吳海 鄧宇 盧鵬
(廣西大學土木建筑工程學院,廣西南寧 530004)
隨著科學技術的成熟與發展,土木工程結構為各領域所廣泛需求。當代的土木工程結構在多功能性的運用要求與多元化的文化理念影響下,多數土木工程結構具有結構規模龐大、結構選型復雜、多元使用需求等特性。土木工程結構通常具有較長的服役期,在長時間的服役期間,多樣性的建筑結構由于自身材料的老化、溫度效應與外部環境侵蝕、人為使用以及自然災害等諸多影響,內外部損傷的形成是無法避免的。內外部損傷的逐步累積,導致結構存在著危險漏洞,進而引發突發性的重大安全事故,直接威脅到國家經濟正常運作與人身財產安全。因此,土木工程的損傷檢測變得越發重要,對損傷檢測技術更深入的研究與運用成為對建筑結構健康維護的主流趨勢。結構的損傷可定義為由于結構內外部材料、環境等原因所導致的結構在服役期間的承載力下降,而損傷檢測技術則是運用一定的技術手段,對結構損傷位置、損傷程度進行檢測。
結構固有頻率容易測量且與測量位置無關,頻率測量對周圍噪聲的敏感度也較低,相對振型和阻尼的測量誤差小,故基于頻率的損傷檢測起步較早,應用也較為廣泛[1]。
眾所周知,當結構發生損傷時,結構的固有頻率也隨之變化,損傷后結構固有頻率暗含損傷信息,將損傷前后的頻率進行對比,從而識別結構損傷,識別方法將直接影響損傷檢測結果的精度或正確性。一般通過有限元建立未損傷結構模型,通過對已建成后的實際結構來修正有限元模型,使其能真實反映實際結構;結構發生損傷后,根據實測頻率來修改有限元模型,將未損傷有限元模型和修改后的有限元模型進行比較,從而檢測出結構的損傷位置和程度。但是對于大型或復雜結構,進行實際測量存在困難,測點有限,且測量數據受噪聲干擾嚴重及測量數據嚴重不足,這就使得建立的未損傷有限元模型與實際損傷前結構存在差別,將直接影響損傷檢測的精確性。另外,結構不同部位的損傷可能導致相似的頻率變化,對稱位置的損傷產生相同頻率的變化,這都將增加結構損傷檢測難度。這些不足之處限制了該方法在結構損傷檢測中的應用。
結構振型參數相比于結構固有頻率對損傷更為敏感,也克服了結構不同部位的損傷引起相似頻率變化的缺點。可以將通過有限元計算得到的未損傷結構振型與實測損傷結構振型進行比較,識別結構損傷。但是,直接將損傷前后的振型比較來診斷損傷存在困難,一是未損傷有限元模型與實際結構存在差別,二是實測到的振型存在噪聲,這些都影響損傷檢測的精確性。
模態曲率比模態振型對損傷的敏感度更高,Pandey A K[2](1991)等首先將模態曲率引入到損傷檢測中來,通過結構損傷前后的振型曲率變化絕對值來判斷損傷位置,曲率變化最大處為損傷的位置。在對實際結構進行檢測時,噪聲對模態曲率的影響不容忽視,在損傷程度輕微的情況下,很難利用模態曲率進行損傷檢測。
除上述提到經常用到的動態參數外,還有模態應變能,頻響函數指紋,傳遞函數曲率指紋[3]等。
基于振動的結構損傷檢測方法,是根據實測的結構動力響應反演結構的動態特性,從而識別結構損傷,屬于反問題,而反問題通常是不適定的,即結構動力特性測試的微小變化或誤差可能導致參數識別結果發生很大的變化;實測數據由于噪聲等諸多因素影響而不足或存在誤差;同時建立的有限元模型與實際模型存在差別,模型存在高度非線性等困難,使得現有的無損檢測方法很難應用于實際[4]。
神經網絡具有自適應、聯想記憶、自學習、容錯性、非線性等功能,近年來被廣泛應用于土木工程各領域。BP網絡具有結構簡單,學習算法容易實現等優點,在結構損傷檢測中起到了重要的作用[4]。利用結構固有頻率和神經網絡進行結構損傷檢測,克服了利用實測頻率通過修改有限元模型進行識別損傷的困難。將有限元模型損傷前后的頻率變化作為BP網絡的輸入[5],輸出為損傷位置,對神經網絡進行訓練,然后將未損傷有限元模型頻率與結構實測頻率的變化作為已訓練神經網絡的輸入,輸出即為實際結構的損傷情況。該方法簡單易行,但是也存在不足之處,不同位置的損傷可能引起相同的頻率變化,對于這種結構損傷檢測結構往往是不可靠的。將模態振型或結構損傷前后的振型變化作為神經網絡的輸入來識別結構損傷,輸出為損傷位置或損傷程度,可以得到較好的結果[6]。除利用結構固有頻率和模態振型作為BP神經網絡的輸入參數外,還可以利用其他動態響應作為BP網絡的輸入,借助模態應變能、結構損傷前后的柔度矩陣變化量、應變頻響函數指標,位移頻響函數指標等作為BP網絡的輸入參數,輸出為損傷位置或損傷程度。BP網絡存在局部極小及收斂速度慢等缺點,影響損傷識別結果[4],為克服這些缺點,發展了徑向基函數神經網絡、概率神經網絡[7]、模糊神經網絡等,進一步擴大了人工神經網絡在結構上檢測中的應用。
