基于全息视觉测量的钢混组合结构损伤识别试验研究

余忠儒 周志祥 邵 帅 杜 鹏 雷杨崑 邓国军

(1.重庆交通大学 土木工程学院,重庆 400074；2.重庆交通大学省部共建山区桥梁及隧道工程国家重点实验室,重庆 400074；3.陕西省交通建设集团公司,西安 710075)

装配式钢混组合结构由于具有承载能力强、刚度高、耐久性能好、抗震性能好和施工速度快的特点,被广泛运用于桥梁工程领域[1-3].但在长期使用过程中,由于环境因素、荷载作用、疲劳效应以及材料老化,装配式钢混组合结构会逐渐显现出某些损伤,严重影响桥梁的安全和正常使用[4].损伤识别主要通过计算分析结构力学行为及物理参数的异常变化实现对结构损伤的判定.何浩祥,吕永伟,韩恩圳,等[5]对一座三跨连续梁桥进行仿真分析,利用锤击的方式对连续梁桥激励,提出扩展卡尔曼滤波在线损伤识别方法,结果表明基于卡尔曼滤波算法能很好识别连续梁桥不同位置的刚度和阻尼物理参数,并且结果具有良好的抗噪性.Stefania Arangio,等[6]通过建立贝叶斯神经网络模型,对结构损伤进行识别,并与传统方法获得的基于振动的结构损伤识别结果进行比较,结果发现该方法能有效识别结构行为的异常变化.M.W.Vanik[7]等提出基于Bayes概率的结构损伤识别方法,通过结构模态参数集计算更新结构刚度参数,以相应位置结构刚度参数降低的概率作为表征结构损伤的指标,并对该方法进行了深入探讨.战家旺,夏禾,陈上有,等[8]等提出基于桥梁结构在荷载作用下的在线响应的损伤识别方法,通过计算单元弯曲刚度的变化量,利用位移、速度或加速度响应能有效反映桥梁相对或绝对损伤.牛杰,王龙花,宗周红,等[9]针对梁式结构,提出基于单元模态应变能一阶灵敏度的损伤识别方法并对实验室简支梁进行试验,结果表明该方法能够有效判别结构损伤状态,相对误差在10%以内.沙爱民,童峥,高杰[10]利用卷积神经网络成功对路面裂缝、坑槽等病害进行识别,对坑槽病害等级的识别准确率达到95.32%.

已有的损伤识别理论及方法主要有基于频率、振型和模态应变能等的模态识别方法,基于广义Tikhonov正则化方法等的物理参数识别方法,基于指纹分析、小波分析的信号分析方法以及基于神经网络、遗传算法或模糊理论等的智能计算方法[11].由于实际工程的结构损伤位置及程度具有独占性且损伤源复杂多变,这些方法运用于实际工程时会出现自适应性差、鲁棒性低、并行性差以及灵敏度低等问题.基于神经网络的结构损伤识别方法具有对非线性关系强大的处理能力,可以避免建立结构响应与物理参数之间的函数关系,从而大大简化了损伤识别问题的求解[12].基于以上研究,本文在获取不同损伤工况下钢混组合试验梁全息变形数据的基础上,提出基于结构全息变形数据和BP神经网络的结构损伤识别方法.通过试验中不同位置和不同程度全息变形叠差分析后的异常变化,反演结构刚度矩阵的退化,利用Matlab求解单元刚度矩阵折减系数的全局最优解,并以结构单元刚度矩阵折减系数作为结构损伤的量化指标,据此识别试验梁损伤位置与程度,为桥梁结构常规健康状况监测评估开辟新方法.

1 试验概况

1.1 试验方法

本文主要研究内容与工作流程如图1所示.

图1 试验工作流程图

1.1.1 试验对象与装置

试验采用钢混组合试验梁,试验梁主要构造及尺寸如图2所示.

图2 试验梁立面布置(单位：mm)

试验梁总长7 160 mm,计算跨径7 000 mm,整体截面高度770 mm,钢桁架高630 mm.钢桁架构件之间通过焊接连接,上弦杆部分和下弦杆部分均为Π型截面,腹板截面形式为槽型截面.为防止局部屈曲,在试验梁支座位置和加载点位置分别设置了横向加劲板.在试验过程中,通过控制试验梁不出现明显屈服来调整荷载上限,并依次对试验梁斜腹杆进行割焊损伤.全息变形视觉测量方法基于现代视觉传感器技术、模式识别技术和计算机技术,其主要由主动式像素视觉传感器、数据储存及分析处理器、信号传输通信单元、环境监测单元和自动巡航远程控制平台组成.系统主要构成和针对本试验采用的全息变形视觉测量试验装置由佳能5DSR 相机、索尼AX700高清摄像机和自动巡航云台等组成.

