基于机制引导多分支神经网络的冻融腐蚀钢筋混凝土梁裂缝发展阶段识别方法

《Acoustics》：A Mechanism-Guided Multi-Branch Neural Network for Acoustic Emission-Based Damage Stage Identification of Freeze–Thaw and Corrosion-Damaged Reinforced Concrete Beams

　　为了识别冻融和腐蚀劣化作用下钢筋混凝土梁荷载裂缝的发展阶段，本文提出了一种机制引导的多分支神经网络方法。基于声发射参数的物理意义，将输入特征分为以下四组：裂缝演化过程、损伤强度表征、裂缝形态表征和结构退化状态。采用独立分支进行特征提取，并通过分层融合实现对多维损伤信息的协同表征。此外，引入郊狼优化算法（COA）来优化关键网络层的初始参数。通过加载试验共获得5789个有效声发射事件样本，涵盖四种劣化等级和四个损伤阶段。重复试验（20次）表明，所提出的COA-MB-MLP模型在测试集上的准确率达到91.42%，宏F1分数为0.9118，优于KNN、LDA、SVM和RF等传统基准模型，且性能提升具有统计学显著性。消融实验表明，机制引导的多分支结构是性能提升的主要来源；COA初始化对平均测试性能有适度提升，并降低了重复试验的变异性。特征响应和混淆样本分析表明，振幅对损伤阶段演化更为敏感，而计数、能量和持续时间等特征在破坏阶段显著增加。相邻阶段之间的混淆主要源于裂缝演化的连续性和模糊的相界。研究结果表明，所提方法有效整合了声发射信号的多维物理信息，为识别冻融和腐蚀损伤钢筋混凝土梁的裂缝发展阶段提供了有价值的参考。