利用多特征声发射参数并结合卷积神经网络进行定量混凝土损伤评估

《Journal of Building Engineering》：Quantitative Concrete Damage Assessment Using Multi-Feature Acoustic Emission Parameters Integrated with Convolutional Neural Network

　　

• •
  通过将多特征声发射（AE）参数与卷积神经网络（CNN）相结合，开发了一种混凝土损伤的定量评估方法。
• •
  建立了基于AE率过程理论的损伤评估模型，以将AE参数与归一化应力水平相关联。
• •
  所提出的CNN模型结合了所有选定的AE特征，其性能显著优于传统的机器学习模型。

引言

在役混凝土建筑和桥梁容易受到地震、强风、洪水以及腐蚀和材料老化等灾难性自然灾害的损害。这种劣化会逐渐降低承载能力，并随着时间的推移增加功能失效的风险[1]。因此，实施结构健康监测（SHM）、损伤评估和早期预警系统对于确保混凝土结构的安全性、可靠性和耐久性至关重要。

混凝土结构的损伤演变过程受到机械载荷和伴随的声学现象的耦合影响[2]。在变形和开裂过程中会产生连续数据，可以使用先进的传感器进行捕获[3]。声发射（AE）传感器由于其被动监测能力而特别有效[4]。AE信号分析能够对混凝土损伤进行定量评估，为结构安全评估、诊断和修复提供基础[5]。信号分析通常遵循两种主要方法：波形分析和参数分析。传统的表征混凝土损伤的参数方法往往依赖于识别时域参数演变中的关键特征[6]。这些参数随混凝土机械性能的变化是直观且具有物理意义的，允许对混凝土的机械状态进行定性评估[7]。然而，AE信号特征对材料属性、试件几何形状和加载条件等因素敏感，导致不同AE参数之间的评估标准不一致[8]。AE信号活动与混凝土裂缝的扩展密切相关。迄今为止，尚未建立一种仅基于AE信号的稳健确定性数学模型来描述混凝土损伤。为了解决这一差距，已将AE率过程理论与损伤指标相结合，整合到定量损伤评估框架中[9]。例如，AE信息熵已被用来将AE特征参数映射到混凝土损伤指标[10]。还开发了一种基于统计分析的定量估计模型，用于预测混凝土损伤的进展[11]。此外，还提出了各种数学函数，如指数[12]、[13]、[14]、对数[15]、[16]和多项式[17]、[18]、[19]，以将AE参数与损伤因素相关联。Ohtsu模型假设累积AE事件与应力水平之间存在幂律关系。较高的a值表明初始缺陷更严重，这会影响刚度和抗压强度[20]。这一点通过观察到的R_W/B随a增加而增加得到证实[21]。此外，压缩过程中的损伤积累与损伤演变方程中的加载率成正比[22]。相比之下，Dai模型采用了概率论的观点，通过概率密度函数表达AE参数的增量。然后利用多项式函数将累积AE事件与应力水平联系起来[23]。这种数据驱动的方法具有灵活性，没有预定义的形式，但其第一系数随应变率增加[24]。通过分析信号的时间域和频谱特征，提出了一种混凝土损伤的定量评估指标[25]。由于AE信号与拉伸和剪切裂缝的竞争机制有关，参数与裂缝之间的相关性进一步促进了量化模型的发展[26]。同样，通过将AE参数与损伤因素拟合，建立了用于混凝土损伤评估的多项式回归模型[27]。尽管取得了这些进展，但由于两个主要原因，使用AE数据对混凝土损伤进行定量分析仍然具有挑战性。首先，预测模型的开发受到加载率和环境因素等测试条件的复杂影响，这需要仔细选择数学函数和AE参数[28]；其次，传统的回归模型往往难以捕捉AE数据与混凝土损伤演变之间的复杂非线性关系。