1.1.2 试验步骤及测试内容

钢混组合试验梁的受力模式为简支梁受力模式,在试验梁两端分别设有反力支座,加载点对称布置并且相距200 cm.加载全过程由2个电控油压千斤顶加载系统控制,加载方式为对称加载,在正式加载前进行预加载以消除两侧支座间的间隙.试验针对结构在单一荷载、多种不同损伤工况下的结构力学响应,经多次调试,采用荷载为320 k N 的单一荷载,每次加载完成持荷时间2 min.为模拟装配式钢混组合梁因损伤而失效的情况,在试验中对试验梁1～7号斜杆位置分别施加不同程度人工损伤.试验梁加载及损伤斜杆位置示意如图3所示.

图3 试验梁加载及损伤斜杆位置示意图

对同一位置的内外两根斜杆同时施加割焊,以损伤50%表示对某一位置内外两根斜杆施以程度为50%的割焊,以损伤100%表示对某一位置内外两根斜杆施以程度为100%的割焊.每次损伤的位置和程度相互独立,即在对某一位置施加一种损伤工况并加载试验后进行焊接修复完整,然后才进行下一位置和损伤工况的加载.具体做法为：依次分别对1～7号斜杆位置施加50%和100%的损伤并进行相应损伤工况的加载试验.试验梁加载示意图及焊割损伤示意图如图4所示.

图4 试验梁加载及损伤示意图

试验利用全息变形视觉测量试验装置,通过计算机对系统参数进行设置(包括预置位、巡航时间、扫描速度、采样时间以及相机相关参数等),实现对现场云台及相机的远程控制,仪器布置位置示意如图5所示.

图5 仪器位置布置示意图

在持荷完成后,通过佳能5DSR 相机,镜头焦距设置为24 mm,光圈值为f 2.8,并以1 s/组的采样速度采集试验梁的静态影像数据,匹配结构基准状态和荷载作用下试验梁的特征位置(结构下部边缘轮廓线),采用结构轮廓边缘特征、特征点的叠差分析[13-14]以获得结构全息变形数据.

以无损状态、2号斜杆损伤100%、4号斜杆损伤100%以及6号斜杆损伤100%为例进行说明,在常规接触式位移传感器实测位移曲线和全息变形视觉测量试验装置所采集的结构全息变形曲线,如图6所示.各损伤工况下利用全息变形视觉测量试验装置所测与百分表实测跨中挠度值依次为：9.89 mm、11.32 mm、11.62 mm、10.59 mm 和 9.79 mm、11.22 mm、11.30 mm、10.71 mm.既有试验表明全息变形数据和百分表实测挠度值在全桥跨度方向上的总体平均误差在6.9%左右,精度满足实际工程需要.

图6 结构全息变形曲线

从图6可以看出常规接触式位移传感器实测位移曲线由有限个离散的点绘制,数据量有限且离散,只能反映梁纵向某些特殊位置的挠度值,结构力学行为及损伤信息可能因有限且离散的数据造成一定程度上的缺失,不能反映结构全局刚度信息；全息变形视觉测量试验装置所采集的结构全息变形数据连续,能很好地描述结构任一位置的变形值,可以弥补常规接触式位移传感器测量数据有限且离散的缺点.

1.2 结构全息变形数据

全息变形视觉测量试验装置在持荷完成,待结构变形稳定后以1 s/组的采样速度采集试验梁的静态影像数据,并对静态影像数据分析处理以构建全息变形数据集.在同一损伤工况下的独立静力加载试验中,各组数据差异化较小,测试状况良好.钢混组合试验梁在不同损伤工况下的独立加载试验中结构全息变形数据如图7所示.

图7 试验梁全息变形图

在损伤工况为斜杆损伤50%的独立加载试验中,通过全息变形视觉测量试验装置采集的全息变形数据在1～7号对应位置损伤下跨中挠度值依次为：10.76 mm、10.72 mm、10.74 mm、10.74 mm、10.70 mm、10.64 mm、10.63 mm.斜杆在损伤50%时对结构刚度的折减较小,各独立全息变形曲线在桥跨方向重合度相对较高；在损伤工况为斜杆损伤100%的独立加载试验中,1～7号对应位置损伤下跨中挠度值依次为：11.60 mm、11.22 mm、11.27 mm、11.30 mm、11.03 mm、10.71 mm、10.62 mm.斜杆损伤100%的情况对结构刚度影响较大,从图中可以明显看出在损伤位置处对应的变形曲线曲率出现较大程度的变化,能真实、全面、敏感地反映结构力学行为及损伤信息.

