“数据驱动方法给力学逆问题装上了‘智能引擎’。”团队表示，未来模型将扩展到复合材料、3D打印等更复杂场景，让“缺数据也能精准设计”成为常态，为我国“新质生产力”再添一把火。

来源: FrontCIVlL