电缆是悬索桥中的关键承重构件[1]，其性能直接关系到桥梁的安全性和长期耐久性[2]、[3]、[4]。统计数据显示，桥梁电缆的平均使用寿命不到20年，有些甚至不到10年[5]、[6]。电缆的劣化和失效主要是由腐蚀和疲劳的共同作用引起的[7]、[8]。腐蚀显著加速了电缆钢丝中的疲劳裂纹扩展，尤其是在循环交通载荷下。研究表明，腐蚀坑中的应力集中是引发疲劳裂纹的关键因素，降低了钢丝的疲劳抗力，最终导致脆性断裂[9]。尽管一根电缆包含数百根钢丝，但电缆的整体疲劳寿命取决于其中疲劳寿命最短的那一根[10]、[11]。因此，准确预测腐蚀钢丝的断裂位置并评估其剩余疲劳寿命（RFL）对于桥梁的安全评估和维护至关重要。然而，由于技术和经济限制，通常无法对腐蚀电缆钢丝进行在役疲劳测试。因此，基于腐蚀条件开发预测模型以估算RFL对于桥梁电缆的结构安全评估至关重要。
已经提出了许多方法来预测腐蚀钢丝的RFL。叶等人[12]提出了一种基于最大腐蚀坑深度的RFL预测方法。郑等人[13]使用线性弹性断裂力学来模拟裂纹扩展并估算RFL，将最大腐蚀坑深度视为初始裂纹深度。宫地和中村[14]发现，腐蚀钢丝的疲劳断裂位置与最大面积损失更为相关。因此，开发了连续损伤力学（CDM）模型来模拟腐蚀疲劳并预测腐蚀钢丝的RFL[15]、[16]、[17]。孙[16]基于CDM开发了一种腐蚀钢丝的疲劳损伤模型，通过改变有效截面积和半径来评估腐蚀对RFL的影响。薛等人[18]引入了等效初始缺陷尺寸的概念，通过用等效规则裂纹尺寸近似复杂初始裂纹来简化计算。大多数现有研究通过考虑最大腐蚀深度或面积损失等参数来研究腐蚀对RFL的影响。然而，这些方法未能充分考虑腐蚀坑分布对腐蚀钢丝机械性能的影响，从而限制了其在实际工程中的应用。
此外，应力范围也是影响腐蚀钢丝RFL的关键因素[19]。王等人[20]分析了强度等级、应力比、腐蚀损伤和腐蚀-疲劳损伤对电缆钢丝疲劳抗力的影响。尽管这些研究分别研究了这些因素对疲劳寿命的单独影响，但它们通常是单独分析的，而不是综合考虑的。然而，这些因素的综合作用会导致复杂的相互作用，显著影响疲劳行为。因此，全面考虑这些相互作用对于提高RFL预测的准确性至关重要。
传统的断裂位置估计和RFL预测方法存在几个局限性：（1）现有研究很少涉及预测钢丝的断裂位置。（2）这些方法依赖于简化的参数模型（如最大腐蚀深度或面积损失），无法充分表示腐蚀形态对疲劳断裂位置的影响。（3）影响RFL的关键因素通常被独立分析，忽略了腐蚀形态、应力范围和材料属性之间的复杂相互作用。这些挑战需要更先进的建模方法，以捕捉多个腐蚀坑之间的相互作用，考虑多因素耦合效应，并准确预测断裂位置，从而提高RFL评估的可靠性。
近年来，深度学习（DL）技术的快速发展在解决非线性和复杂交互问题方面提供了显著优势。在这些技术中，生成对抗网络（GANs）在图像到图像的转换任务中表现出卓越的能力[21]，例如预测甲板变形[22]、复合结构中的应力分布[23]以及螺栓连接结构中的高应力场分布[24]。Pix2Pix是一种广泛使用的GAN变体，在学习不同图像域之间的映射方面表现出色。另一方面，物理信息神经网络（PINNs）将物理约束嵌入训练过程中，在断裂力学和非线性动态系统中实现高精度预测[25]、[26]。结合GANs和PINNs提供了一种解决腐蚀钢丝疲劳问题的新方法。
基于上述GANs和PINNs的优势，本研究提出了一种两阶段预测模型，该模型整合了FP-Pix2Pix模型和PINN，以预测腐蚀钢丝的疲劳断裂位置和剩余疲劳寿命。在第一阶段，使用FP-Pix2Pix模型预测断裂位置。使用映射算法将腐蚀坑深度分布和疲劳载荷编码为多通道RGB图像，作为模型的输入。在第二阶段，PINN模型结合Forman裂纹扩展公式来预测RFL，确保物理一致性。这种两阶段框架既实现了断裂位置的可视化，又更准确地评估了腐蚀钢丝的RFL。
通过将Forman裂纹扩展公式与PINN模型相结合来估算RFL。这种组合方法可视化了腐蚀钢丝的预测断裂位置，并提供了准确的RFL评估。
