基于声波信号采集的钢筋混凝土损伤识别仿真

陈 靖,刘羿甫

(1. 郑州工业应用技术学院建筑工程学院,河南 新郑 451100;2. 中国矿业大学(北京)应急管理与安全工程学院,北京 100083)

1 引言

钢筋混凝土构件凭借强度高、耐久性等优势广泛应用在桥梁、道路等建筑中,虽然其得到了广泛应用,但是其结构安全性始终是不容忽视的问题。影响构件安全的因素有很多,例如设计缺陷、荷载超标、使用年限较长、腐蚀作用等。构件受到损伤并不是一瞬间导致的,而是日积月累形成的。当构件发生变形或产生裂缝时,虽然通过外观检测能够确定构件受损,但此时损伤程度已经很大,修复难度提升,甚至已经无法继续使用。因此,对于构件而言,在损伤显著之前进行检测,能够尽早发现损伤部位,降低检修成本。另外,对于高层建筑、大坝等复杂结构而言,构件通常被保护层覆盖,大大增加了识别难度。

一些学者意识到构件损伤识别的重要性,并投入大量精力进行研究。例如,阎石[1]等人提出基于多通道面波分析算法的混凝土构件损伤识别研究。设计多通道超声面波识别系统,完成多道信号采集与处理,在实验平台中进行数值模拟,当产生分流现象和波速衰减时,即可获得识别结果。刘学增[2]等人利用激光超声探测技术完成损伤部位识别,构建有限元模型,分析激光表面波和混凝土损伤部位的作用规律;探究散射回波特征,获取损伤深度对回波特征产生的影响,通过探头接收信号,研究不同损伤情况的时域信号波形。上述识别方法取得了一定效果,尤其在损伤程度识别方面表现突出,但当确定具体损伤部位时,通常存在较大误差,尤其对于多点损伤部位的确定较为困难[3]。

为精准识别损伤部位,本文利用声发射技术识别出钢筋混凝土构件的多点损伤部位。声发射属于一种物理现象[4],当构件受到荷载作用时,其内部会有部分能量发生改变,并以弹性波的方式释放。因此,声发射源能够体现出构件的损伤机制。并且此种识别技术不会破坏材料自身性能,实现对构件的实时、全方位损伤识别。此外,还能在动态荷载情况下完成识别,是一种无损检测技术,可以达到提前预警目的。最后将采集到的声波数据输入到深度置信网络中,通过峰度值分析的方式识别出损伤部位。

2 混凝土构件损伤信息采集

2.1 声发射系统结构

声发射仪是声发射系统中的重要设备,通过该设备采集、记录并分析声波信号,也可以推断出发射源。为准确获取波形信息,需要使用精准度高的仪器,通常选用四通道发射系统,具体结构包括传感器、放大器和采集卡[5]。

1)传感器:是一种能量转换器,通常用灵敏度衡量其工作性能。对于传感器的选型还需结合实际情况,若选择的设备不合理,会造成接收信号和实际信号之间的误差,影响最终识别精度。

2)放大器:通常情况下,信号电压较低,再加上长距离传输,信号衰减严重,信噪比降低。此时需要通过放大器增强信号,再利用电缆传输到采集卡。放大器决定了声发射设备的噪声含量,其最关键作用是提高信号质量,排除干扰。

3)采集卡:是发射机箱中的主要配件,基本功能是接收放大信号,再将其传输在计算机中。每个采集卡都包含两个不同的通道,如果声发射仪选用四通道,则应该设置两个采集卡。

2.2 声发射系统信号采集

根据上述分析可知,声发射设备是由多个检测通道组成的,任意通道都是由测量设备、信号处理模块和计算程序构成的。发射源在外力作用下会产生应力脉冲波[6],此种波形信号就是机械振动的结果。如果机械波到达表面,传感器获取信号后,将信号变换为电信号,再经过放大器和采集卡变换为最终数字信号。

达到时间、峰值大小和能量等参数都是在采集卡中提取到的[7],波形可在瞬时记录单元内储存。温度、压力等数值是通过外接参数通道获取的,这些数据会被暂时保存在控制器中[8],利用控制卡变换为声发射文件保存在计算机中。采集过程的具体描述如下:

(1)

式中,Gp,q代表偏导数,S(t)代表时间函数,*代表卷积积分,mp,q代表矩张量。由此可知,矩张量能够描述裂缝运动[10]。则在裂缝表面f上,利用积分方式可得到二阶矩张量m

(2)

式中,Cp,q代表mp,q的弹性常数,ΔV代表裂缝体积。通过下述公式可计算出mp,q的具体数值

(3)

式中,λ与μ代表拉梅常数,δ代表克罗内克常数。在钢筋混凝土构件中,对于介质均匀的材料,矩张量元素可利用下述公式展开

(4)

声发射过程就是利用这些矩张量元素实现信号采集的,这些元素是应变与弹性常数的乘积[11],与应力较为相似。

2.3 波形信号处理

即便使用了放大器设备,初始信号中依旧会存在一些无用信息,这些信息会干扰对信号中有用信息的提取。本文通过广义局部信息熵获取有用信号[12]。

对于某振动点而言,在计算其信息熵时,需综合计算点与辅助点的整体振幅Q

(5)

式中,N代表窗口长度,通常大于1,i和j分别代表计算点与辅助点编码,uj代表辅助点j的振动幅度。

在广义信息熵的计算中,可将i点振幅发生的概率Pi表示为

(6)