2 结构损伤识别算法分析

2.1 损伤识别原理

损伤识别主要针对结构损伤的位置及程度进行[15],结构全息变形曲线能真实反映试验梁在荷载作用下的真实变形,同时包含异常变形对应的结构损伤信息[16-17].结构全息变形是基于结构的静态力学响应参数,根据静态平衡方程：

可以明确结构效应、结构刚度和荷载之间的关系；即可通过结构在确定荷载作用下的静态力学响应反演结构刚度矩阵中单元刚度的变化.为建立结构全息变形数据与结构单元刚度的映射关系,首先通过对试验梁进行离散化及数据化处理,构建全息变形数据与结构单元的对应关系.基于结构的静态力学响应参数,通过试算调整单元刚度折减系数,模拟结构因损伤导致刚度退化而出现的结构异常变形.

将结构刚度表征参数表示为结构损伤状态反演刚度矩阵与无损状态反演刚度矩阵差异的形式：

式中：Rij为损伤状态结构反演刚度矩阵为无损状态结构反演刚度矩阵,i、j为结构对应单元刚度元素编号.

通过寻找试验梁不同程度、不同位置结构全息变形的异常变化,求解当前状态相对于基准状态单元刚度矩阵因损伤所引起的结构刚度变化致使全息变形数据形态差异的全局最优解,并以结构单元刚度矩阵折减系数作为表征结构损伤状态的量化指标,进而对结构损伤的位置与程度进行识别.在试验中,由于结构初始无损状态信息明确,为方便损伤的定位与损伤程度的量化,将结构无损状态作为初始状态进行计算,损伤识别方法流程如图8所示.

图8 损伤识别方法流程图

2.2 结构设计及数学模型建立

BP神经网络(Back Propagation)是基于 BP 算法的一种前馈神经网络[18],构成网络的基本计算框架如式(1)、(2)所示.针对求解结构静态响应参量指标,以结构初始全息变形数据作为初始输入,由网络逐层计算分析,反演结构刚度矩阵的退化,通过输出数据相对于目标结果的差异,返回误差,调整各层权值,达到匹配结构效应与荷载之间的映射关系.对比当前刚度矩阵相对于基准状态的差异,计算结构单元刚度的折减.对于一个n层的网络,记任一节点i的输出为Oi,对第m个输入时,第n-1层的第i个节点输出为可知第n层的第j个节点输入和输出分别为

图9 网络结构示意图

在对BP神经网络训练学习时,连接权重会直接影响结构力学行为与刚度退化的反演进而影响结果输出,而网络的连续性会导致每一层输出都会产生误差e,将BP网络的误差能量函数L(e)表示为第j个样本对应的输出层的各节点误差平方和,如公式(3)所示.

当输出全息变形与目标结果差异达不到设定阈值,便会对误差进行反向传播,对各层权值进行调整,使其能真实、全面反映结构效应与荷载之间的映射关系,利用BP网络的误差能量函数,采用梯度下降法使返回误差沿各层进行分配,对网络各层权值进行调整.对于第l次训练过程,第n层与第n+1层网络权值满足式(4)～(7)：

图10 权值调整流程图

此外,为减小算法的稳态误差,避免其收敛于局部最小值,采用自适应动量因子算法改进BP神经网络[19].对于第n层与n+1层网络权值,自适应动量项a(n)沿误差函数负梯度进行参数调整.

将结构刚度折减系数表示为损伤状态反演刚度矩阵与结构无损状态刚度矩阵比值形式,并以结构刚度矩阵表征参数作为计算控制参量,使其在全量范围内取得最大值,即在离散化数据内寻找目标单元刚度矩阵相对于基准状态差异最大位置,并计算对应位置前后刚度差异的变化,如公式(10)、(11)所示.

基于结构全息变形和BP 神经网络的结构损伤识别算法运用Matlab进行程序编制,并对算法相关参数、选项及权值矩阵初始化.将试验得到的数据集交由神经网络训练学习,由返回的误差信号对各层权值进行调整,并输出结构刚度折减系数以及损伤位置.网络训练流程如图11所示.

