基于互信息和MiniRocket网络的CFST脱空识别

覃 悦, 谢开仲,2,3, 郭 晓,2,3, 王红伟, 王秋阳, 彭佳旺

(1.广西大学 土木建筑工程学院,南宁 530004; 2.广西大学 工程防灾与结构安全教育部重点实验室,南宁 530004;3.广西大学 广西防灾减灾与工程安全重点实验室,南宁 530004; 4.广西新发展交通集团有限公司,南宁 530029)

由于突出的结构性能,钢管混凝土(concrete filled steel tube,CFST)已被广泛应用于各种基础设施的建设。CFST优异性能的发挥,主要得益于核心混凝土与钢管的协同作用[1]。钢管对核心混凝土的约束使核心混凝土处于复杂应力状态,提高了后者的力学强度、塑性和韧性;而核心混凝土可有效避免或延缓钢管的局部屈曲,进而改善钢管的抗弯性能和弹塑性。然而,由于混凝土的收缩、混凝土和钢管的热膨胀差异以及施工过程的气体残留等原因,常导致核心混凝土和钢管之间出现空隙病害(称为脱空),削弱了二者之间的协同工作性能。薛俊青等[2]通过进行脱黏(脱空)钢管混凝土短柱偏压试验,发现随着脱黏(脱空)率的增大,试件的极限承载力和延性均下降。Han等[3-5]对脱空钢管混凝土短柱和梁开展了抗剪、抗压和抗弯的试验、理论和数值模拟研究,结果表明脱空明显降低了结构的极限剪应力、极限强度和弯曲刚度。Guo等[6]对含环状脱空的钢管混凝土拱桥进行有限元分析,发现脱空会减低拱肋刚度,影响整体桥梁的动态特征。廖飞宇等[7-8]分别对环状脱空和圆弓形脱空缺陷的钢管混凝土构件开展了压弯扭复合受力试验,结果表明结构的承载力、刚度和耗能能力随着脱空率的增大而下降。上述众多研究表明,内部脱空严重危害CFST结构的承载力,从而会缩短其使用寿命。因此,准确并定量检测CFST结构的脱空对于该类结构的健康状态评估与维修养护至关重要

目前,已经开发了几种用于识别CFST结构内部缺陷的无损检测方法,包括X射线[9]、超声波[10]、冲击回波法[11]、红外热成像法[12]、光纤传感器法[13]、压电智能传感器法[14]。这些方法为工程师们了解结构内部损伤状况提供了多种途径,但它们也有各自的不足。例如,X射线不能用于原位空洞检测且会危害人体健康。超声波法难以识别缺陷类型且信号收集过程会受到噪音影响。冲击回波法检测圆形截面构件时,容易被非直径方向反射回来的应力波干扰而产生偏差。红外热成像易受环境温度影响,常导致检测精度明显下降。光纤传感器虽然受环境影响不大且能实时检测损伤信息,但该方法需要提前在结构内部预埋光纤传感器,并存在费用高、易损伤等缺陷。压电智能传感器法与光纤传感器法类似,同样需要提前预埋传感器,因此也并不适用于已建成却没有埋设压电智能传感器的钢管混凝土构件脱空检测。此外,以上检测方法都不可避免地需要在结构表面耦合安装多个传感器才能实施测试,不仅提高了成本还降低了检测效率。因此,开发一种准确快速的测试替代方法显得尤为必要。

