結構損傷識別研究進展綜述

楊漢青

摘 要：房屋或橋梁等大型建筑物在服役期間或災后會產生損傷，日積月累則會產生安全隱患，危害人們的生命和財產安全，因此對結構的損傷情況進行識別具有非常重要的工程價值和實際意義。目前，國內外在結構損傷識別領域已經獲得了很多優秀的研究成果。本文主要從基于靜力參數的損傷識別方法、基于動力指紋的損傷識別方法以及基于智能算法的損傷識別方法3個方面對結構損傷識別方法進行綜述。

關鍵詞：靜力參數;動力指紋;損傷識別;智能算法

中圖分類號：TU317;TU399 文獻標識碼：A 文章編號：1003-5168（2021）25-0107-03

Review on Research Progress of Structural Damage Identification

YANG Hanqing

（North China University of Water Resources and Electric Power， Zhengzhou Henan 450045）

Abstract： Large buildings such as bridges will be damaged during service or after disasters. Over time， they will produce potential safety hazards and endanger people's life and property safety. Therefore， the identification of structural damage has very important engineering value and practical significance. At present， many excellent research results have been made in the field of structural damage identification at home and abroad. This paper mainly summarized the structural damage identification methods from three aspects： the damage identification method based on static parameters， the damage identification method based on dynamic fingerprint and the damage identification method based on intelligent algorithm

Keywords： static parameters;dynamic fingerprints; damage identification;intelligent algorithm

房屋或橋梁等大型建筑物在服役期間或災后會產生損傷。結構若發生損傷，則會大大增加建筑物發生事故的概率。當損傷程度過大時，結構表面會產生裂縫，此時僅通過觀察就可以判斷結構的損傷位置及大概的損傷程度，從而可以及時對結構采取加固等措施以解決出現的安全隱患;當損傷程度較小或發生在內部時，無法通過觀察法對結構的損傷情況進行判斷，此時需要結合其他方法對結構損傷情況進行判斷。目前，國內外較為成熟的損傷識別技術主要是以結構靜力參數、動力參數以及各種參數組合作為判別損傷的指標。本文主要對常用的損傷識別方法進行一定的歸納和總結。

1 基于靜力參數的損傷識別方法

結構的靜力參數變化指的是結構在靜力作用下產生的位移、撓度、轉角、應力以及應變等變化。該變化與作用在結構上的恒載直接相關，若結構本身發生變化，則在相同荷載下的靜力參數也會隨之變化。根據靜力參數的變化可以分析出結構的變化情況，這種由結構的靜力參數對結構的損傷情況進行反分析的方法稱為基于靜力參數的損傷識別方法。

目前，已有大量學者對基于靜力參數的結構損傷識別方法進行了研究，取得了優秀的研究成果，在理論計算和測試精度上均已達到一定高度[1]。SANAYEI等通過對有限元模型施加不同的荷載，分別得到了結構的位移、應變與剛度之間的映射關系，并以上述靜力參數對結構的損傷情況進行了識別，結果達到了一定的精度[2-3]。張家弟計算了各種損傷狀態下結構的靜力位移，以無損傷狀態下的靜力位移作為基準，通過分析位移的變化，成功地識別了結構的損傷情況，且進一步分析了噪聲對識別精度的影響，高精度地識別了整個結構的損傷[4]。

基于靜力參數的結構損傷識別方法雖然具有成熟的理論和較高的精度，但仍存在不足，影響其進一步應用。一方面，當用于大型結構時，數據采集較為困難;另一方面，需要建立有限元模型。由于有限元模型與實際結構之間存在誤差，因此需要進行模型修正。

2 基于動力指紋的損傷識別方法

目前，對結構進行損傷識別的方法一般都是以建立特征值與損傷之間的映射關系來實現的。應用最廣泛且最方便的方法是使用結構的動力特征作為識別損傷的特征參數。由于結構的動力特性與外界任何因素無關，只與結構本身有關，因此將其稱為基于動力指紋的結構損傷識別。結構發生損傷后，其剛度會降低，固有頻率和振型等動力特征也會隨之改變，因此只需要建立動力特征與損傷程度之間的非線性映射，就可以通過相應的實測動力特征計算出結構的損傷情況。

CAWLEY等首次使用固有頻率識別結構的損傷，通過理論和試驗驗證了僅使用固有頻率作為參數可以直接定位損傷位置[5]。此外，將固有頻率歸一化也可以定位損傷[6]。SALAWU使用固有頻率及其靈敏度作為參數對結構的損傷情況進行研究，取得了不錯的成果[7]。

僅使用固有頻率識別結構的損傷無法識別對稱結構對稱位置的損傷。對于小損傷來說，高階頻率變化明顯，但不易獲取且精度低，因此學者開始考慮使用其他振動特征或多種振動特征的組合參數識別損傷。

WEST首次使用振型識別損傷，將振型與模態置信準則結合起來對飛機后壁的損傷進行了研究，成功識別了損傷[8]。YUAN將振型差和斜率作為參數成功定位了損傷，并進一步研究發現該方法只適用于小構件結構，對大型結構損傷識別的精度較低[9]。彭華等將曲率差作為識別損傷的參數，通過建立有限元模型提取并計算損傷工況下的曲率模態差，成功地對損傷程度和損傷位置進行了識別預測[10]。杜宇等建立了一個懸臂梁的有限元模型，然后使用其前3階曲率模態及其變化率作為參數對懸臂梁的損傷情況進行了識別。結果顯示，無論哪種參數均能有效識別損傷[11]。

