大跨度异型钢结构多点损伤检测方法

李余鸿

(中铁建设集团有限公司 北京 100193)

1 引言

大跨度异型钢结构在应用时，受到各方面因素的影响，尤其当应力集中时会造成钢结构构件多点损伤。作为建筑的承重结构材料，随着钢结构性能在钢结构损伤的影响下不断下降，使建筑结构稳定性较低，从而对结构的正常使用产生负面影响。因此，针对大跨度异型钢结构进行应用现状识别，提升大跨度异型钢结构的使用性能，成为目前该领域亟待解决的重点。

为了提升钢结构中损伤检测的实时性与准确性，需要以实际环境为基础，设计有效的检测方法，促进处理病险工程的发展。以希尔伯特振动分解算法为基础，依托于钢结构的低阶振动，识别钢结构损伤[1]。在钢结构的损伤位置判断速度提升后，降低了判断结果误差，该方法针对钢结构振动点的损伤较为有效，当结构损伤之处较多时，存在检测精度较低的问题。通过将敲击法、毫米波雷达检测技术相结合的检测法，通过仪器实现结构损伤检测，并有效提升了检测的准确度，但是该方法需要耗费大量人力[2]。以损伤识别的原理为基础，依托于结构振动情况，完成结构的损伤识别[3]。该方法可以实时监测结构变化，但对数据的依赖过大，极易受到外界因素影响，检测结果可靠性较低。

基于上述方法中存在的问题，将降低检测难度作为设计目标，通过传感器获取结构信息，增强监测结果可靠性。并通过损伤识别参数的选择，降低损伤检测的误差。本文通过对大跨度异型钢结构多点损伤的检测方法进行优化设计，结果表明:所提方法对大跨度异型钢结构多点损伤检测效果较好。

2 大跨度异型钢结构多点损伤检测方法设计

大跨度异型钢结构多点损伤检测方法设计总体方案包含传感器位置优化、损伤识别分析、曲率模态损伤定位模型构建、概率神经网络精确定位钢结构损伤位置，并具体实验及对实验结果进行分析验证。

2.1 传感器位置优化

通常情况下，数以万计的杆件才能构成大跨度空间结构。为了提高结构损伤检测的准确性，需要对钢结构的动态受力参数进行有效提取[4－5]。出于对经济成本的考虑，无法将传感器放置在每一个构件。因此，需要通过计算进行优化，依靠少量的传感器获得较多的动态参数。文中应用有效独立法完成传感器放置，其流程如图1所示。

图1 基于有效独立法的传感器位置优化流程

分析图1可以看出，通过有限元模型获取的模态集，会更加完整[6]。根据理论模型的模态，构造EI算法，在最小误差协方差的条件下，获取向量与测点的估计模态坐标。这种情况下分量较小的向量，分析其相对应的自由度，将有效程度较小值进行剔除。依靠有效的自由度，得到模态线性独立。通过有限元模型可以得到大跨度异型钢结构中目标模态的前n阶。其中，依据实际情况可以将n进行改变，从模态动能的分布，确定传感器安放位置，计算公式如下所示:

式中，i为自由度；θ为模态分量；i、j为矩阵的行与列。

针对模态动能的贡献计算结果分析可知，自由度的差异会对其产生巨大影响。将传感器的数量设定为s，为了保证检测效果，通过传感器位置的变化，使得模态动能的贡献高于80%。测试点的输出结果为:

式中，us为最初选定位置的输出结果；q为模态坐标向量；p为协方差；Q为Fisher信息矩阵。

基于上述条件，得到的矩阵A可以写为:

通过有效独立分布方法的应用，定位传感器最优放置地方[7]。针对传感器位置的模态，通过有限元模型划分为不同矩阵。对于传感器放置的候选位置，通过E表示有效独立分布情况，并依靠其对角线，划分传感器位置集合。经历数次迭代计算后，可以得到Eij的取值范围为0≤Eij≤1。当出现Eij＝1的情况时，表明该传感器位置对结构损伤识别起到非常大的作用，保留该传感器位置；当出现Eij＝0的情况，表示难以测量当前位置的模态，可将该传感器位置进行剔除[8]。在实际检测过程中，通过迭代计算可以完成部分传感器位置剔除，使剩余的传感器位置Eij较大，通过上述操作的重复进行，直到优化后的剩余位置可以满足结构检测要求。

2.2 损伤识别参数分析

针对大跨度异型钢结构多点损伤，检测的最重要步骤之一是将其参数化，也就是利用变量或指数表达结构损伤[9]。大部分情况下，可以将损伤识别参数划分为两个部分，分别表示结构损伤位置与结构损伤程度。根据实际钢结构损伤检测环境，选择不同损伤识别参数，应用于适当识别阶段，可以使损伤识别发挥更好效果[10]。通过损伤识别的级别，决定损伤参数的选择。其中，初始损伤参数由于同元素刚度关系，可以通过全局物理属性进行表示。例如材料密度和截面面积等，也可通过同样的参数值表示不同元素，甚至使用超级元素表示具有相似值的关闭元素[11]。

假设损伤定位逐渐清晰化状态下，可通过裂缝的宽度、某些元素的物理性质定义损伤参数。与损伤位置有所关联参数包括三类，其中最为常用的是最正则化的频率变化比，文中也以此作为参数识别损伤，正则化的频率规律如图2所示。

图2 正则化的频率变化规律

当同一杆件发生损伤情况时，通过图2a变化分析可知，此时变化比保持一致；当不同杆件出现损伤情况时，通过图2b分析可知，正则化频率变化参数变化情况发生了变化。从参数变化的规律中可以确定钢结构损伤出现的具体地点。

面对大跨度异型钢结构局部发生损伤时，应变模态可以发挥更大作用[12]。确定数量较多的检测点，依托于应变模态变化，准确定位损伤杆件。尤其是当结构中的杆件数量较少，该方法可以有效完成损伤定位。但是面对大跨度空间结构检测时，模态应变的应用难以有效发挥最大作用。

为了将测点数量影响降到最低，需要考虑模态曲率变化程度，由于模态曲率变化随损伤的发生位置发生较大改变。针对模态曲率变化情况，可以大致确定损伤发生位置，将其作为结构损伤识别不可或缺的参数。依据结构损伤检测的实际环境差异，选定不同的识别参数，提升检测结果的准确度。

2.3 曲率模态损伤定位模型构建

在大跨度异型钢结构多点损伤检测中，由于其结构面积较大，需要多个钢结构组合而成。出于对结构局部损伤的考虑，应用曲率模态识别损伤位置。钢结构出现多点损伤情况，可以导致该结构的模态曲率变化程度较大。本文借助此结构间距的计算，完成损伤位置的识别。

首先通过曲率模态方法，将应力应变检测情况呈现。其中，大跨度异型钢结构的弯曲静力表达公式为:

式中，m为截面位置；Mm为截面弯矩；EmIm为钢结构的抗弯刚度；Pm为钢结构曲率半径。

结构弯曲变形计算为:

式中，x为钢结构长度；y为梁弯曲挠度。

将公式(6)向公式(5)中代入，针对结构中3个等距测点连续测量结果得出:

式中，ym、ym＋1、ym－1为 3 个测点的结构弯曲挠度；Δ为测点与中性线之间的距离。

在此基础上，构建的曲率模态损伤定位模型对损伤点进行定位，即:

式中，h为钢结构的高度。

2.4 钢结构多点损伤检测实现

由于模态曲率变化比的应用，可以完成空间结构损伤位置的确定，在此基础上，应用人工神经网络方法针对大跨度空间结构精确定位钢结构损伤位置。本文选用概率神经网络对钢结构多点损伤进行检测，具体神经网络结构如图3所示。

