一种多源数据融合的混凝土支撑结构承载力检测方法与流程

摘要: 本发明涉及土木工程结构健康监测与安全评估,具体涉及一种多源数据融合的混凝土支撑结构承载力检测方法。背景技术:1、混凝土支撑结构广泛应用于大型基础设施中,其承载力...
一种多源数据融合的混凝土支撑结构承载力检测方法与流程

本发明涉及土木工程结构健康监测与安全评估,具体涉及一种多源数据融合的混凝土支撑结构承载力检测方法。

背景技术:

1、混凝土支撑结构广泛应用于大型基础设施中,其承载力直接关系到整体工程安全。其中,超高强混凝土支撑结构因其高强度、高脆性的材料特性,对早期微裂纹和界面损伤的检测灵敏度要求更高,问题表现得尤为突出。传统承载力检测方法(如静载试验)成本高、周期长、且具有破坏性。

2、现有无损检测方法(如回弹法、超声单波速法)往往依赖于单一参数,难以全面反映结构的综合状态,且依赖专家经验,对内部微观损伤及承载力下降的早期预警不敏感,无法实现准确的等级分类。

3、近年来,虽有研究尝试引入机器学习算法,但多数方法仍基于浅层网络和单一数据源,存在特征提取不充分、模型泛化能力弱、结果可解释性差等问题。特别是在面对超高强混凝土特有的高脆性、高密度特性时,传统方法对早期微裂纹和界面损伤的检测灵敏度明显不足。

4、因此,开发一种能够深度融合多源信息、具备强泛化能力和高精度诊断效力的智能分类检测方法,已成为该领域亟待突破的技术难题。

技术实现思路

1、本发明的目的在于提供一种多源数据融合的混凝土支撑结构承载力检测方法,以解决背景技术中提出的技术问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种多源数据融合的混凝土支撑结构承载力检测方法,包括以下步骤:

4、在支撑结构的关键受力部位布设传感器阵列,所述支撑结构包括至少一个支撑结构构件,同步采集多源异构传感数据,采用基于自适应匹配度函数的时延估计算法对多源异构传感数据进行时间同步,并对时间同步后的多源异构传感数据进行预处理,得到预处理后的多源异构传感数据;

5、从预处理后的多源异构传感数据中提取损伤敏感特征;

6、构建双通道深度学习模型,所述双通道深度学习模型用于对所述损伤敏感特征和预处理后的多源异构传感数据进行处理并输出承载力类别及对应的概率、损伤程度评估值以及损伤位置概率分布;采用多任务联合损失函数对所述双通道深度学习模型进行有监督训练直至双通道深度学习模型收敛;

7、将待测支撑结构实时采集并预处理后得到的多源异构传感数据以及从其中提取的损伤敏感特征输入训练完成的所述双通道深度学习模型进行处理,输出承载力类别及对应的概率、损伤程度评估值以及损伤位置概率分布。

8、进一步地,所述多源异构传感数据至少包括应力波阵列信号、超声波穿透信号、表面图像以及环境参数;

9、所述同步采集多源异构传感数据的过程包括:通过结构力学仿真分析确定支撑结构的应力集中区域作为关键受力部位,在所述关键受力部位布设加速度传感器阵列与激振器,采集所述应力波阵列信号在混凝土中的传播信号;在所述关键受力部位所在的支撑结构构件的相对两侧对称布置超声换能器,采集所述超声波穿透信号对应的飞行时间与波形信号;在所述关键受力部位对应的支撑结构受检面布设工业相机,采集所述支撑结构构件表面的表面图像;在所述关键受力部位所在区域同步布设温湿度传感器,采集检测环境的温度与湿度数据。

10、进一步地,所述采用基于自适应匹配度函数的时延估计算法对多源异构传感数据进行时间同步的过程包括:将所述应力波阵列信号与所述超声波穿透信号所包含的多路传感器信号在时间上进行对齐,对于任意两路待同步的传感器信号,所述时延估计算法的目标函数为:

11、;

12、其中,为最优时延估计值,为使目标函数取得最小值时对应的值,m为信号总时长,为第一路待同步的传感器信号在t时刻的幅值,为动态比例系数,为第二路待同步的传感器信号在时刻的幅值,t为时间变量,为时间延迟量,为信号方差函数;

13、所述动态比例系数为:;其中,为第二路待同步的传感器信号在时刻的幅值的平方。

14、进一步地,所述预处理包括对所述应力波阵列信号与所述超声波穿透信号进行降噪处理、对所述表面图像进行特征增强处理;

15、所述降噪处理针对所述应力波阵列信号与所述超声波穿透信号所包含的每一路信号,对于任意一路信号,采用多尺度自适应小波降噪算法进行降噪,将待降噪的任意一路信号经小波变换得到小波系数,对小波系数执行自适应软阈值处理:

16、;

17、其中,为经自适应软阈值处理后的小波系数,sign(·)为符号函数,为取绝对值运算,max(·)为取最大值运算,为自适应阈值;

18、所述自适应阈值为:

19、;

20、其中,为经小波变换后在第j分解尺度下的小波系数的噪声标准差,n为经小波变换后在第j分解尺度下的小波系数的长度,j为分解尺度序号;

21、所述特征增强处理采用基于高斯差分金字塔的特征增强算法,对所述表面图像进行多尺度分解,经差分运算后突出表面病害的边缘特征。

22、进一步地,所述损伤敏感特征包括从预处理后的所述应力波阵列信号中提取的动力学特征、从预处理后的所述超声波穿透信号中提取的波速与衰减特征、从预处理后的所述表面图像中提取的表观形态特征以及所述环境参数;

