基于超声红外热波成像的桥梁结构损伤识别方法

蔡 亮

(海南省交通工程检测中心，海口 571199)

在大型复杂桥梁数量逐渐增多的情况下，相关工程人员更加关注桥梁的健康监测工作，桥梁自身结构稳定性监测也显示出其重要作用[1]。以桥梁结构损伤为主要监测对象，已有研究学者提出基于弹性约束梁应变影响线曲率的桥梁结构损伤识别方法。通过构建考虑弹性竖向支承与转动支承的弹性约束梁模型，计算模型任意截面应变影响线的解析表达式,从而实现桥梁结构损伤识别[2]。该方法虽然适用于超静定梁的结构损伤识别，但是由于计算过于复杂，会增加识别时间。还有学者提出联合卷积与长短记忆神经网络的桥梁结构损伤识别方法。通过对桥梁结构健康监测获取的加速度振动响应，识别多时间窗口内传感器拓扑相关性特征，构建LSTM(long short-term memory，长短期记忆网络)模型并提取其时间维度特征,对桥梁结构损伤进行识别分类[3]。虽然该方法对海量数据的处理能力有大幅度提升，可在大量数据模拟中进行训练，完成桥梁损伤的虚拟化，但无法提供桥梁损伤的全面信息，对具体损伤的识别能力不够精准，从而影响识别效果。

超声红外热波成像技术具有测试范围广、速度快等优势，能够利用辐射成像的方式进行无损识别。本研究基于超声红外热波成像技术，设计一种桥梁结构损伤识别方法，以期为桥梁的结构损伤识别提供新的途径，保证桥梁的运营安全。

1.1 配置桥梁全结构序列数据信息表

由于所处环境和车辆运行的情况不同，在桥梁结构损伤识别过程中会出现多种影响因素，包含非客观条件和客观条件两个方面。外界条件影响被归纳为非客观条件；
桥梁自身稳定性能和材料的应用，被归纳为客观条件。本次对损伤识别方法的设计，主要针对非客观条件进行研究，以减少外部影响因素在识别中造成的误差。

以结构动力学数据作为敏感信号，获取健康状态下的桥梁结构序列数据，构建桥梁全结构序列数据信息表，以此信息表作为标准数据；
通过对不同时间段的桥梁状态进行监测，并与信息表中标准数据进行对比，对桥梁全结构损伤位置进行判断，根据与标准数据之间的对照，可判别桥梁是否出现结构损伤。

以随机森林匹配原理为基础绘制决策树，在加速度响应信号不变的情况下，完成加速度响应信号的随机森林统计表配置，对运行状态下结构各节点中的损伤进行分类预测，实现全结构下桥梁损伤位置和长度的识别。整个过程分为两个部分：第一部分为数据的获取和预处理，即在桥梁不同运行阶段中，收集传感器获取的全部数据类型，加以统计和有效储存；
第二部分为异常数据去除，即在初步获取数据后对信息进行筛选，减少加速度响应信号中的异常数据，以减少判断误差[4]。

在将传感器安置在桥梁的各个节点时，工作人员需要对照红外热波成像技术的拍摄特点，综合考虑传感器的安放位置，以便能够直接从传感器采集到加速度响应信号数据。由于传感信号会受环境干扰，在车辆和桥梁产生耦合振动时，提供的响应信号往往存在误差，也会产生奇异值和重复信号。为减少信号失真等问题，须对采集到的信号进行预处理，保证数据来源的可靠性和准确性。为保证信号具有较高的时间分辨性，设定信号采样频率为1 200 Hz，桥梁各节点处获取加速度响应信号的速度为1.5 m/s，在该时段内需得到超过2 000组信号。数据经过处理后，按照均值和方差两个选项进行表格绘制，在均值选项中呈现数据的正态分布，对具备相同方差的信号进行随机匹配，利用超声红外热波成像技术构建数学模型，完成具体的数据分析过程。

1.2 构建超声红外热波成像数学模型

超声红外热波成像技术，是以传热学理论为基础的一种无损探测技术，在实际应用过程中分为两种形式，即被测试单元移动形式和检测单元移动形式。其主要操作方式为：将红外热像仪的激励源与探测器进行位置固定，被测物体产生运动的方向为被测试单元移动形式；
被测件的位置固定后，激励源和探测器产生运动的方向形式为检测单元移动形式。将桥梁分为多个相对较小的构件，可以直接采用被检测单元移动形式进行识别，此时利用超声红外热波成像技术进行扫描，主要原理为线性热源等单侧加热原理，促使构件在一定速度下进行移动[5]。