图11 网络训练流程图

3 测试结果及分析

3.1 测试结果

针对钢混组合试验梁,选取每组10个样本数据作为结构目标变形数据输入网络模型,反演结构损伤识别因子的退化,求解因损伤所引起刚度折减致使全息变形数据差异的全局最优解,以评价网络模型精度与效率.对测试结果进行数据分析,输出离散位置方向的结构刚度折减系数,以1 号、5 号斜杆位置损伤100%,3号、7号斜杆位置损伤50%为例进行说明,数据分析结果如图12所示.

图12 数据测试结果

从测试输出结果来看,将结构单元刚度矩阵折减系数作为表征结构损伤的量化指标,在结构实际损伤位置的刚度折减系数出现大幅下降,网络模型能真实有效反映该位置存在损伤.对1号、3号和5号位置的损伤识别,能较好地反映当前位置的损伤程度,与实际情况基本相符.损伤识别结果对比见表1.

表1 识别结果对比表

3.2 精度及效率分析

从测试结果可以看出网络识别的精度对于不同损伤位置、不同损伤程度存在差异.此外,对于同一组测试数据,不同测试样本之间结构刚度折减系数也存在一定差异,测试结果上下限有时差异明显.其主要原因在于：①基于结构轮廓边缘特征、特征点的叠差分析获得结构全息变形数据可有效避免仪器误差,但边缘提取算法基于概率边缘轮廓线,在一定程度上会对全息变形数据造成影响,进而影响识别结果.②对于无损伤位置的识别结果在理论上其刚度不会折减,输出结果应为1,由于神经网络求解过程是以无限逼近限值的方式,算法内部相关阈值和权值的设定也会对输出结果造成一定的误差.③网络模型虽然对7号位置存在损伤具有较强的判别性,但输出结果存在离散程度大的缺点,测试结果刚度折减系数上下限分别达到0.738和0.245,这主要在于7号位置位于跨中,当损伤50%时,对结构整体异常变形影响微弱,识别难度较大.而常规接触式位移传感器实测变形值由于数据离散,只能反映少数有限位置的刚度信息,识别结果常出现与实际损伤位置与程度不匹配的情况.

本文针对单一损伤位置及程度,通过上述方法对结构损伤进行识别得到了较为满意的效果.但在实际工程中,损伤可能同时存在于多处且损伤程度各不相同.对于多损伤的情况,受限于不同损伤位置与程度之间的组合对结构整体刚度的影响以及BP 神经网络在计算求解时会陷入局部收敛而存在多解的情况,利用本文所述方法对多损伤求解时需结合其他手段及方法以实现损伤的精准判断.在实际工程中,只需对计算出的结果在实际工程中进行重点验证,即可得到满意的效果.相比于常规的逐一排查,这种方式无疑会大大减少工作量.课题组针对求解多损伤问题初步开展了研究[20],如何对该方法进行优化,避免过多陷入局部收敛的情况,以实现对多处损伤的程度进行精准量化,并纠正在利用神经网络求解单元刚度折减时损伤的定位结果出现与实际状态偏离的情况.

4 结 论

本文通过试验中不同位置不同程度结构全息变形的异常变化,利用Matlab编制基于改进神经网络的结构损伤识别程序反映结构效应与荷载之间的映射关系,反演结构单元刚度的折减,求解单元刚度矩阵折减系数全局最优解,以实现结构损伤状态的识别,主要结论如下：

1)相较于常规接触式位移传感器实测位移数据数量有限且离散,只能反映梁纵向某些特殊位置的挠度值可能造成关键位置损伤信息的丢失,结构全息变形数据值连续,能很好地描述结构任一位置的变形值；结构全息变形数据在各损伤工况下差异明显,很好地保留全局结构力学行为及损伤信息.全息变形数据和常规位移传感器实测挠度值在全桥跨度方向上的总体平均误差在6.9%左右,精度满足实际工程需要.

2)利用结构全息变形数据,反演结构单元刚度的折减对结构形态的影响以构建试验梁全息变形与结构刚度的映射关系,并通过改进神经网络,求解因损伤导致结构单元刚度的退化.能快速反映及识别结构损伤信息,结果表明：结构损伤表征因子对各个损伤工况下结构的损伤状态具有较强的判别性,平均精度达到92.6%,符合工程实际精度需求.

3)基于全息视觉测量的钢混组合结构损伤识别采用非接触测量手段并结合神经网络算法能快速准确反映结构损伤信息,相比于对结构健康状况的传统人工巡检,该方法优势明显,同时避免了人为因素对结构健康状况的评定,具有实用推广价值.