将获得的Pi值融入到信息熵计算公式中,计算出i点的广义局部信息熵Hi

Hi=-PilnPi

(7)

将所有参数引入到式(7)中,获取i点信息熵的展开公式

(8)

为了可以更好地提取到有用的波形信息,利用信息熵最大值Hi,max和最小值Hi,min对信息熵Hi作无量纲处理,获取i点信息熵的变化值Ri

(9)

经过上述处理,完成了有用波形信号的提取,使波形特征更加明显,为后续损伤部位识别奠定基础。

3 多点损伤部位识别

峰度值通常用于构件监测中,能够将采集的波形信号变换为具体数值[13]。为后续使用深度置信网络进行损伤识别提供输入内容。峰度值计算公式如下

(10)

式中,K代表峰度值,N′代表事件数量,x(k)为幅值。峰度值可以体现信号之间的差异性,该值越大说明信号数据差异越大。

本文通过限制波兹尔曼机(Restricted Boltzmann machine,RBM)建立深度信任网络,并将上述的峰度值作为网络输入,经过不断学习,分析不同信号的峰度值差异,输出最终识别结果。

RBM属于能量生成模型,由可视层v与隐含层h组成,任意节点之间都没有连接,每层间为全连接。

假设可视层v中存在a个节点,隐含层h中具有b个节点,则能量函数表示为

(11)

式中,θ={Wi′j′,ai′,bj′}代表RBM参数,其中,ai′是v的偏置,bj′是h的偏置,Wi′j′是连接两层的权重。

在上述能量函数的基础上,计算(v,h)的联合概率

(12)

引入激活函数,则可视层与隐含层的激活概率计算公式分别如下:

(13)

(14)

RBM网络的训练过程如下:

步骤一:对可见层中的节点状态作初始化处理,权值Wi′j′、可视层与隐含层的偏置ai′、bj′均满足高斯分布;

步骤二:将可视层数据利用映射的方式变换到隐含层,映射过程利用下述公式描述:

(15)

步骤三:根据上式计算结果将隐含层数据变换到可视层:

(16)

步骤四:不断更新权重和各层偏置,更新过程描述为

Wi′j′=ε(p(hj′=1)v)-pv2

(17)

a=a+ε(ai′-bj′)

(18)

b=b+ε(bj′-ai′)

(19)

上述即为深度信任网络训练的全过程,经过训练后即可获得损伤识别结果[14,15]。但为提高训练速度,还需要设置隐含层的节点数量,利用下述公式确定最佳节点数

(20)

式中,q代表神经元节点数量,c和e分别代表输出层与输入层节点数量。经过反复测试表明,当q=15时,损伤识别的准确率最佳,所以将隐含层节点数量设置为15。

4 仿真过程与结果分析

本次仿真选用的钢筋混凝土构件尺寸为80mm×120mm×500mm,强度等级为C35,抗渗等级为10级。仿真平台装置图如图1所示。

图1 仿真装置图

在上述实验装置中,传感器选型至关重要,本文选用的传感器型号为SR150N,其属于谐振传感器,由压电晶片、磁铁、压电元件等设备组成。传感器具体参数如表1所示。

表1 传感器性能参数表

为分析所提方法的波形信号采集能力,设置仿真。测试本文方法、多通道面波分析算法和激光超声探测技术三种算法的接收波形与端部回波,假设输入波形相同,测试结果分别如图2-4所示。

图2 所提方法信号采集能力测试结果

图3 多通道面波分析算法信号采集能力测试结果

图4 激光超声探测技术信号采集能力测试结果

由图2-4可知,声发射方法的接收信号与端部回波波形基本一致,只是信号幅值出现较小变化,而其它两种方法的回波波形与接收波形相差较大,并且出现了不同程度的缺陷信号。这表明所提方法具备较强的信号采集功能,这是因为方法利用广义局部信息熵算法提高了信号质量,确保获取的信号波形与实际波形具有较高的相似度。

将混凝土构件划分为多个区域,每个区域中设定若干个节点,并将节点标注上序号,并在节点1、4和11处设置三个损伤部位,分别利用上述三种方法对构件进行损伤部位识别,识别结果分别如图5-7所示。

图5 本文方法损伤部位识别结果图

图6 多通道面波分析算法识别结果

图7 激光超声探测技术识别结果

分析图5-7能够得出:本文方法的损伤部位识别结果是节点1、4和11处有损伤,这与实际结果相符;多通道面波分析算法识别出的损伤部位分别是节点3、6和9处,没能准确识别出损伤节点;激光超声探测技术识别出两处损伤部位,识别错误一处。所提方法具备较高的识别精度是因为采集到的波形信息误差较小,另一方面通过计算波形信息的峰度值,将计算结果输入到深度置信网络中,该网络的学习能力较强,可以提高识别结果精度。

5 结论

为及时发现钢筋混凝土构件的损伤情况,便于养护维修,提出基于声发射的损伤部位识别方法。通过声发射技术采集波形信号,将信号变化为峰度值数据,再将这些数据输入到深度置信网络中,输出识别结果。仿真结果表明,所提方法探测能力较强,识别出的损伤部位与实际情况相符。但是声发射技术只能在核心区域获取声发射信号,在今后研究中为扩大采集范围,应该重点研究传感器的分布位置。另外,声发射容易受环境噪声影响,还需减少反演误差,进一步提高识别精度。