超声红外热波成像检测，是对热波信号提取的全过程进行分析，通过机械振动和加热不均的信号发射条件，选择不同的反射成像结构，以显示热流信息的具体数据结果。其中以热传导计算方式，构建红外热波成像的数学模型。由于任何物体温度超过绝对零度时，会向外界产生源源不断的辐射电磁波，常态下温度越高，产生的波长越短，波长在760 nm～1 mm之间的电磁波被称为红外辐射[6]。

以常规检测环境为条件，建立数学识别模型，对桥梁的表面材料和成分进行分析，保证外界变量影响条件下红外信息的顺利转化。将红外热波检测构件的本体辐射作为计算基础，促使数学模型中的辐射度满足Stefan-Boltzmann定律(斯特藩-玻尔兹曼定律)，其表达式为

(1)

式中，C为桥体固体表面产生信号的发射率；
ZX为Stefan-Boltzmann定律中的辐射度；
V′为定律常数；
BM为物体表面产生的温度；
BN为桥体所处的环境温度。

利用线型热源对桥梁分配构件进行单侧加热，使同等位置的构件以一定速度完成移动，在热流经过构件表面时，若构件内部存在缺陷或不连续状态，该区域相应表面会产生温度差异，从而得到不同构件的温度信息数据。

在构建好的数学模型中引入有限元修正方式，通过内部红外热波成像的序列特点，完成损伤位置的定量识别[7]。超声红外热波成像扫描流程如图1所示。

图1 超声红外热波成像扫描流程

1.3 基于有限元修正计算的桥梁结构损伤识别

在红外热波成像的网络信息数据内，采用有限元修正计算方式，根据自身函数关系提取图像序列有效特征点，并设置数学模型，根据红外热波成像的类型进行分类器选择[8]。利用有限元进行修正分类，主要是对损伤位置和类型进行确定，并对识别出的桥梁损伤结果进行分类。

为减少模式选择次数，直接采用Softmax分类器进行处理，假设在红外热波成像技术所拍摄的图像中，包含一组可计算的样本集合，表示为{(A(1),S(1)),…，(A(D),S(D))}，其中D为样本数量，A为输入的特征向量，S为增添类别模式后的输入特征向量[9]。

设置向量S的取值有F个，对应的标签样本集合表示为{(AI(1)，SI(1))，…，(AI(D),SI(D))}，针对每一个特征向量A，都会产生一个函数的估算类别概率，表示为G(S=L|A)，且向量的元素总和为1。将标签化的特征向量取值范围表示为S(H)∈{1,2,…,F}，输出对应数量向量的预估值，修正表达式为

(2)

式中，JK(AH)为有限元修正的假设函数，其中K为假设函数的修正参数，在归一化处理中使预估概率的总和为1。根据概率预估结果，能够表示出输入特征向量的类型分类值，以此判断在最大概率中的类型，即为输入特征向量的所属损伤类别。同时可将该概率值设置为识别结果的置信度，根据其数值结果判断桥梁的多个损伤模式类型。根据桥梁实际损伤数据信息表，在配置桥梁序列数据信息表的基础上，利用超声红外热波成像技术构建数学模型，计算数据有限元修正概率值并识别损伤位置，完成桥梁结构损伤识别方法的设计。

为验证此次设计的识别方法具有实际应用效果，能够在桥梁结构损伤中进行精准定位，采用试验测试的方法进行论证。试验分为两个部分：第一部分为有效性测试，即不同识别方法可否在桥梁受损时做出判断并定位损伤位置。第二部分为定位准确度测试，在损伤识别完成后，选择文献[2]提出的基于弹性约束梁应变的识别方法与文献[3]提出的联合卷积与长短记忆神经网络的识别方法作为对比方法，对运用不同方法得到的损伤位置进行评定，验证不同识别方法对桥梁损伤的识别效果。以桥梁结构健康状态下的数据作为基础，文献[2]中的方法采用推导模型任意截面应变影响线解析表达式，辨别局部损伤参数与应变影响线的解析关系，通过应变影响线曲率识别桥梁结构的局部损伤。文献[3]中的方法将桥梁结构健康数据以特征图形式输入联合CNN(卷积神经网络)的LSTM模型，提取维度特征并对结构损伤模式进行识别。