近年来，机器学习（ML）作为一种强大的替代方法出现，可以利用大型数据集学习非线性输入-输出映射，从而准确预测混凝土损伤状态和裂缝演变[29]。传统的ML方法，包括k-NN、朴素贝叶斯、SVM和ANN，通常依赖于从原始AE数据中提取的手工特征[30]。因此，它们的性能本质上受到所选特征的质量和完整性的限制，以及特征工程所需的先验领域知识。此外，单个AE参数包含的信息有限，不足以作为强大ML模型的输入[31]。深度学习的最新进展显著增强了基于AE的混凝土结构无损评估。例如，一维卷积神经网络（1D-CNN）已成功应用于桥梁状况评估[32]和裂缝定位[33]，展示了它们从原始AE波形中自动提取空间特征的熟练程度。同样，LSTM网络在捕捉AE信号的时间动态方面表现出色，能够全面表征整个损伤演变过程[34]。尽管取得了这些成就，但仍然有两个关键的研究空白尚未解决。首先，大多数现有的深度学习应用程序主要是为离散分类任务设计的。其次，这些现有的基于AE的深度学习模型通常作为黑盒系统部署，缺乏与物理理论的明确整合。此外，很少有研究系统地比较了传统的回归模型和数据驱动的深度学习模型在混凝土损伤量化方面的表现。虽然循环神经网络（RNN）[35]和LSTM[36]对序列数据有效，但AE数据由在离散时间点获取的多参数特征组成，任务是从瞬时特征向量预测同时发生的损伤程度——依赖于步骤内的特征相关性而非长时间记忆。1D-CNN提供了三个决定性优势：（i）卷积核自动学习AE参数之间的局部相关性，作为可训练的特征提取机制；（ii）参数共享方案大大减少了可训练参数的数量，从而减轻了由于数据集有限而导致的过拟合；（iii）1D卷积支持完全并行计算，比顺序LSTM训练更快[37]。

本研究的主要创新在于将多个AE特征系统地整合到深度学习框架中，并将这种方法与传统的线性回归模型进行比较验证。通过直接将我们的深度学习预测结果与从成熟线性回归基线得到的结果进行比较，我们明确证明了数据驱动方法在特征提取能力和预测性能方面的优越性。

章节片段

混凝土损伤定量评估方法的发展

所提出的混凝土损伤量化方法将卷积神经网络（CNN）与声发射（AE）特征参数相结合，包括三个关键步骤，如图1所示。首先，通过将AE信号与归一化应力水平相关联来构建数据集，记录AE特征参数（能量、计数和事件）及其对应的归一化应力水平。然后，使用CNN回归模型来预测混凝土损伤的严重程度

试样的混合比例和制备

使用普通波特兰水泥（OPC）42.5级作为粘合剂制备了混凝土试样。使用了细度模数为3.0且含泥量低于1%的天然河砂作为细骨料。使用了粒径在5到25毫米之间的石灰石砾石作为粗骨料。添加了减水率为25%的聚羧酸基超塑性剂以提高混凝土的可操作性。试样按四种不同的水胶比（R_W/B

图3展示了混凝土应力的演变及其对应的AE计数。在初始加载阶段，AE计数呈上升趋势，反映了混凝土内部固有缺陷导致的微裂缝闭合。在稳定阶段，AE计数线性增加，对应于混凝土的弹性变形。在峰值应力时达到最大计数，此时AE能量释放达到最大值。超过峰值应力后，应力和AE计数都

结论

基于多特征AE参数和卷积神经网络（CNN）开发了一种混凝土损伤的定量评估方法。此外，还建立了基于AE率过程理论的混凝土损伤评估模型。此外，还提出了一种预测模型，用于估计归一化应力水平，作为定量损伤进展的直接指标。可以得出以下结论：

(1)

所选的AE能量、计数和事件参数可以

钱马：撰写——审稿与编辑，监督，形式分析。余波：撰写——审稿与编辑，监督，资金获取，概念化。谢伟伟：项目管理，资金获取。梁健：撰写——初稿，软件，方法论，调查，数据管理

作者声明没有已知的可能会影响本文报告工作的财务利益或个人关系。

数据可用性

部分或所有支持本研究结果的数据、模型或代码可在合理请求时从相应作者处获得。

?作者声明没有已知的可能会影响本文报告工作的财务利益或个人关系。

中国内蒙古自治区自然科学基金（2026QC0469）、内蒙古科技大学的科教计划（KJJH2025976）、广西关键研究与发展项目（授权号GKAB23026026、GKAD25069072和GKAB23075207）、国家自然科学基金（授权号52278162和62266005）以及广西科学技术重大项目（授权号GKAA23023034和GKAA23073017）提供的财政支持

Jian Liang|Qian Ma|Weiwei Xie|Bo Yu