敲击检测法很早便应用于结构的初步损伤识别中,例如铁路工人利用敲击铁轨发出的声音判断轨道是否松动,陶瓷师通过聆听敲击瓷器的声音来判断其质量。然而,这种依靠检测人员经验的检测方法往往过于粗糙,只能作为一种辅助的检测手段。随着智能材料[15]、传感技术[16]和计算机信息技术[17]的快速发展,近年来,敲击检测法已经得到了极大的改善。不少学者通过压电技术采集敲击回弹应力波取代了人手对敲击的感触,利用声压传感器采集声波信号取代了人耳对声音的聆听,通过信号处理技术和智能算法处理信号来识别结构健康状况取代了检测人员的主观判断。与其他无损检测法相比,基于敲击的检测方法无需耦合安装传感器,目前已经在室内试验和有限元仿真中被证实是有效而准确的[18]。该方法已成功应用于复合结构的脱黏识别[19]、螺栓的松动检查[20]、木结构的空洞检测[21]、CFST结构的空隙检测[22]等方面。另外,利用采集的信号数据,也逐渐开发了多种检测方法,包括功率谱密度+向量机(power spectral density+support vector machines, PSD+SVM)、梅尔倒谱系数+卷积神经网络(Mel frequency cepstral coefficents+convolutional neural network,MFCC+CNN)[23]、多尺度样品熵+BP神经网络(improved multiscale sample entropy+BP neural network,IMSE+BPNN)[24]和多重分形分析+决策树(multifractal analysis+decision tree,MFA+DT)[25]等。然而,这些方法大都需要经过复杂的数学计算,例如PSD通常需要通过快速傅里叶变换(fast Fourier transform,FFT)将时域信号转化为频域信号后,再归一化,然后再分段积分求能量;MFCC则需要经过功率谱计算、滤波器组能量计算、对数运算和离散余弦变换(discrete cosine transform,DCT)等过程;IMSE在计算多尺度样品熵之前需要经过经验模式分解获取内在模式函数;MFA则需要通过小波引线或者大偏差法等复杂运算求解分形维数。这些繁琐的运算流程严重影响了整体的评估效率,在一定程度上限制了它们在实际工程中的应用。

基于此,本文开发了一种新的基于敲击与深度学习的CFST脱空检测方法,主要贡献总结如下:(1)提出了一种简化的特征选择方法,可直接基于FFT后的声音频域信号,利用互信息(mutual information,MI)挖掘与结构脱空状态高度相关的数据建立特征集。与现有的方法相比,本方法无需复杂数学运算,有效提升了特征提取的效率和实用性。(2)首次采用基于敲击与MiniRocket深度学习的方法检测CFST结构变深度脱空识别,与当前基于机器学习的方法(如SVM和DT)相比,MiniRocket预测精度更高,在高信噪比环境下表现出了更好的抗噪性能。(3)采用提出的简化特征集与SVM和DT等机器学习算法结合时,预测性能要优于当前的方法(如PSD+SVM和PSD+DT)。本文的研究成果为CFST结构的脱空检测提供一个新的思路。

1 基于FFT-MI-Minirocket的敲击声波CFST脱空识别方法

1.1 快速傅里叶变换

为提取关联性更强的敲击声波数据集,本文选择采用快速傅里叶变换方法[26],将敲击声波信号从时域变换到频域,傅里叶变换的定义为

(1)

式中:ω=2πf;f(t)为时域声波数据序列;F(ω)为频域的普函数序列。

1.2 互信息

互信息是减小特征(在机器学习中指被观测对象的一个独立可观测的属性或者特点)数据集属性数目的最常用方法之一[27-28],它是表示两个相关变量之间的统计依赖性度量,反映了两个变量之间的相关性。

假设两个离散变量A,F均取有限值,信息源a和随机变量f并不是相互独立的,则二者的联合分布可表示为P(a,f)=P{A=a,F=f},边缘分布可表示为P(a)=P{A=a}和P{F=f},则信息源a的初始不确定性可根据文献得到等式(2)

(2)

已知F的情况下,a的条件熵可表示为等式(3)

(3)

MI(A;F)=H(A)-H(A|F)

(4)

即

(5)

当变量a与f完全无关或者相互独立时,MI(A;F)为0,表明两者之间不存在相互的信息;反之,当两个变量之间相互依赖程度越高时,MI(A;F)越大,所包含的相同信息越多。

