橋梁結構損傷檢測現狀①

□□ 路淑芳，劉祖軍，馬 帥 (.華北水利水電大學 河南 鄭州 450045； .南陽市污水凈化中心 河南 南陽 473000)

引言

現階段，我國經濟已進入了中高速發展時期。為了打造便捷的交通圈和物流圈，就必須修建一大批高質量的橋梁工程。同時，對老舊橋梁的損傷程度識別和對新建橋梁的健康狀態監測成為當前面臨的一大問題。此外，對于超載車輛可能引發的安全事故預警機制缺乏，導致相關事故頻發。盡管近年來國內外學者對橋梁結構的損傷檢測進行了持續的研究，但沒有形成一套有效且實用的理論體系。因此，本文對橋梁結構損傷檢測的現狀進行了分析，討論目前各種檢測分析方法的優缺點，為結構檢測領域的進一步發展提供理論依據。

1 國內外研究現狀

1967年，美國West Virginia州的silver橋發生了坍塌事故，由此開啟了美國的橋梁檢測計劃；1971年，美國發行了《國家橋梁檢測規范》，對橋梁的健康檢測流程與專業人員的資格要求等作了嚴格的規定。此外，該規范建立了全國橋梁數據庫，主要用于記錄美國橋梁的基本信息及健康狀況，由此分析病害橋梁是否需要檢測加固或者因承載力不足而重建；2003年，美國發布了《公路橋梁技術狀況評價與承載能力評定手冊》《橋梁技術狀況評價手冊》，與之前的規范一起作為美國橋梁檢測與評估的分析標準[1]。

2013年，中國工程建設協會發布了《結構健康監測系統設計標準》。按總則、術語和符號與傳感器的選擇和布置等7個方面做出了詳細的規定；2016年，交通部頒布了《公路橋梁結構安全監測系統技術條件》，從范圍、規范性引用文件與術語和定義等9個方面做了詳細規定[2]。與2013年的標準相比，它在結構評估方面作了更為詳細的規定。然而，橋梁健康監測的標準化水平受行業發展水平的限制，在當前初期損傷識別或精確狀態評估等核心問題尚未解決的情況下，標準化工作中應更偏重于對宏觀目標、基本框架的把握，而對具體的監測手段、算法的規定不宜過細[3]。在已經邁出了標準化第一步的基礎上，該方面的研究和討論將不斷深化[3]。

目前，結構的損傷識別有不同的分類標準。近期賈明曉等[4]對損傷識別方法進行了較為全面的闡述，認為在傳統的結構損傷識別領域中，可以按照是否進行反演，分為模型修正法與動力指紋法；并且隨著計算機算法的快速發展，提出了人工神經網絡的損傷識別算法模型。此外，有較多學者利用小波變換的方法來識別橋梁損傷，其本質在于通過有限元分析軟件得到位移時程，再對其進行小波分析；在荷載作用下對損傷梁的位移時程進行研究，通過小波灰度圖可以確定損傷位置。

2 神經網絡在結構損傷識別中的應用

2.1 概述

1955年8月31日，由John M、Marvin L M、Claude S等四位美國科學家在提交給國家的一項研究項目時首次提出人工智能,即AI。自此，作為實現人工智能的一條重要途徑，人工神經網絡得到了快速發展。

目前為止，人工神經網絡按照網絡的復雜程度分為淺層神經網絡和深度網絡。在1970年之前，學者普遍認為三層的網絡從理論上來說能夠擬合任意的非線性函數，但是結果十分不理想。2012年以后隨著計算機硬件得到突破性的發展，深度網絡逐漸在各個領域發揮出類人類甚至超人類的分析和提取特征能力，得到了廣泛的應用。

2.2 深度網絡在橋梁結構損傷識別中的應用

在橋梁結構的損傷識別方面，主要分類為：一類是以圖像識別為基礎的結構表面裂縫識別。陳榕峰等[5]介紹了一種適合公路與鐵路橋梁的裂縫檢測的智能橋梁檢測系統。該系統主要有特定的智能檢測車輛、能夠拍攝整個目標區域的機械手臂以及圖像處理系統，如圖1和圖2所示。具有代表性的是聶振華使用卷積神經網絡作為特征提取器與分類器進行結構的損傷檢測[6]。該網絡可以直接從底層傳感器數據檢測到結構的損傷，而不需要任何人工干預。在數據預處理時，采用數據增強擴大數據庫，增強數據的魯棒性。

