本文依托导师主持的国家自然科学基金面上项目“基于影像轮廓线叠差分析获取桥梁全息变形及结构状态演绎方法探索(51778094)”,借助机器学习构建监测数据与桥梁安全状态之间的映射关系,尝试将机器学习与桥梁结构长期健康监测进行结合,对机器学习在桥梁安全状态识别中的应用开展了相关研究。主要研究内容如下。1、基于原始数据相似度矩阵的钢桁混凝土组合梁训练数据样本繁衍方法研究在实验室内设计并制作缩尺的钢桁-混凝土组合梁试件,对多种损伤工况下的钢桁-混凝土组合梁开展静载试验,获取试验梁的挠度数据和杆件的应变数据。提出了基于协方差矩阵的训练样本相似度算法,根据训练样本相似度矩阵的正态分布特征,提出基于置信区间的训练样本数据繁衍准则。研究具备离散数据处理能力的生成对抗神经网络,建立了由生成网络和判别网络共同组成的生成对抗神经网络系统。利用数据繁衍准则和生成对抗神经网络,人工生成了各损伤工况下的挠度和应变数据。2、基于变形(应变,挠度)数据样本的桥梁损伤识别方法研究针对组合梁试件挠度和应变数据特征,构建BP(Back propagation)神经网络架构,选择适合于机器理解结构力学非线性行为的sigmoid激活函数。根据训练样本的数据规模和特征,确定适合于训练样本数据规模的隐藏层的层数及每层的节点数。通过对试验梁杆件损伤状态赋值提出了一种区别于常规的输出标签系统,在该标签系统的监督学习下,神经网络能够同时预测试验梁的损伤位置和损伤根数。测试集的预测结果显示,该神经网络的泛化能力满足结构损伤识别的要求,对任意未知样本数据预测的相对误差在10%以内,基本能够准确的为我们提供损伤位置的科学参考。3、实桥结构安全状态评价的应用研究在沪蓉高速公路大宁河特大桥上开展为期两年的结构变形监测。利用本文提出的基于长期健康监测数据的结构安全状态评价方法,构造大宁河大桥温度效应神经网络,对为期两年的监测数据进行了训练,建立了大宁河大桥环境温度和结构挠度之间的映射关系。改变了安全状态评价神经网络的输出标签,引入安全状态评价指标参与结构的安全状态评价,获得了较好的安全状态预测结果。实桥的应用研究同时暴露出因网络输出标签的调整,导致输入的挠度和输出的安全状态指标不具备明显的线性关系,一些相对极端状态条件下监测数据预测结果异常。通过对实际工程的研究反应出的问题总结了四点工程应用经验,完善了实际工程应用方法。