本文采用MI筛选钢管混凝土构件敲击声波的目的是,通过MI作为度量因子,使得声波输入数据集中包含更多与脱空信息关联性较强的声波,减少冗余信息。

1.2 MiniRocket时间序列网络

神经网络技术是数据分类的强大工具,广泛应用于金融、语音识别和图像识别等领域[29-30]。与k-nearest neeighbors(k-NN)、support vector machine(SVM)、decision tree (DT)和hidden markov model(HMM)相比,神经网络能映射十分复杂的非线性关系,使其具备更强大的非线性泛化能力。虽然网络的深化会导致计算效率降低,但事实证明,Rocket模型采用了大量随机卷积核与线性分类器结合后,对于相对简单的特征分类问题,可不建立深度神经网络便可实现良好的分类效果[31]。最近,基于Rocket模型,又开发了一种更先进的神经网络模型MiniRocket[32],由于使用了更少的参数量和更小的特征尺寸,该模型在处理大量数据时,计算速率是Rocket模型的75倍,且预测精度更高。这表明MiniRocket神经网络具有效率高精度高的优势和良好的开发利用潜力。但MiniRocket作为一种新颖的神经网络,其在更多领域的应用效果,尤其是在与新的特征数据集结合下的预测性能,仍有待进一步深入验证。因此,本文选用MiniRocket深度学习模型,通过新提出的特征集来训练分类器,实现CFST脱空深度检测,以讨论它们在钢管混凝土脱空检测领域的有效性和准确性。图1显示了MiniRocket的计算流程,具体步骤如下:

图1 MiniRocket计算流程Fig.1 MiniRocket calculation process

步骤1输入信号x与内核Wk,d的扩张卷积,如等式(6)所示

Ck,d=x*Wk,d

(6)

式中:d为膨胀参数;k为84个预定义的核Wk。MiniRocket核的长度为9,权重限制为两个数(α=-1和β=2),而卷积核表示为α和β的组合,例如等式(7)

[α,α,α,α,α,α,β,β,β]
[α,α,α,α,β,α,α,β,β]
[α,α,α,α,α,β,α,β,β]

(7)

为了扩展不同内核的感受领域,每个内核都应用一个或多个从指数分布中选择的膨胀d,以确保以更小的膨胀计算更多的特征。内核和扩展更为详细的信息可参考文献[32]。

步骤2每个卷积结果c与一个或多个偏置值Bb相比是元素级的,如等式(8)

Ck,d,b=Ck,d>Bb

(8)

步骤3计算输出描述符yPPV的9996个维度中的每个维度作为均值,如式(9)所示,并将提取的PPV特征值用于训练MiniRocketHead网络,然后利用训练好的MiniRocketHead网络进行测试分类。MiniRocketHead由三层结构:扁平化层(Flatten Layer)、批量归一化层(BarchNorm1d Layer)和全连接层(Linear Layer)。扁平化层的作用是将输入“压平”,即将输入数据从多维转化为一维。批量归一化层可以将输入归一化在[0,1]或者[-1,1]范围内,有助于加快收敛速度和提高网络模型的稳定性。全连接层的作用是将输入的特征映射到样本的标记空间,以实现样本的分类。

(9)

1.3 基于FFT-MI-Minirocket的敲击声波CFST脱空识别方法

本文就钢管混凝土结构内部脱空无损检测问题开展研究,提出了基于FFT-MI-Minirocket的CFST脱空识别方法。方法直接基于结构的敲击声波信号进行脱空缺陷识别,首先利用FFT将敲击时域信号转化为频域信号,其次采用MI理论筛选与CFST脱空状态关联性较强的信号建立数据集,然后将数据集输入到建立好的Minirocket模型中进行训练和验证,最后采用训练好的模型对CFST构件的脱空深度和脱空宽度进行识别。基于FFT-MI-Minirocket的脱空识别方法流程如图2所示。

图2 基于FFT-MI-Minirocket的脱空识别方法流程Fig.2 The process of void identification method based on FFT-MI-Minirocket

步骤1数据集建立。通过敲击法分别获取完好和带有不同脱空深度和脱空宽度的钢管混凝土声波时域信号,利用1.1节介绍的FFT,将时域信号转换为频域信号,FFT分析点数选择1 020,加窗方式为汉宁窗。经过FFT得到不同频率对应的声压数据后,基于1.2节所述的MI,计算带有不同脱空深度和宽度缺陷试件的不同频率的声压数据与脱空深度和脱空宽度的关联性,取前30个关联性最大的声压数据建立数据集。对于数据集,再按10 ∶3 ∶7的比例分别建立训练集、验证集和测试集。