小波變換具有表征信號時域和頻域局部特性的能力,因此在信號檢測、特征提取、奇異性檢測、信號除噪等方面得到了廣泛的應用。通過對結構檢測到動態信號進行小波分析,找出暗含損傷位置和損傷程度的因子,進而識別結構損傷。邱穎等[8]根據小波奇異性檢測原理,采用墨西哥草帽小波對結構損傷前后的模態振型差進行小波分析,指標模極大出現的位置即為損傷位置,并指出了隨著裂縫深度的增加Lipschitz指數越來越小。嚴平等[9]利用模態應變能小波變換系數的殘差作為損傷識別指標,對結構進行損傷識別,通過對簡支梁的數值模擬和斜拉橋模型的試驗研究表明,該方法能有效確定結構同時發生多處不同程度損傷的位置和估計損傷程度。周成杰等[10]基于小波變換,采用“變異放大系數”曲線的峰值進行損傷位置的識別,通過曲線峰值大小識別結構損傷。
將神經網絡和小波變換聯合起來,為結構損傷檢測開辟了一條新的途徑。利用小波變換對檢測到的動力響應進行分析,提取暗含損傷信息的特征因子,并對特征因子進行歸一化處理作為神經網絡的輸入參數,輸出為損傷位置或損傷程度,從而對結構進行損傷識別。文獻[11]利用小波變換對結構的模態振型進行離散分析,小波變化模極大出現的位置即為損傷位置,將小波變換模極大作為神經網絡的輸入,輸出為損傷程度,通過對簡支梁的數值分析結果發現,該方法取得了較好的檢測結果。
遺傳算法為小波變換和神經網絡在損傷檢測中的應用注入了新的活力,通常利用遺傳算法來搜索最優神經網絡參數,來提高損傷檢測的精度。
基于結構動力響應的結構損傷檢測方法近年來在國內外得到了廣泛的應用,為更加準確的識別結構損傷,在土木工程領域引入了小波變換、神經網絡、遺傳算法、模糊理論等。但是隨著已有結構老化的加深、新建結構復雜性的增加,目前這些方法大都局限于數值模擬分析和簡單結構的試驗研究,很難利用這些方法對實際結構進行損傷檢測。為了拓寬這些方法的適用范圍及實用性,還有幾點需做進一步研究。
1)對實際結構進行動力測試和數據采集時,應最大限度的濾除噪聲干擾,因為過大的噪聲將會使采集到的信號失真,引起誤判或錯判。2)尋找有效的方法從采集到的動態響應或數據中提取對損傷敏感的特征因子尤為重要,應提取出對損傷敏感而對噪聲不敏感的特征因子,從而提高損傷檢測的準確性。3)建立特征因子與損傷信息(損傷位置和損傷程度)之間的關系,雖然可以借助人工神經網絡、遺傳算法、模糊數學理論等等,但是對實際結構進行損傷檢測還存在許多困難。
[1]Morassi A,Rovere N.Localizing a notch in a steel frame from frequency measurements[J].Journal of Structural Engineering,ASCE,1997,123(5):422-432.
[2]Pandey A K,Biswas M,Samman M M.Damage detection from changes in curvature mode shape[J].Journal of Sound and Vibration,1991,145(2):321-332.
[3]朱宏平,余 璟,張俊兵.結構損傷檢測與健康檢測研究現狀與展望[J].工程力學,2011,28(2):1-11.
[4]邱 穎.自適應神經智能方法及其在結構損傷診斷中的應用[D].南京:河海大學,2005.
[5]Kaminski P C.The approximation location of damage through the analysis of natural frequencies with artificial networks[J].Journal of Process Mechanical Engineering,1995,209(E2):117-124.
[6]陳長征,羅躍綱,白秉三,等.結構損傷檢測與智能診斷[M].北京:科學出版社,2001:224-226.
[7]姜紹飛,倪一清,高贊明.基于概率神經網絡的青馬懸索橋損傷定位的仿真研究[J].工程力學,2002(S1):965-969.
[8]邱 穎,任青文,朱建華.基于小波奇異性的梁結構損傷診斷[J].工程力學,2005,22(S1):146-151.
[9]嚴 平,李胡生,葛繼平,等.基于模態應變能和小波變換的結構損傷識別研究[J].振動與沖擊,2012,31(1):121-126.
[10]周成杰,陳清軍,張 帥.基于小波變換的鋼結構連廊損傷識別[J].力學季刊,2013,34(2):302-309.
[11]Qiu Ying,Cao Maosen.A Novel Wavelet Condition Index on damage diagnosis on beams[A].Ninth International Conference on Engineering Structural Integrity Assessment,2007,Beijing,PRC.(ISTP).