老化的混凝土基础设施是一个紧迫的全球性工程挑战。在美国，617,084座高速公路桥梁中已有42%超过了其50年的设计寿命[1]。在韩国，政府报告显示2014年至2019年间道路和桥梁维护费用约为24万亿韩元，相当于每年4万亿韩元（约合30亿美元）[2]。这些支出凸显了迫切需要能够提前发现隐蔽缺陷的结构健康监测（SHM）方法。
探地雷达（GPR）、超声波检测（UT）和冲击回波（IE）仍是主要的无损检测（NDT）工具。然而，这些技术的解释仍主要依赖人工完成，这不仅耗时且容易出错。美国联邦公路管理局的一项研究显示，评估相同桥梁构件的不同检查员之间的视觉状况评级存在至少一级差异[3]。这种主观性凸显了需要结合准确性和可验证解释的自动化诊断工具的必要性。
深度学习，特别是卷积神经网络（CNN），在SHM和NDT领域取得了显著进展[[4], [5], [6]]。CNN能够捕捉复杂信号中的潜在模式，但面临两个关键限制：首先，CNN的决策过程缺乏透明度，这会削弱人们对安全关键领域的信任[7,8]；其次，大多数模型无法直接融合异构的多模态数据，通常需要单独的处理流程，从而降低了诊断的清晰度[9,10]。主流的可解释AI（XAI）技术如Grad-CAM、LIME或SHAP虽然在图像识别方面表现良好，但在噪声较大或多模态的SHM数据下性能下降，生成的显著性图往往与实际缺陷特征不符[[11], [12], [13]]。
尽管最近人们探索了变压器（transformers）、自编码器（autoencoders）和图神经网络（GNN）来提高建模灵活性[[14], [15], [16]]，但可解释性方面的问题依然存在。在基础设施诊断中，工程师必须为每个与安全相关的决策提供依据，因此这种透明度不足是不可接受的[[17], [18], [19]]。
此外，针对特定现场条件重复训练深度模型会带来高昂的成本和操作延迟，而环境变化（如光照变化、湿度或表面粗糙度）会进一步降低模型性能[[20], [21], [22]]。这些限制凸显了需要轻量级、可解释且可在现场部署的诊断框架的需求，这些框架能够在无需频繁重新校准的情况下提供透明的推理。
本研究的目标有三个：（i）介绍并评估“混凝土裂缝推理”（CCR）这一可解释的诊断框架，该框架利用GPR、UT和IE对桥梁甲板的四种缺陷等级（0-3级）进行分类；（ii）将CNN特征转化为简洁的、基于阈值的文本描述，并利用GPT-4生成可被检查员验证的推理依据，从而量化其相对于仅使用CNN和传统方法的优势；（iii）定量评估该框架的可解释性、准确性和安全性（如规则违反率、延迟率、一致性）。
为了实现这些目标，本文提出了“混凝土裂缝推理”（CCR）这一专为SHM设计的分解释释AI框架。CCR通过传感器特定的CNN编码器处理多模态NDT数据（GPR、UT、IE），然后利用基于阈值和百分位的特征到文本转换将判别特征转化为结构化的、可审计的文本，并借助GPT-4进行诊断分类。尽管GPT-4具有先进的推理能力，但其缺乏透明度以及在关键任务中可能出现幻觉的问题需要谨慎评估风险。CCR的主要目的是提高可审计性和多模态解释性；在实际应用中，其特征到文本的转换和基于记忆的优化可以在一定程度上限制幻觉的发生，但无法完全消除这种现象。
本研究的主要贡献如下：
•整合CNN和GPT-4，实现准确的缺陷分类，并确保逻辑透明，弥补了传统CNN的透明度不足。
•开发了一种特征到文本的转换方法，将抽象的数值向量转化为易于理解的自然语言解释。
•引入了提示工程（Prompt Engineering）优化机制，以在数据稀缺和不平衡的情况下维持性能。
•设计了自适应优化（Adaptive Refiner）模式，该模式可以从提示库中检索成功的案例，实现无需重新训练的自适应自我修正。
总结来说，CCR提供了一个可解释的多模态诊断框架，它将先进的深度学习技术与可解释的推理相结合。通过结合准确性和透明度，它为实现可信的AI辅助结构健康监测提供了实用途径。本文的其余部分安排如下：第2节回顾相关研究，第3节描述数据集和预处理过程，第4节介绍方法论，第5节报告结果和讨论，第6节总结研究意义和未来发展方向。
