土木工程結構損傷識別與診斷研究綜述★

左 熹

(金陵科技學院建筑工程學院，江蘇 南京 211169)

0 引言

近些年來，國內外學者通過數值模擬、理論分析和模型試驗等方法，分別對結構的性能進行了相關的研究，取得了很大的研究進展和有價值的科研成果。同時，基于結構特性，如何評價受到損傷結構的損傷特性和可靠性，這樣可以對結構是否損傷以及是否需修葺做出正確的判斷，這也是當今結構工程面臨的新課題。解決這一問題的關鍵在于對受損結構做出正確的識別與診斷。對可能出現的損傷特性進行分析，并且對受損結構進行可靠度評估應成為結構研究的一個重要領域。

1 國內外損傷識別與診斷方法現狀

結構損傷識別最早被應用于機械領域。對于連桿、齒輪等一系列零件組成的大型機械，人們很早就開始對它們進行結構的故障診斷。后來到20世紀60年代，結構無損檢測技術得到了發展。80年代后期，計算機技術、信息技術和人工智能等學科的知識不斷被應用到結構損傷檢測中。

對土木工程結構而言，早期建筑物的損傷出現頻率較低，危害程度遠沒有機械工程那樣高，而且可以允許一定程度的帶損傷工作，所以土木工程的損傷檢測發展較慢，且多數屬于結構可靠性評估。20世紀初期為探索階段，主要是對結構缺陷的分析和修理方法的研究。20世紀中期則為損傷檢測的發展階段，主要對結構檢測方法的研究，提出了有損檢測、無損檢測、物理檢測等檢測方法。20世紀70年代以來，結構的損傷檢測技術更加完善，制定了相應的規范和標準，并且強調了綜合評價，使結構的損傷識別與診斷工作向著智能化方向發展。而我國的土木工程結構損傷識別與診斷發展較晚，主要研究也是在70年代以后，隨著結構抗震、抗風研究的發展，才逐步開始結合可靠性評估和安全鑒定進行結構損傷檢測方面的研究。

國內外許多學者正在采用可行的方法對結構損傷進行識別與診斷，近幾十年來，國內外在結構損傷識別與診斷技術方面開展了各種研究。Mannan等[1]研究了用實測結構頻響函數來診斷損傷;Kunihiko等[2]采用有限元計算模型產生的樣本訓練BP神經網絡模型，識別已知應變條件下結構的損傷狀態及損傷程度。Xie[3]將SVM用于復合結構的損傷識別中，結果表明支持向量機方法具有較高的識別精度。Yu等[4]采用動力反應分析的方法，并應用攝動理論的特征值來檢測結構的損傷。Curadelli等[5]通過對結構阻尼的測試，對結構進行損傷識別。Leonardo等[6]通過變分方法評估大型空間結構的損傷。Chen等[7]采用人工免疫模式識別結構損傷，并對損傷的程度進行分類。

2 結構損傷識別與診斷方法

結構損傷識別與診斷的過程主要經過四個階段:1)確定結構是否存在損傷;2)確定結構損傷的位置;3)確定結構損傷的程度;4)預測結構的剩余使用壽命。通過損傷識別方法運用測試技術和數據處理技術進行整體檢測。它是以損傷的發生或結構的整體失穩都會導致結構動力性能的變化為前提，通過診斷結構剛度減小，固有頻率降低等，來判斷結構的真實狀況。

2.1 局部檢測技術

局部檢測技術主要包括目測法、發射光譜法、回彈法、聲發射法、脈沖回波法、射線法等。這些技術可以應用于檢查一定部件的裂縫位置。在檢測過程中，一般采用幾種技術聯合使用來共同識別結構的損傷狀態。其方法主要有以下三種:

1)聲發射法，用發射器將發射的彈性波信號轉換為電信號，將電信號處理后得到特征參數，這樣可以推測結構材料缺陷的位置;

2)超聲波檢測技術，利用脈沖波遇到不同介質可以發生反射的特性，并根據波在不同的材料中其衰減程度不同，可以對材料中的不同缺陷進行識別;