步骤2模型建立及优化。建立如1.3节所述的Minirocket时间序列网络模型,采用训练集对模型进行训练,并利用验证集优化模型的超参数:batchsize、学习率和迭代次数。

步骤3脱空深度和宽度识别。利用步骤2优化好的Minirocket模型,对测试集进行测试,识别钢管混凝土的不同脱空深度和脱空宽度。最后,对比不同预测算法和特征提取方法之间的优劣性,并评估所提出方法的噪音鲁棒性。

为考察模型的分类性能,选取召回率(recall,RE)、精确率(precision,PR)和准确率(accuracy,AC)三个指标对模型性能进行评估,计算公式如下

RE=TP/(TP+FN)

(10)

PR=TP/(TP+FP)

(11)

AC=(TP+TN)/(TP+TN+FP+FN)

(12)

式中:TP为真阳性,实际为正样本预测也为正样本;FN为假阴性,实际为正样本预测也为正样本;TN为真阴性,实际为负样本预测也为负样本;FP为假阳性,实际为正样本预测为负样本。

2 试验设置和步骤

2.1 构件制作

共制备了11根CFST构件如图3所示,包括1根不设置脱空的对照组(宽度B=0,深度H=0),5根具有不同脱空深度(宽度B=5 cm,深度H=1 cm,2 cm,3 cm,4 cm,5 cm),另外5根具有不同脱空宽度(深度H=3 cm,宽度B=3 cm,5 cm,7 cm,9 cm,11 cm)。所有钢管的尺寸是一致的,其壁厚、高度和内径分别为2 mm、650 mm和219 mm。核心混凝土强度为50 MPa。由于难以采用混凝土材质材料来控制脱空而非混凝土材质材料与真实混凝土界面存在较大差距,使得实际的钢管混凝土脱空是难以精准模拟的,为尽可能地模拟实际环境中脱空的非贯通和冠状的状态特征,以减小模拟的脱空和实际的脱空之间的差异,本文利用3D打印技术制作了10个冠状脱空缺陷体(见图3)。3D打印材料选用光敏树脂,该材料强度高且易于打磨。缺陷体冠状部分的直径与钢管内径一致,均为219 mm,以便能更好地与钢管内壁贴合。缺陷体壁厚均为2 mm,其中5个缺陷体最大深度H分别为1 mm,2 mm,3 mm,4 mm,5 mm(宽度固定B=5 mm),另外其中5个缺陷体宽度B分别为3 mm,5 mm,7 mm,9 mm,11 mm(最大深度固定H=3 mm)。带脱空的CFST构件制备过程如下:首先,采用环氧树脂将缺陷体粘贴在钢管内壁已标记的中间位置,同时在钢管外壁做好相应的缺陷标记线。其次,将一块边长300 mm、厚度10 mm的钢板焊接在钢管底部,并将另一块具有同样尺寸但中间开有直径为180 mm空洞的钢板,焊接在钢管顶部。接着,从具有空洞的钢管一端浇筑核心混凝土,并通过振动棒对混凝土进行振动密实。最后,待混凝土成型后,在钢管外壁和钢板的相应位置涂抹油漆,并在标准条件下养护28 d。根据每根CFST构件脱空缺陷信息对其进行标记,如H3B5代表脱空深度和宽度分别为3 mm和5 mm的CFST构件,具体标签信息及分组情况如表1所示。

表1 标签信息及分组情况

图3 11根CFST构件Fig.3 11 CFST members

2.2 试验设备及步骤

如图4所示,试验过程所使用的设备主要包括电脑,信号采集仪(型号INV3062V;东方所),声压传感器(型号INV9206;东方所)和冲击力锤(型号IEPE;东方所)。对于带脱空CFST构件,敲击点选择在脱空区域的中点位置,而对照组则随机选择在中线上的某一点。考虑到敲击过程持续时间较短,为了获取更为密集的数据,本文将采样频率设置为51.0 kHz。对于每个敲击点,分别记录了150次敲击数据,每次采集时间长度为0.02 s,从而获得了总共1 650个声音信号。同时,为了较少气流的影响,每次敲击都将声压传感器与敲击点的距离控制在0.1 m以内。

