一种基于自适应神经模糊推理系统的单桩基础冲刷深度识别方法

《Ocean Engineering》：A method for scour depth identification of single pile foundations based on adaptive neuro-fuzzy inference system

冲刷深度识别模型研究基于ANFIS整合FCR/MAC/MC/MCD参数，通过水槽实验和数值模拟验证，FCR/MC/MCD与冲刷深度强相关，MAC灵敏度不足，模型预测精度达R2=0.95且受预存损伤影响小。

　　近年来，随着桥梁结构在交通系统中的广泛应用，其安全性与耐久性问题日益受到关注。其中，桩基周围的冲刷现象被视为桥梁结构失效的主要原因之一。据相关研究统计，大约60%的桥梁事故与冲刷有关，这凸显了冲刷深度识别技术在桥梁健康监测中的重要性。在实际工程中，冲刷不仅可能导致桥梁基础的不稳定，还可能引发结构的坍塌，对公共安全构成严重威胁，同时带来巨大的经济损失。因此，实现对冲刷深度的高精度、实时识别成为保障桥梁安全运行的关键环节。

冲刷是一种由水流作用引起的自然过程，它会导致河床和河岸的沉积物被侵蚀并移除。根据冲刷发生的范围，通常可以将其分为一般冲刷和局部冲刷。一般冲刷主要发生在水流通道的上下游区域，而局部冲刷则集中于桥梁桩基附近，尤其是在水流速度较快、河床地形变化较大的情况下。现有冲刷深度识别方法主要包括传统的目视检查、非破坏性检测技术以及基于振动的方法。然而，这些方法在实际应用中存在诸多局限性，如传统目视检查依赖人工操作，难以在洪水期间进行，且受检查人员经验影响较大，导致识别结果的准确性和可靠性难以保证。

为了提高识别精度，近年来研究者们提出了多种非破坏性检测方法，包括重力监测、声波检测、光纤光栅传感器和电磁检测等。这些方法虽然在一定程度上能够实现对冲刷深度的间接估计，但它们往往面临工程应用中的实际问题，例如复杂的水下安装过程、设备耐久性不足、易受环境噪声干扰以及高昂的成本。因此，研究者们开始探索更为高效、经济且可靠的冲刷识别技术。

基于振动的冲刷监测方法因其无需直接接触结构物、便于实时监测等优点，逐渐成为研究的热点。该方法源于结构损伤识别理论，即局部冲刷会降低桩基的约束力，从而削弱整个结构的刚度，导致结构的模态参数发生显著变化。自然频率是结构刚度变化的直接体现，因此一些研究者尝试通过自然频率的变化来预测冲刷深度。例如，张等人（2022）基于频率变化率与冲刷深度之间的经验关系，提出了频率变化率与冲刷深度的定量模型。此外，还有研究者结合频率变化曲线和冲刷特征曲线，进一步提高了冲刷识别的准确性。

然而，当前的研究主要集中在频率这一单一模态参数上，忽略了其他重要的模态参数，如模态保证准则（MAC）、模态曲率（MC）和模态曲率差（MCD）。这些参数能够更全面地反映结构刚度的变化情况，因此，将它们纳入冲刷识别模型中可能有助于提高识别精度。此外，现有研究在考虑冲刷深度识别时，往往忽略了结构本身可能存在的局部损伤对模态参数的影响。这种局部损伤可能在冲刷发生之前就已经存在，对结构的动态特性产生干扰，从而影响冲刷识别的准确性。

为了解决上述问题，本文提出了一种基于自适应神经模糊推理系统（ANFIS）的冲刷深度识别模型，该模型综合考虑了频率变化率（FCR）、模态保证准则（MAC）、模态曲率（MC）和模态曲率差（MCD）等多种模态参数。通过水槽实验和数值模拟，研究者系统地评估了这些模态参数在冲刷深度和已有局部损伤条件下的敏感性和准确性。研究结果表明，FCR、MC和MCD与冲刷深度之间存在较强的关联性，而MAC对冲刷深度的敏感性相对较低。同时，已有局部损伤对冲刷识别的准确性影响较小，这表明所提出的模型在实际应用中具有较高的鲁棒性。

为了验证这些结论，研究者进行了水槽实验，使用了一根空心钢桩作为物理模型。实验中，桩基被安装在水槽内，并在特定条件下进行冲刷模拟。此外，研究者还开发了一个数值模型，以更高效地模拟桩基的力学行为。在数值模型中，桩基被建模为Beam188单元，以模拟其在不同工况下的动态响应。通过设置合理的弹性模量、密度和泊松比等参数，研究者能够更准确地反映桩基与土壤之间的相互作用。在实验和数值模拟过程中，研究者通过调整冲刷深度和模拟局部损伤，系统地分析了不同模态参数对冲刷识别的影响。

ANFIS作为一种融合神经网络和模糊推理系统的智能算法，已被广泛应用于非线性系统建模和预测问题。其核心优势在于能够将模糊逻辑的直观性和神经网络的自学习能力相结合，从而实现对复杂系统的高精度建模。在本文中，ANFIS被用作冲刷深度识别的工具，其输入参数包括FCR、MC和MCD，而输出则是冲刷深度的预测值。通过训练和验证，研究者发现该模型能够实现较高的预测精度，且大多数预测结果落在95%的预测区间内。这一结果表明，基于ANFIS的冲刷识别模型在实际应用中具有较强的适应性和可靠性。

研究者还进一步探讨了已有局部损伤对冲刷识别的影响。通过对比分析不同损伤程度下的模态参数变化，研究发现，即使在存在局部损伤的情况下，FCR、MC和MCD仍然能够有效反映冲刷深度的变化趋势。这表明，所提出的模型在实际应用中具有一定的鲁棒性，能够在复杂工况下保持较高的识别精度。此外，研究者还发现，不同土壤类型对桩基的自然频率变化具有显著影响，这进一步说明了模态参数在冲刷识别中的重要性。

总体而言，本文的研究成果为桥梁冲刷识别提供了一种新的思路和方法。通过综合考虑多种模态参数，并利用ANFIS进行建模和预测，研究者成功开发了一种能够实现高精度冲刷深度识别的模型。该模型不仅能够有效应对冲刷深度识别中的挑战，还能够在复杂工况下保持较高的识别精度，从而为桥梁健康监测和安全评估提供了有力的技术支持。此外，本文的研究还揭示了不同土壤类型对冲刷深度识别的影响，为后续研究提供了重要的参考依据。