23、所述动力学特征包括主频偏移量、基于希尔伯特-黄变换的非线性振动特征以及损伤衰减特征值;其中,所述损伤衰减特征值是基于改进型损伤衰减模型对信号能量衰减系数进行修正后得到的特征值:

24、;

25、其中,为t时刻的损伤衰减特征值,为初始时刻,为初始时刻的信号能量,为t时刻的信号能量,为t时刻的损伤量,为所述支撑结构构件的最大损伤阈值;

26、所述损伤量为随时间演化的指数函数:;

27、其中,为初始损伤量,k为损伤演化系数,e为自然对数的底数。

28、进一步地,所述波速与衰减特征包括从预处理后的所述超声波穿透信号计算的平均波速、波速离散系数以及首波信号衰减率;采用温湿度耦合的时变超声波衰减系数模型对所述首波信号衰减率进行修正,修正后的首波信号衰减率为:

29、;

30、其中,为t时刻经温湿度修正后的首波信号衰减率,为参考温度下的基准首波信号衰减率,为温度影响系数,为湿度影响系数,为t时刻的实时温度与参考温度的偏差,为t时刻的实时湿度与参考湿度的偏差。

31、进一步地,所述表观形态特征提取包括利用基于u-net架构的语义分割网络识别所述支撑结构构件表面的裂缝,量化裂缝的宽度、长度与数量;所述支撑结构构件表面被所述工业相机采集图像的区域为检测区域,通过自适应裂缝分布密度模型计算所述检测区域内的裂缝密度特征:

32、;

33、其中,为检测区域内的裂缝数量,为检测区域的表面积;为检测区域内所有裂缝的平均长度,为检测区域内裂缝的最大长度,表示正数,防止分母为零。

34、进一步地,所述双通道深度学习模型包含第一通道与第二通道,所述第一通道为一维卷积神经网络,用于对预处理后的所述应力波阵列信号与所述超声波穿透信号进行卷积运算,输出一维信号特征向量;所述第二通道为二维卷积神经网络,用于对预处理后的所述表面图像进行卷积运算,输出表观形态特征向量;所述双通道深度学习模型基于上下文感知动态注意力机制对所述一维信号特征向量与所述表观形态特征向量进行加权融合,得到融合特征向量;所述注意力机制通过共享权重的全连接网络对所述一维信号特征向量与所述表观形态特征向量进行上下文编码,计算注意力权重向量:

35、;

36、其中,a为注意力权重向量,为sigmoid激活函数,、为可训练的权重矩阵,b为偏置向量,为所述一维信号特征向量,为所述表观形态特征向量;

37、根据注意力权重向量对所述一维信号特征向量与所述表观形态特征向量进行逐元素加权融合,得到融合特征向量:

38、;

39、其中,为融合特征向量,为逐元素相乘运算;

40、将所述融合特征向量与所述损伤敏感特征沿特征维度拼接,得到联合特征向量。

41、进一步地,所述双通道深度学习模型基于所述联合特征向量设置三个输出分支:

42、第一输出分支为承载力分类分支,通过全连接层和softmax函数将所述联合特征向量映射为承载力类别概率,所述承载力类别为预先划分的4个等级,包括完好、轻微退化、中度退化和严重退化,所述softmax函数为:

43、;

44、其中,为在联合特征向量条件下第i类承载力的预测概率,i为承载力类别索引,为第i类承载力对应的权重向量,t为转置,k为承载力类别总数;

45、第二输出分支为损伤程度评估分支,通过全连接层将所述联合特征向量映射为损伤程度的连续评估值;

46、第三输出分支为损伤位置定位分支,通过全连接层将所述联合特征向量映射为所述支撑结构构件表面不同位置的损伤发生概率;

47、所述多任务联合损失函数为所述三个输出分支对应的损失函数的加权和:

48、;

49、其中,为多任务联合损失函数,为承载力分类交叉熵损失,为损伤程度回归均方误差损失,为损伤定位交叉熵损失;为损伤程度评估任务的权重系数,为损伤定位任务的权重系数。

50、本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述一种多源数据融合的混凝土支撑结构承载力检测方法。

51、与现有技术相比,本发明具有以下有益效果:

52、本发明在时间同步阶段采用基于自适应匹配度函数的时延估计算法,通过引入动态比例系数对两路传感器信号的幅值差异进行自适应补偿,并以信号方差对目标函数进行归一化处理,解决了传统互相关时延估计算法在强弱信号条件下估计精度不均的问题,显著提升了多通道异构传感器信号的时间同步精度。

53、本发明采用多尺度自适应小波降噪算法对信号进行降噪处理,通过引入随分解尺度动态调整的阈值因子,使高频层阈值增大以增强噪声抑制、低频层阈值减小以保留有效信号成分,克服了传统固定阈值小波降噪无法适应不同尺度噪声特性的缺陷,有效提升了信号的信噪比和后续特征提取的准确性。

54、本发明在动力学特征提取中引入改进型损伤衰减模型,通过在传统能量衰减比的基础上引入指数型损伤演化函数,将损伤随时间的加速演化规律量化为特征参数,使提取的损伤衰减特征值能够更准确地反映不同损伤阶段承载力的退化速率,提升了对早期微裂纹和界面损伤的检测灵敏度。