图4 试验设置Fig.4 Test setup

3 数据集构建及模型训练

3.1 数据集构建

目前,已经开发几种特征作为分类模型的数据集,包括功率谱密度(power spectral density,PSD)、梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC)以及多重分形分析(multifractal analysis,MFA)等,并验证了它们的有效性。然而,以上这些特征都是通过复杂的数学运算才能提取得到,预测效率并不高。为此,本文通过FFT将声波时域信号转换为频域信号,利用互信息理论建立频域信号与脱空深度和宽度的相关性,提取部分互信息较大的数据建立特征集。这避免了复杂的特征提取过程,同时获取相关性更强的信号建立数据集,有望取得更好的预测性能。

首先,利用FFT将声波信号从时域转化为频域信号,如图5所示,接着利用MI建立频域信号与脱空深度和脱空宽度的相关性,结果如图6所示。

图5 H1B5的声音信号Fig.5 Acoustic signal of H1B5

图6 不同频率下声压幅值与脱空状态的MI值Fig.6 The MI value of sound pressure amplitude and void state at different frequencies

从图6(a)可以看出,频域信号与脱空深度的MI值最大接近1.6,最小为0.1左右。其中,大部分MI值集中在0.4～1.0之间,有一定数量的MI值低于0.4,而只有少部分MI值高于1.0。对照图6(b),频域信号与脱空宽度的最大和最小MI值与前面接近,分别在1.6和0.1左右,其中最大值出现的位置比较接近,在975 Hz附近,说明该频率附近数据对脱空深度和宽度信息的变化都较为敏感。相对于脱空深度而言,脱空宽度与频域信号的相关性整体要更高。主要体现在,MI值大于1.0的比例明显提高,整体的MI数据点向上偏移。总体而言,随着频率的变化,MI值并未呈现明显的规律性,而是高低起伏交替变化。盲目取点作为可能存在较多冗余信息,影响预测精度。为能提取到足够多的点数同时避免冗余信息,本文选择采用MI值排在前30的特征值,也即与脱空深度或者脱空宽度关联度排在前30的频率对应的声压值,作为该敲击点的特征信息建立数据集。表2给出了A组MI值排在前30的特征值对应频率。随机选取MI值排在第3、13和24个数据值建立散点分布图,结果如图7所示。从图7可以看出,所建立的特征集存在明显的边界类区分不同的脱空深度和不同的脱空宽度,这为识别和分类不同的脱空状态提供了可能性。

表2 A组MI值排在前30的特征值对应频率

图7 第3、第13和第24个特征的3维散点图Fig.7 Three-dimensional scatter plots of the 3rd, 13th and 24th features

3.2 模型训练

本文在配有AMD锐龙Ryzen 5 5600H(3.30 GHz)处理器和16 GB内存的计算机进行了训练,并采用带有Fastai库、Pytorch(版本1.11.0)的Python(版本3.9.9)运行代码。经过反复试验,我们可以确定MiniRocket模型的参数,具体如下:batchsize为50,学习率为1×10-4,迭代设置为20。

图8显示了MiniRocket的训练和验证过程。从图8(a)可以看出,经过10次和5次迭代后,A组的训练损失曲线和验证损失曲线分别趋于稳定,稳定值分别在0.026 0和0.003 7左右。随着迭代次数的增加,训练精度和验证精度都逐渐增大。训练精度和验证精度分别在迭代2次和3次后就可达到100%。B组的训练和验证过程的规律与A组基本相似。图9显示MiniRocket在训练过程中得到的一个最好模型对应的混淆矩阵,可以看出,不同脱空深度和宽度标签都被进行了精准的预测。总体而言,MiniRocket的训练和测试过程没有看到过拟合的现象,训练和验证精度都满足要求。

图8 MiniRockte的训练和验证过程的损失和精度Fig.8 Loss and accuracy of the training and verification process of MiniRockte

