《Structural Health Monitoring》：Fatigue crack identification for steel structures based on distributed fiber optic sensing in a hybrid Digital Twin framework
编辑推荐：
本研究提出了一种混合数字孪生（Digital Twin, DT）框架，用于基于分布式光纤传感（distributed fiber optic sensing, DFOS）获得的应变测量数据识别钢结构的疲劳裂纹。该框架集成了成熟的数据驱动方法和物理基础方法，提供
本研究提出了一种混合数字孪生（Digital Twin, DT）框架，用于基于分布式光纤传感（distributed fiber optic sensing, DFOS）获得的应变测量数据识别钢结构的疲劳裂纹。该框架集成了成熟的数据驱动方法和物理基础方法，提供了从损伤检测与定位到裂纹评估与疲劳寿命预测的完整工作流程。与传统的基于振动的结构健康监测（structural health monitoring, SHM）方法不同，该框架利用准连续的分布式应变测量，在全球结构尺度上识别局部疲劳引起的应变重分布，从而能够检测不直接与传感光纤相交的裂纹。在第一阶段，从DFOS测量中提取损伤敏感应变特征，并与参考结构状态相比评估其异常情况。随后，采用包含预定义裂纹路径的参数化有限元模型，基于实测应变场进行更新，以估计裂纹的位置和尺寸。然后，基于线弹性断裂力学（linear elastic fracture mechanics, LEFM）利用识别出的裂纹参数预测剩余疲劳寿命，为检测和维护规划提供信息。该框架通过焊接钢试件的单轴拉伸疲劳试验进行了实验验证，试件中包含在试验过程中萌生并扩展直至破坏的单条和多条疲劳裂纹。结果表明，基于分布式应变测量能够可靠地检测和定位疲劳损伤，而基于物理模型的更新能够估计具有物理可解释性的裂纹参数。剩余疲劳寿命预测偏于保守，且精度随裂纹逐步扩展而提高。总体而言，研究结果表明，将DFOS与数据驱动和物理基础建模相结合，在一个混合框架内作为迈向可扩展的、基于状态的SHM及疲劳关键钢结构（如桥梁）服役寿命预测的第一步具有潜力。
一、研究背景与现存问题
现代基础设施发展的首要目标是确保结构具有韧性和可持续性，以满足持续增长的交通需求。德国大量桥梁建于1970年代，许多已接近或超过设计使用寿命。交通量持续增长显著加速了疲劳劣化，尤其是钢桥。此外，设计细节过时、施工质量不足、材料缺陷以及维护不当也是重要因素。疲劳裂缝会逐渐降低承载能力，若未被发现最终可能导致结构失效，正交异性钢桥面板因其大量几何相似的缺口细节承受相近应力状态而尤为脆弱，裂缝可能在多个位置萌生，使检测、监测和寿命预测复杂化。
目前，系统性、基于状态的维护策略日益受到重视，其前提是在数字模型中可靠评估当前结构状态。数字孪生（Digital Twin, DT）通过实现物理结构与虚拟表征之间的连续信息交换为此提供了有力框架。现有损伤识别方法中，基于振动的全局SHM方法对局部疲劳损伤灵敏度有限，因为小裂缝对整体刚度和质量分布影响甚微。局部监测技术如应变片虽能在离散位置提供详细信息，但需密集传感器网络覆盖整个结构，往往不切实际。分布式光纤传感（DFOS）克服了这些限制，可实现高空间分辨率的准连续应变测量，但现有方法多依赖裂缝直接与传感光纤相交，这在复杂钢结构中很少发生。数据驱动方法高效但缺乏物理可解释性，物理基础方法面临建模不确定性且计算成本高。因此，亟需一种集成方法，将DFOS与数据驱动和物理基础建模相结合，形成覆盖从检测到预测全过程的混合DT框架。
二、研究方法概述
研究人员提出并实验验证了一个混合DT框架，集成三大关键技术：第一，基于DFOS的准连续应变监测系统，采用聚酰亚胺涂层光纤以循环模式粘贴在试件表面，使用ODiSI 6104系统以1.3 mm空间采样间隔和50 Hz采样频率采集数据；第二，数据驱动的统计模式识别（SPR）方法，利用马氏平方距离（MSD）作为无监督异常检测指标，从预处理后的应变差异中提取损伤敏感特征；第三，基于物理的有限元（FE）模型更新与线弹性断裂力学（LEFM）预测，采用简化壳模型进行参数化裂纹识别，并通过Abaqus中的轮廓积分法计算应力强度因子（SIF），结合Paris-Erdogan定律预测剩余疲劳寿命。实验对象为两个几何相同的S355钢焊接试件，含400×80×12 mm基板和50×50×6 mm加劲肋，通过周向角焊缝连接，在伺服液压MTS 810系统上进行应力比R=0.1、最大荷载222 kN（对应名义应力231 N/mm2）的单轴拉伸疲劳试验直至完全破坏。
三、研究结果
3.1 数据驱动的损伤检测
研究人员将预处理后的边界参考应变差异作为损伤敏感特征，将每条直DFOS段分为四个等长子段，共32个评估区域，独立计算MSD。训练数据采用前50%测量周期，基于蒙特卡洛模拟确定99%分位数的异常阈值。结果表明，该方法能够在疲劳寿命的最后三分之一阶段可靠检测到由裂纹萌生和扩展引起的异常，且对不同训练数据比例（30%-50%）表现稳健。
3.2 基于FE模型更新的损伤评估
研究人员建立了简化壳FE模型，沿焊趾定义两条潜在裂纹路径，以裂纹中心位置yc和长度2a为参数，通过全因子网格搜索（11,881种配置）最小化路径积分残差Rp,i来识别最优模型。结果显示，该物理模型更新方法能够有效估计裂纹位置和尺寸，且识别的裂纹参数与DIC观测结果一致，证明了基于DFOS应变重分布识别非直接相交裂纹的可行性。
3.3 剩余疲劳寿命预测
研究人员基于LEFM，采用Abaqus轮廓积分法计算SIF，并使用Paris-Erdogan定律（C和m取文献值）预测剩余寿命。对于单裂纹和双裂纹场景，分别采用解析解和数值解。结果表明，预测的剩余疲劳寿命偏于保守，且随着裂纹逐步扩展，预测精度提高。这证实了将SHM数据反馈至DT以迭代改进寿命预测的潜力。
四、讨论与结论
研究人员指出，所提出的混合DT框架成功集成了DFOS、数据驱动检测和物理基础建模，覆盖了从损伤检测、定位、评估到寿命预测的完整流程。与传统振动方法不同，该框架利用DFOS监测全局结构系统中的应变重分布，无需传感器直接跨越裂纹，特别适用于复杂钢结构。实验结果验证了该方法在实验室条件下的有效性，展示了基于状态延长服役寿命的潜力。框架设计为模块化和可适应的，允许根据具体结构需求更换或扩展各组件方法，为未来应用于更大更复杂的结构（如钢桥）奠定了基础。
研究结论：本研究提出了一个混合DT框架，通过结合DFOS、数据驱动异常检测、FE模型更新和LEFM预测，实现了钢结构中疲劳裂纹的全面识别。实验验证表明，该框架能够可靠检测和定位疲劳损伤，估计具有物理意义的裂纹参数，并提供保守的剩余疲劳寿命预测，且精度随裂纹增长而改善。该框架作为迈向可扩展、基于状态的SHM及疲劳关键钢结构服役寿命预测的第一步具有重要潜力。