3)射線檢測技術，用射線對結構損傷情況進行檢測，識別結構缺陷的形狀和位置，判斷出結構的損傷情況。

2.2 整體檢測技術

2.2.1 動力特性識別法

結構發生損傷以后，其質量、剛度等參數會發生改變，從而導致其動力特性發生變化。動力特性的改變可以看作結構損傷發生的標志，以此識別結構的損傷并診斷結構的損傷程度。

2.2.2 模型修正與系統識別技術

模型修正與系統識別法是通過動力測試方法和模型構造優化約束條件，并且修正結構的質量、剛度與阻尼等特性，使其最大響應接近測試獲得的結構響應，并將修正后的模型矩陣與基線模型矩陣相對比，據此對結構損傷進行識別與診斷。該方法在劃分結構單元和處理子結構模型上具有很多優勢，但由于模型誤差大、測量噪聲強以及測試參數不敏感等因素，使該方法在應用過程中受到一定的限制。另外，模態試驗測得的模態信息不夠完備，導致了特征方程求解中的不穩定。

2.2.3 神經網絡技術

人工神經網絡技術是通過模擬人體神經肌理用以研究客觀事物的方法，同時具有計算機并行計算能力和自我學習功能，同時還有強大的容錯性，并且善于聯想、綜合和擴散，采用神經網絡算法的墨水識別可以解決高噪聲和模式損失等缺陷，成為土木工程結構損傷識別與診斷的得力工具之一。其原理是通過分析結構在不同狀態下的各種反應，提取出結構的特征值，取神經網絡輸入向量作為結構損傷敏感的參數，輸出結構的不同損傷狀態，建立起輸入參數與輸出損傷狀態之間的關系，訓練后的神經網絡具備模式分類能力，可反映出結構損傷的模式。同時，神經網絡具有強非線性的映射能力，適合于非線性模式識別和分類，與模型修正法相比，其適用范圍更廣。

2.2.4 遺傳算法技術

遺傳算法技術是20世紀60年代提出的，該方法是根據達爾文進化論中“優勝劣汰，適者生存”的原則來搜索其最優者，用此方法可以得到滿足要求的最優解。遺傳算法不需要連續性的信息，只需要計算各目標解，采取多個線索同時搜索方式對目標解進行優化，這種方法使用簡單，適用性強?？梢栽诤苌傩畔⒘康那闆r下，采用遺傳算法來判定結構損傷位置和程度，即使結構的模態信息丟失，采用遺傳算法也可以損傷識別和診斷能力，對結果沒有影響。

3 結語

對于各種復雜工程結構在使用過程中的損傷識別與診斷，對許多問題需要進一步進行研究。對于工程結構的損傷識別與診斷的發展方向應對以下幾個方面著重發展:

1)使用的特征量必須敏感而且能準確測量，發展更為可靠和適用的損傷判別指標，以利于結構損傷判定。

2)應采用非線性的損傷檢測技術，考慮工程結構的非線性的程度，運用不同強弱程度的非線性進行分析。

3)由于神經網絡技術和遺傳算法技術在非線性識別和數據處理等方面的優勢，因此，這兩種技術在結構的損傷識別和診斷方面具有較好的應用前景。

4)由于損傷識別與診斷在工程結構上的應用較少，必須對不同的工程結構進行各種損傷試驗，對識別與檢測方法進行驗證，使這些方法得到廣泛應用。

[1] Mannan M A，Richardson M H.Detection and location of structure cracks using FRF measurement[C].Proceeding of the 8th international modal analysis conference，Orlando，U.S.A，1990:652-657.

[2] Kunihiko Tanaka，AlanR.Hargens.Wavelet Paeket transform for R-R interval ariability Medical[J].Engineering ＆ Physics，2004(26):313-319.

[3] Xie Jian hong.Application of Hilbert Transform and LS-SVM to Aetive Damage Monitoring forComposite Materials.The Proeeeding of 4th China-Japan-US Symposium on Structural Control and Monitoring，2006.

[4] Yu L.，Cheng L.，Yam L.H.，et al.Application of eigenvalue perturbation theory for detecting small structural damage using dynamic responses[J].Composite Structures，2007(78):402-409.

[5] Curadelli R.O.，Riera J.D.，Ambrosini D.，et al.Damage detection by means of structural damping identification[J].Engineering Structures，2008(30):3497-3504.

[6] Leonardo D.Chiwiacowsky，Paolo Gasbarri，Haroldo F.de Campos Velho.Damage assessment of large space structures through the variational approach[J].Acta Astronautica，2008(62):592-604.

[7] Chen Bo，Zang Chuanzhi.Artificial immune pattern recognition for structure damage classification[J].Computers and Structures，2009(87):1394-1407.