圖1 智能檢測系統

圖2 數據采集系統

另一種直接并且廣泛應用的方法是最大限度地激活目標隱藏神經元以得到一個綜合信號。神經元的激活值可以看做評估輸入信號和提取特征的相似值。換句話說，使目標神經元最活躍的信號是最相似于學習的特征。因此，它被作為這個神經元的直觀表達的相似值。聶振華研究表明，神經網絡已經具有了自動提取具有物理含義的量，如固有頻率、模態，并且首次提出了模態聯合的概念。

高小小、寇瀟、馬衛飛等[7-9]先后于2017年、2018年提出了基于深度學習理論的橋梁裂縫檢測算法。其實質在于對拍攝的橋梁表面裂縫圖進行計算機識別。局限性在于沒有對裂縫的識別結果進行進一步的分析和判斷，因為混凝土本身都是帶裂縫工作的，因此不能認為結構一旦出現裂縫就意味著承載能力下降需要維修。此外，現階段的利用圖像來識別損傷算法中，前期訓練網絡用到的訓練圖像庫一般情況下都是人為的選擇少部分無裂縫圖以及較多的有裂縫圖，其網絡最終目的是識別出有裂縫圖中的裂縫形狀。實際上，由于環境的影響，并不是所有的裂縫都能暴露在結構表面，這就進一步加大了此方法的局限性。

另一類深度學習模型的方法是不需要圖像作為原始輸入，用橋梁的動力響應作為網絡的輸入項。徐鵬[10]首先提出了損傷檢測方法的評價指標，將基于殘差模塊的卷積神經網絡用于橋梁的健康監測。考慮到加速度響應具有時序特征，而循環神經網絡對于處理時間序列數據具有良好特性，因此將其引入了循環神經網絡提取時域特征，并結合卷積神經網絡對其進行監測。

譚超英[11]提出利用多個RBM(非全連接的玻爾茲曼機)堆疊構建深度置信網絡和利用多個AE(自編碼模型)來構建損傷識別的模型。其中，模型的輸入為結構健康狀態和損傷狀態的撓度數據，模型輸出則為對應樣本，經判斷后橋梁為正常或損傷的概率。

李貴鳳[12]提出了多層感知器(MLP)神經網絡和長短期記憶神經網絡(LSTM)，用于橋梁結構的損傷識別。把橋梁結構振動的加速度、應力應變、穩定、傾斜角度作為源數據，在歸一化處理后結合主成分分析法進行降維。試驗測試結果表明，損傷識別的準確率能夠穩定在0.79左右。

謝祥輝[13]將堆棧降噪自動編碼器應用在橋梁的損傷識別上。結合斜拉橋索塔地震模型的試驗數據，損傷位置識別正確率為100%，且識別結果的置信概率普遍在90%以上。王宇鑫[14]利用了先進的深度學習平臺Keras，搭建了用于結構損傷檢測的自編碼神經網絡模型，可以通過捕捉信號的奇異性來識別損傷的發生；本質在于分析移動荷載的速度和橋梁的整體長度，然后根據局部信號突變的位置分析橋結構損傷的位置。結果表明，超完備的神經網絡模型在學習數據特征方面有更高的準確率，損傷情況識別效果也比傳統方法效率高。

3 結語

隨著科技的進一步發展，無人機、機器人等新一批的高科技已經在橋梁結構損傷識別領域得到了重視和應用。此外，算法模型的高速更新都會提高橋梁結構損傷識別準確率和泛化力。但目前人工智能在橋梁結構損傷識別方面還存在較大的局限性。主要表現在以下方面：

(1)現有的數值仿真模型不能很好的模擬結構損傷，數值仿真結果與結構損傷情況相差較大，并且對具體的損傷位置識別精度較低。

(2)數值模型的魯棒性較低。某種神經網絡模型只適用于特定的橋梁結構，并且對大跨度橋梁的損傷還缺乏深入研究。

(3)目前階段僅限于對橋梁的上部結構損傷識別，對于在受力更重要的橋墩和基礎部分缺乏重視。

(4)大部分損傷識別方法都不能正確分析缺陷是影響正常使用極限狀態還是影響承載力極限狀態。欠缺對分析結果的進一步評估、預警以及維修養護決算機制。

因此，橋梁結構損失識別領域仍然是一個重大的社會難題，需要學者們進行進一步的模擬和分析。