图3 PNN神经网络结构

通过模式识别方法，可实现钢结构的损伤检测。而模式识别的实质是通过将损伤特征库，同实际测量数据相匹配。利用不同损伤序列的研究，分析其破坏模态，最终建立钢结构损伤模式数据库。

通过传感器采集的实时数据，将其与损伤数据库相对比，获取其匹配度最高的模式，识别出钢结构损伤情况。首先，通过训练的方式，将相关过程的知识进行保存，并依靠定量学习方式，基于正常历史数据进行网络训练。并将训练信息，同当前获取数据对比，完成损伤的检测。其次，面对噪声等外界影响因素，通过神经网络可以进行过滤，从原始信息中提取有效数据，应用于检测操作中，这种能力可以有效降低检测结果的误差出现概率。最后，由于神经网络具有高分辨能力，在损伤类型的判断过程中可以发挥良好效果。

为实现钢结构节点损伤检测，PNN神经网络对计算结果进行非线性操作。输出求和层中计算结果，PNN神经网络损伤定位过程如图4所示。

图4 PNN模式识别

图4中，当输出向量值达到1时，表示此处钢结构存在损伤；若结果为0则表示该处完好无损。通过上述操作，精确呈现出大跨度异型钢结构多点损伤检测结果。

3 实验分析

3.1 实验准备

为了测试文中设计检测方法在实际应用中的性能，选择某一钢结构体育场作为实验地点，将场馆内包含66个钢结构的区域进行多点损伤检测。将传感器布置在场馆内钢结构的最佳位置，布置效果如图5所示。

如图5所示，实验过程中将主桁架分为9个部分，每一部分由两个节间构成，并将每一部分划分为一个模式，形成9个模式分类。实验过程中共选择30个测点，每一处放置一个传感器。通过测点周围的变化，分析结构损伤现状。在损伤检测过程中不可避免会产生误差，依据测量数据计算产生数百个训练样本，以及检测样本，具体的样本情况如表1所示。

图5 传感器布置

表1 训练样本和检测样本

将上述位置划分为10个单元，研究发现检测结构中的第3、5、7、9、10单元分别出现不同程度的损伤，具体的钢结构损伤程度如图6所示。

图6 异型钢结构多点损伤程度

图6中体育场内钢结构存在多处损伤，并且最高的损伤程度达到了20%，最低为2%。为了保证实验结果更具说服力，通过对时培明和韩伟提出的方法进行同等检测。并对检测结果的进行对比分析，得到了不同检测方法的应用性能。

3.2 实验结果分析

文中应用50个检测样本进行多次试验，为了验证不同检测方法的稳定性，在检测过程中加入0.2%程度的噪声。实验结果的正确定位数量如表2所示。

表2 三种方法的损伤正确定位数量

分析表2中数据可以看出，随着实验次数的不断改变，采用三种方法对样本结构损伤点正确定位的点数不断发生变化。其中，本文方法对样本结构损伤点正确定位的点数最大约为30个，而其他两种方法对样本结构损伤点正确定位的点数相对较少，相比之下所提方法的有效性更好。

通过对实际情况进行分析，计算三种检测方法的检测误差，得到的实验结果如表3所示。

表3 三种检测方法的检测误差对比

针对实验结果进行分析可知，文中设计的检测方法的误差明显更低。在0.2%程度的噪声环境下，文中检测方法的误差为11.03%，而两种传统方法的检测误差分别为34.12%、56.37%。综上所述，文中设计的检测方法具有更好的大跨度异型钢结构多点损伤检测性能，与传统方法相比较，将检测的误差降低了20%以上。

4 结束语

由于大跨度钢结构应用过程中易出现损伤，对其耐久性、安全性造成影响，采用现有方法检测结果仍存在误差。本文针对大跨度异型钢结构多点损伤检测为核心，通过本文的研究，基于最佳放置点选取、初步损伤定位、精准分析定位完成检测，具有过滤外界影响、高分辨能力、高效率特性，提升了大跨度空间结构损伤检测的精度，有效降低了危险事故的出现概率。