图9 MiniRockte的训练和验证过程的混淆矩阵Fig.9 Confusion matrix of the training and verification process of MiniRockte

4 模型测试分析及对比

4.1 模型测试分析

为了测试MiniRocket算法的鲁棒性,进行了100次重复测试,采用召回率RE、精度PR和准确性AC来评估MiniRocket模型的预测性能,三个指标的详细结果和平均值分别如图10所示和表3所示。

表3 三种模型的分类结果平均值

图10 三种模型的分类结果Fig.10 Classification results of three models

从图10和表3可以看出,无论是A组还是B组,在100次重复试验中,RE、PR和AC三个评价指标的平均值都为100%。换句话说,所提出的方法预测性能非常优异,几乎所有的样本都能被准确预测。究其原因,主要是因为本文对钢管混凝土脱空缺陷识别属于时间序列分类问题,而MiniRocket神经网络时间序列预测模型,通过使用更少的参数量和更小的特征尺寸等方式,提高了模型的精度,在处理本文的时间序列分类问题时具有更好的切合度。总之可以得出,本文所提的方法是一种可高效识别CFST不同脱空深度和不同脱空宽度的行之有效的方法。

4.2 预测算法的对比

为验证MiniRocket算法的优越性,分别建立了支持向量机(SVM)和决策树(DT)两种不同的机器学习模型。与前面不同的是,此处将数据集按照1 ∶1的比例设置分别为训练集和测试集,输入到两个不同的机器学习模型进行训练和测试。所提出的特征提取方法与SVM和DT结合的预测方法分别记为FFT-MI-SVM和FFT-MI-DT。通过不断的调整,SVM模型的参数确定为:tol=1.1,正规化参数C=0.01。决策树的深度max_depth确定为6。

FFT-MI-SVM和FFT-MI-DT重复100次测试后所得的结果如图10和表3所示。可以看出,对于不同脱空深度的CFST构件,FFT-MI-MiniRocket方法最优,其次是FFT-MI-DT,FFT-MI-SVM最差。主体现在,上述三个模型的三个评价指标分别为100%、99%和97%左右。但对于不同脱空宽度的CFST构件,分类性能最佳的是FFT-MI-MiniRocket和FFT-MI-SVM,三个指标均为100%,FFT-MI-DT略低,为99.5%左右。由此表明,无论是预测不同脱空深度还是不同脱空宽度,MiniRocket模型均有优于现有两种模型(SVM和DT),具有极高的分类精度和稳定性。

4.3 特征选取的对比

为进一步验证基于FT-MI的特征提取方法的有效性,引入现有文献中基于PSD的特征提取方法进行对比。PSD的特征提取方法的步骤如下:首先,通过FFT将时域信号转为频域信号,再通过平方积分得到功率谱;其次,将功率谱归一化;最后,将功率谱划分为若干小段后,提取每个小段的总能量作为特征序列建立数据集。建立数据集后,再按照前面介绍的方法分别输入到建立的MiniRocket、SVM和DT模型,所得结果如图11所示(以A组数据为例)。可以看出,对于不同脱空深度,FT-MI方法与三种机器学习算法结合后,所得的三种评价指标均要高于PSD方法。例如,FFT-MI-MiniRocket、FFT-MI-SVM和FFT-MI-DT的AC值分别为100%、97.37%和99.54%,而PSD-MiniRocket、PSD-SVM和PSD-DT的AC值则分别只有66.43%、51.11和55.73%,同比下降了33.57%、45.26%和44.01%。对比RE值和PR值也得到了相似的结论。总而言之,所提的基于FT-MI的特征提取方法要优于基于PSD的方法。

图11 不同特征选取方法的对比Fig.11 Comparison of different feature selection methods

4.4 噪音鲁棒性对比

进一步地,还考察了所提方法的噪音鲁棒性。由于本方法仍处于初步研究阶段,暂时难以实现检测现场的噪音,因此本文采用添加白高斯噪音的方法模拟噪音环境。通过式(13)对原始信号添加不同的信噪比噪音[33]

(13)