僅使用結構的動力特征作為判別損傷的指標仍然具有一定的局限性：第一，依然需要建立有限元模型;第二，需要結構完好狀態下的動力特性作為基準;第三，實測數據受到噪聲的影響，需要提高抗噪性;第四，對于不同的結構，模態的選取、測點的位置以及測點的數量都會對識別精度產生較大影響。

3 基于智能算法的損傷識別方法

近20年來，隨著計算機技術的飛速發展，涌現出了以人工神經網絡為主的各種學習算法。由于它具有優異的非線性分析能力，因而被廣泛應用于各個領域。圖1和圖2分別為用于結構損傷定位和損傷定量時的人工神經網絡結構模型。

圖1和圖2中：x表示用于識別結構損傷的指標參數，通常為與結構損傷直接相關的靜力和動力特征或組合參數;a表示第一層神經元的取值，通常與x相同;ω為兩層神經元之間的權重，每一層神經元與權重的加權和可以得到下一層每個神經元的值;b為第二層神經元，若結構僅有兩層，則b也為輸出層，每一個神經元a和b均對應一個偏置值。圖1和圖2中的激活函數分別取softmax和linear函數。

為了更加高效和精確地識別結構損傷，各國學者逐漸將基于智能算法的損傷識別方法應用于損傷識別領域。陸秋海等提取了懸臂梁位移和應變，并將其分別與神經網絡結合，成功地對懸臂梁的損傷位置進行了識別，并對兩種參數的敏感性進行了研究[12]。結果表明，應變數據更容易受到測量精度的影響。劉寒冰等建立了一個簡支梁的有限元模型，將其曲率模態作為判別損傷的指標，并將其作為神經網絡的輸入，對結構的損傷情況進行了精確識別[13]。隨著科技的發展，由傳統的神經網絡發展而來的深度學習網絡的應用變得越來越廣泛。李帛書將曲率模態與徑向基函數（Radial Basis Function，RBF）網絡結合，成功地對斜拉橋的損傷進行識別[14]。羅超首先使用MATLAB獲得了鋼梁的動力響應，隨后將其與卷積神經網絡結合，成功地對結構的單損傷和多損傷進行了識別且達到了較高的精度[15]。駱勇鵬等人直接以原始振動信號作為一維卷積神經網絡的輸入，對簡支梁模型進行了損傷識別研究。結果表明，該方法對測試集損傷位置和損傷程度具有相當高的準確率且具備一定的抗噪性能，并設計了框架結構試驗模型驗證了該方法可用于實際結構[16]。此外，有研究先去除飛機發動機的圖片噪聲，之后結合卷積神經網絡，使用圖片的方式研究了發動機的損傷，并取得了良好成效，識別率高。

當前，全世界已經步入計算機時代。隨著機器學習和人工智能的飛速發展，結構損傷識別技術也得到了空前的進步，識別效率和精度也會變得更加高效和精確，從而將人們從煩瑣的工作中解放出來。

4 結語

本文主要從基于靜力參數的損傷識別方法、基于動力指紋的損傷識別方法以及基于智能算法的損傷識別方法3個方面對結構損傷識別方法進行了綜述，并且對每種方法的優缺點進行了總結和說明，旨在為工程結構損傷識別領域的研究提供一定的參考。

參考文獻：

[1]趙展.基于撓度影響線差值和移動主成分法的橋梁損傷識別研究[D].廣州：暨南大學，2015：18-19.

[2]SANAYEI M，ONIPEDE O. Damage assessment of structures using static test data[J/OL].AIAA Journal，2012.（2012-05-17）[2021-08-05]. https：//arc.aiaa.org/doi/abs/10.2514/3.10720.

[3]SANAYEI M，SALETNIK M J . Parameter estimation of structures from static strain measurements. I： formulation[J]. Journal of Structural Engineering，1996（5）：555-562.

[4]張家弟.基于靜力響應的橋梁結構損傷識別研究[D].武漢：武漢理工大學，2006：1-60.

[5]CAWLEY P，ADAMS R D. The location of defects in structures from measurements of natural frequencies[J].The Journal of Strain Analysis for Engineering Design，1979（2）：49-57.

[6]CHRIS S C. Assessment of SSI on the longitudinal seismic response short span bridges[J].Elsevier，1990（4）：170-175.

[7]SALAWU O S. Detection of structural damage through changes in frequency： a review[J].Engineering Structures，1997（9）：718-723.

[8] WEST W M. Illustration of the use of modal assurance criterion to detect structural changes in an Orbiter test specimen[C]//Proceedings of Air Force Conference on Aircraft Structural Integrity，1984：1-6.

[9]YUEN M. A numerical study of the eigenparameters of a damaged cantilever[J].Journal of Sound & Vibration，1985（3）：301-310.

[10]彭華，游春華，孟勇.模態曲率差法對梁結構的損傷診斷[J].工程力學，2006（7）：49-53.

[11]杜宇，楊濤，何梅洪，等.基于曲率模態變化率的復合材料梁脫層損傷識別[J].固體火箭技術，2021（3）：385-389.

[12]陸秋海，李德葆，張維.利用模態試驗參數識別結構損傷的神經網絡法[J].工程力學，1999（1）：35-42.

[13]劉寒冰，焦峪波，程永春，等.基于模態曲率理論及神經網絡的簡支梁橋損傷識別[J].吉林大學學報（工學版），2011（4）：963-967.

[14]李帛書.基于優化智能算法與低階曲率模態的斜拉橋損傷識別[D].重慶：重慶大學，2019：1-125.

[15]羅超.卷積神經網絡在橋梁損傷識別中的應用研究[D].西寧：青海大學，2020：1-64.

[16]駱勇鵬，王林堃，廖飛宇，等.基于一維卷積神經網絡的結構損傷識別[J].地震工程與工程振動，2021（4）：145-156.

3611500589271