以某省运行超过10年的大跨度大桥为测试对象，在其承载重量超过100万吨时会出现损伤，但不会影响桥梁的正常运载，大桥识别路段示意如图2所示。

图2 大桥识别路段示意

由图2可知，测试时将选定的大跨度大桥分为4个识别路段。大桥整体跨度为2 416 m，平均每路段有效长度为604 m。由于荷载的增加使桥梁钢筋与混凝土的应力不断加大，在极限情况下混凝土会出现裂缝，而裂缝附近区段粘连作用遭受破坏，遭受破坏的区段长度即为桥梁结构的损伤长度。综合历年数据分析结果可知，在大桥内部存在损伤情况。调取划分完成后的数据进行整理，以2021年全年为例，分别将每个路段内出现的损伤次数及最长损伤长度进行列举，2021年大桥结构损伤序列数据信息如表1所示。

表1 2021年大桥结构损伤序列数据信息

由表1可知，在本次划分的4个路段内均出现过桥梁损伤情况，其中出现损伤次数最多的为LP-2044 路段，为8次；
最长损伤长度出现在 LP-2046 路段，为0.76 mm。相关数据信息基本符合本次试验要求，并可进行对比测试。

将红外探测器探头安置在构件表面，采用超声红外热波成像技术获取桥梁构件的温度信息数据，分别记录温度变化的相应数据，依次得到红外热波的成像序列，再根据加速度信号进行红外图像序列处理，对比各区间构件的特征差异，判断桥梁内部环境。

依据表1的数据信息构建数学模型，采用Softmax分类器判定损伤类别，利用有限元修正概率值识别损伤位置。

由于超声波在损伤定位过程中会出现衰减生热的情况，在损伤界面的接触间产生非线性过程，因此将数据导入非线性有限元软件ABAQUS中进行多轮测试模拟。试验开始前，引入两组文献中的方法进行对照，在试验环境统一设定下进行损伤次数统计测试，验证不同方法对不同位置损伤次数的识别结果，不同方法下桥梁损伤次数识别结果如图3所示。

(a) 本文方法

(b) 文献[2]中的方法

(c) 文献[3]中的方法图3 不同方法下桥梁损伤次数识别结果

由图3可知，在选定的3组识别方法中，以不同的识别速度进行判断，本文方法对划分路段中损伤次数的统计结果与实际数量一致，可以完成次数准确识别。而两组对比方法在较短的识别时间内无法完成次数识别，文献[2]中的方法最少用时需要0.4 s，文献[3]中的方法最少用时需要0.6 s，且识别的具体次数较实际值少。综合测试结果可知，本文方法可以在第一时间内完成损伤识别，在不同的发生次数下能够做出准确判断，统计出具体数据结果，具有实际应用效果。

为进一步验证本文方法能够提高识别的准确度，搭建MATLAB测试平台，将3组方法再次进行连接，在识别时间不少于0.6 s的前提下，对3组方法进行损伤长度的识别测试。以出现最长损伤长度的LP-2046路段为例，该路段损伤位置为桥台。在多轮测试下验证不同方法的准确程度，不同方法下损伤长度识别结果如表2所示。

表2 不同方法下损伤长度识别结果 (mm)

由表2可知，不同方法对桥梁损伤长度的识别结果不一致，在本文方法的应用下，该路段的损伤长度识别结果与实际数据中最长损伤长度(0.76 mm)的数据基本一致，误差不超过0.02 mm。对比文献中的两组方法，文献[2]中的方法在多次识别中产生的结果均低于实际损伤值，误差为0.41～0.45 mm，该方法在应用过程中易造成损伤报告延迟的情况产生，会推迟桥梁的维护时间。文献[3]中的方法在多次识别中产生的结果均高于实际损伤值，误差为0.08～0.12 mm，若其位置判断准确则不会对桥梁的维护产生影响，若在位置判断失误的情况下则会增加桥梁的维修次数，提升维修成本的同时耗费工程资源。

综合试验结果，此次设计的识别方法融入了超声红外热波成像技术，能够在桥梁出现损伤时通过温度变化进行定位，准确识别出损伤的长度和次数，从而改善原有方法准确度较低的问题，具有实际应用效果。

在分析超声红外热波成像技术的基础上，重新设计桥梁的结构损伤识别方法。由试验结果可知，设计方法在运用过程中，只需0.1 s即可完成数据统计，能够对桥梁的损伤次数和程度进行精准确定，与实际数据值一致，具有实际应用效果。但在研究过程中只选择了一组桥梁进行验证，所得结果具有一定偏差性，研究存在不足。后续研究会针对不足进行改良，为桥梁结构的损伤识别提供更科学的理论数据，保障桥梁的稳定运载效果。

推荐访问:超声 成像 损伤