采用悬臂法建造的变深度梁PC桥梁广泛用于中到长跨度应用[1]，[2]。然而，它们仍然容易受到过度挠度和预应力损失的影响，这可能会影响其长期适用性[3]，[4]，[5]。这些问题，加上材料不确定性和时变现象（如徐变和收缩），突显了进行全面TDRA的必要性[6]，[7]，[8]。这样的评估为确保桥梁结构的安全性和指导其整个使用寿命期间的数据驱动维护提供了坚实的基础[9]。
一般来说，现有的TDRA方法可以大致分为以下三类：（1）基于蒙特卡洛模拟（MCS）的技术[10]，[11]；（2）基于极值理论的方法；以及（3）基于首次通过的方法。如果根据大数定律生成了足够数量的代表性样本，MCS方法被认为是最直接和最全面的[12]。然而，其实际应用往往受到大量模拟所需的大量计算资源的限制。基于极值的方法通过将响应过程的极值表征为时间不变的随机变量来制定时变失效[13]，[14]，[15]，[16]。这种方法的准确性依赖于极值的概率建模，这通常涉及复杂的非线性组件，从而限制了其在实际可靠性评估中的适用性[17]，[18]。
另一种TDRA方法是首次通过方法，该方法将响应过程在指定时间间隔内首次超出安全域的概率定义为结构失效概率[19]。首次通过方法的关键步骤是估计随机过程在单位时间内穿越安全域的概率（即所谓的上升或穿越率）。Rice首次提出了上升穿越率的解决方案[20]，该方法仅限于平稳高斯过程。另一种策略称为PHI2方法[21]，该方法通过基于时间不变可靠性技术的两组分并行系统问题来计算上升穿越率[22]。这个过程涉及反复计算极限状态函数（LSF）的偏导数，当涉及复杂的有限元（FE）模型时，计算成本变得非常高昂甚至不可行，这使得PHI2方法不适用。这激发了MPHI2方法的开发，该方法采用基于矩的方法来计算可靠性指数和相关系数[23]。尽管MPHI2避免了导数计算，但其应用仍然需要大量调用LSF，对于复杂的实际桥梁结构来说，这带来了巨大的计算负担。
为了缓解这些计算挑战，引入了机器学习技术，特别是深度学习[24]，[25]，来近似结构响应，从而减少了基于物理的模拟次数[26]。虽然传统的循环神经网络（RNN）存在梯度消失的问题，但LSTM架构通过其门控记忆机制有效地解决了这一限制[27]，[28]，[29]。凭借这一优势，LSTM网络已成功应用于在多种影响因素下模拟桥梁劣化[30]，更新PC桥梁的FEM模型[1]，[31]，预测SHM系统中的裂缝宽度[32]，[33]，以及估计长期挠度响应[34]，[35]。此外，还提出了深度学习框架用于水库边坡危险评估[36]，以及通过样本卷积和交互网络结合贝叶斯概率递归来评估桥梁梁的时变可靠性[37]。然而，现有方法仍然难以准确捕捉非线性结构行为[38]，包括混凝土开裂[39]、非线性徐变和钢绞线的松弛。此外，将它们有效地整合到TDRA中仍然具有挑战性，从而限制了对结构适用性的高效和准确评估。
为了解决这些问题，本研究将LSTM替代模型与MPHI2方法相结合，建立了一个数据驱动的TDRA框架。在高质量FEA模拟数据上训练的LSTM模型可以在不假设高斯性或平稳性的情况下学习时变结构响应。这使得能够准确表示复杂且不断变化的输入过程。同时，MPHI2方法为可靠性指数评估提供了高效且数值稳定的解决方案，与基于采样的方法相比显著降低了计算需求。因此，结合LSTM–MPHI2的框架提高了时变结构建模的准确性和可靠性计算的效率，特别适用于长跨度PC桥梁的实时更新和长期性能评估。第2节介绍了所提出的混合LSTM–MPHI2方法，第3节展示了实施框架。第4节通过一个长跨度桥梁工程案例研究展示了该方法的可行性和优势。本研究提出的方法为长跨度PC桥梁结构的数据驱动、计算高效的TDRA提供了一条有希望的途径。