式中:Psignal和Asignal分别为原始信号的功率和幅值;Pnoise和Anoise分别为噪音的功率和幅值。

图12比较了不同方法在噪音下的分类精度结果。可以看出,当SNR大于10时,FFT-MI-MiniRocket的三个评价指标均大于90%,说明所提出的模型能准确预测脱空深度。但信噪比低于5时,脱空深度预测不够准确,三个指标的数值只有70%左右。这表明本文所提出的FFT-MI-MiniRocket能很好地适应高信噪比环境下的CFST脱空检测,而在低信噪比环境的预测性能需要进一步改进。此外,通过三个评价指标的对比,我们还可以看出所提的MiniRocket模型预测性能要优于SVM和DT模型,证实了本文方法的优越性。主要体现在,在2 dB、5 dB、10 dB和20 dB信噪比下,MiniRocket模型的三个指标均要高于SVM模型比DT模型。同时我们可以得出,SVM模型的抗噪性能比DT模型更优,因为试验范围内的信噪比下,DT模型的三个性能评价指标都低于SVM模型。

图12 不同方法的噪音鲁棒性Fig.12 Noise robustness of different methods

4.5 与其他先进方法的对比

为了进一步评估所提方法的分类性能,将所提方法(以A组为例)与其他已发表的基于敲击法和机器学习的CFST脱空检测法进行了比较,比较结果如表4所示。由于每个试验设置并不完全相同,这里将试验设置和结果转化为与本文相同的显示形式,具体差异不赘述。

表4 不同模型的分类结果平均值

在特征提取方面,文献[22]和文献[34]采用了PSD特征,如4.4节所述,该方法需要更多的计算流程,而本文提出FFT-MI的特征提取方法,计算过程更为简便。在构件数量方面,文献[34]和文献[35]都只制备了1根构件,文献[22]制备了2根构件,而本文制备了11根构件,数据量更大。在缺陷模拟方面,本文采用3D打印技术制备了冠状脱空缺陷,文献[22]、文献[34]和文献[35]均采用有机玻璃板制备了长方体脱空缺陷,而研究表明,CFST构件实际的脱空状态通常为环状和冠状脱空,因此,本文的脱空缺陷更符合实际情况。在脱空变量方面,文献[34]和文献[35]仅考虑了脱空的深度,而本文既考虑了不同的脱空深度,还设置了不同的脱空宽度,脱空变量更为全面。因此,所提出的脱空识别方法计算流程更为简便,验证更为严格,但平均精度最高,为100%,这表明所提出的方法在不同脱空深度和不同脱空宽度下具有较好的预测性能。

5 结 论

本文提出了一种基于FFT、MI和MiniRocket的钢管混凝土脱空识别方法,重点提高实际环境下的检测效率和精度。FFT将时域信号转化为频域信号,利用MI筛选与脱空状态关联性较强的频域信号建立数据集,避免了复杂计算流程,同时减少了冗余信息。MiniRocket使用更少的参数量和更小的特征尺寸,提高分类的速度和精度。在模型100次重复试验过程中,所提出的FFT-MI-MiniRocket方法获得平均精度为100%,高于其他现有模型(SVM和DT)和现有特征提取方法(PSD)。在高信噪比(SNR=10～20 dB)下,所提方法受到的影响并不大(精度>90%)。此外,在验证条件更严格的前提下,本方法的分类精度依然高于同类比较论文的94.17%、90.23%和99.81%。因此,在分类算法、特征提取方法和高信噪比的对比试验结果表明,所提出的CFST脱空识别方法具有良好的预测性能。

从目前的结果来看,虽然所提出的方法取得了较好的预测精度,但实际工程中,钢管混凝土截面形式、核心混凝土强度、钢管厚度、受约束条件、钢管表面清洁度、敲击锤头材料等因素都可能会影响钢管混凝土结构的发声,从而影响所提方法的预测效果,因此,在下一步工作中,我们将考虑对上述影响因素开展详细而全面的讨论,进一步验证模型的鲁棒性。同时,对比验证对其他神经网络预测模型,如多层感知机、循环神经网络和长时间记忆网络等。