基于声发射技术的可解释无监督聚类方法用于钢-混凝土混合结构损伤模式识别

《Case Studies in Construction Materials》：Acoustic emission-based interpretable unsupervised clustering for damage pattern recognition in steel-concrete hybrid structures

　　

本研究提出了一种基于声发射（Acoustic Emission, AE）技术的可解释无监督聚类方法，旨在有效识别轴向受压钢-混凝土混合结构的损伤模式。研究人员首先提出了一种基于皮尔逊相关系数法（Pearson Correlation Coefficient Method）和主成分分析（Principal Component Analysis, PCA）的两阶段聚类参数选择方法，随后应用K-means++聚类算法对AE数据进行分类。聚类后采用决策树（Decision Tree）算法进行解释与验证。通过分析AE数据的特征及其时间演化规律，建立了AE分类与结构损伤模式之间的关联。研究表明，基于AE特征可以区分五种损伤模式。聚类结果有效凸显了不同结构间损伤演化的相似性与差异性。该研究将基于AE数据的损伤模式识别从均质结构拓展至复杂的钢-混凝土混合结构。

本研究旨在解决钢-混凝土混合结构在轴向受压条件下的损伤模式识别问题。钢-混凝土混合结构作为一种由钢材和混凝土两种迥异材料组成的复合结构体系，典型形式包括钢筋混凝土（Reinforced Concrete, RC）结构、钢管混凝土（Concrete-Filled Steel Tube, CFST）结构以及混凝土包裹钢管混凝土（Concrete-Encased CFST, CE-CFST）结构等。该类结构融合了钢结构高强度、高可靠性的优点与混凝土结构良好耐久性和耐腐蚀性的特点，已广泛应用于高层建筑、大跨度桥梁等大型土木工程基础设施中。然而，由于钢-混凝土混合结构具有多材料、多界面的特性，其损伤模式极为复杂，加之缺乏充分的先验知识，使得该类结构的损伤模式识别成为一项极具挑战性的任务。

当前，基于声发射技术的损伤监测已取得显著进展。声发射技术通过监测和分析结构损伤过程中释放的弹性波来反映结构的损伤状态，基于累积声发射参数的损伤阶段识别和演化分析已相对成熟。研究表明，声发射参数如上升时间、能量、持续时间等随损伤程度增加而增大，累积声发射能量、幅值和撞击数与施加荷载呈线性相关。然而，现有研究在复杂多材料体系中的应用仍面临三个关键问题：一是高维声发射数据特征选择往往主观或依赖单步统计方法，导致参数冗余或物理意义信息丢失；二是传统无监督聚类算法如同"黑箱 Albert"，产生的分组缺乏可解释决策规则；三是大多数验证局限于单一结构类型， identifie的损伤聚类的物理普适性不确定。因此，开展针对钢-混凝土混合结构损伤模式识别的可解释无监督聚类研究具有重要的理论意义和工程价值。

研究人员针对上述局限性，提出了一种融合声发射技术和机器学习的可解释无监督聚类框架。该框架主要贡献包括：提出了一种新颖的两阶段参数选择方法，系统结合相关性分析和主成分分析以识别三个最优且可解释的声发射特征；开发了融合K-means++与决策树算法的可解释聚类框架，提取显式分类规则并建立包含界面级失效模式的机理驱动损伤分类体系；通过四种不同结构类型的跨试件基准测试提供了稳健的机理验证，证实了聚类特征与材料-界面复杂度之间的直接关联。

本研究所采用的关键技术方法包括：基于皮尔逊相关系数法和主成分分析的两阶段特征参数选择方法，用于从幅值（A）、能量（E）、振铃计数（C）、持续时间（D）、上升时间（RT）、峰值频率（PF）、平均频率（AF）和信号强度（S）等八维声发射原始参数中筛选最优聚类特征；K-means++无监督聚类算法，通过优化初始聚类中心选择提高聚类精度，并采用轮廓系数（Silhouette Index, SI）和戴维斯-博尔丁指数（Davies-Bouldin Index, DBI）确定最优聚类数目；决策树算法用于聚类后解释，生成可解释的分类规则；以及基于四种典型试件（CE-CFST柱、CFST柱、RC空心柱和素混凝土柱）的轴向压缩试验验证体系，其中CE-CFST柱截面尺寸为300 mm×300 mm、高度600 mm，CFST柱核心采用Q460钢管（外径127 mm、壁厚5.7 mm），试验采用美国物理声学公司（PAC）16通道声发射系统，R15α传感器（50–400 kHz），前置放大器增益26 dB，阈值45 dB，采样频率1 MPS。

研究结果表明，通过两阶段特征参数选择方法，幅值（A）、峰值频率（PF）和平均频率（AF）被确定为最优聚类参数，三者的累积贡献率达95%以上。基于DBI和SI指标评估，CE-CFST和RC试件的最优聚类数为4，CFST为5，PC为3。聚类结果显示，尽管各试件聚类数目不同，但相同颜色标记的聚类1–4的聚类特征分布高度相似。CE-CFST试件的聚类特征范围为：聚类1（低A：45–60 dB，低PF：10–170 kHz，低AF：10–100 kHz）、聚类2（低A：45–62 dB，中PF：80–190 kHz，高AF：70–270 kHz）、聚类3（高A：60–100 dB）和聚类4（低A：45–70 dB，高PF：230–380 kHz，中AF：20–200 kHz）。决策树分析表明，PF>233.5 kHz是区分聚类4（钢材损伤）的首要特征，A>66.5 dB区分聚类3（混凝土宏观损伤），而AF>109.5 kHz和A≤54.5 dB分别对应聚类2（微裂纹萌生）和聚类1（内部摩擦）。

基于AE分类特征参数的分析表明：聚类1具有数量大、低幅值、低能量、低峰值频率特征，对应内部摩擦（裂纹相对滑动摩擦、钢管与混凝土摩擦、加载装置与试件摩擦等）及混合噪声信号；聚类2具有数量大、低幅值、低能量、高平均频率特征，对应混凝土内部微裂纹的萌生和扩展；聚类3具有数量少、中等峰值频率、高幅值、高能量特征，对应混凝土严重损伤（宏观裂纹扩展、混凝土压碎和剥落）；聚类4具有数量极少、最高峰值频率特征，对应钢筋屈服和钢管屈曲；聚类5具有中等数量、各特征参数均为中等水平，对应钢-混凝土界面撕裂损伤。通过四种试件聚类结果的对比分析，CE-CFST和RC试件的聚类结果高度相似，PC试件缺少代表钢材损伤的聚类4，CFST试件则因传感器直接安装于钢管表面而多出一个代表界面撕裂损伤的聚类5。

基于损伤演化过程的分析进一步验证了上述损伤模式识别的合理性。各类簇的归一化累计事件数随时间变化规律表明：代表混凝土严重损伤的聚类3在接近极限荷载时增长速率最快；CE-CFST试件的聚类4在开裂阶段和破坏阶段出现两次突发性增长，这与该结构由外包RC控制极限荷载、核心CFST在进一步加载后才加剧屈曲的破坏机理一致。各聚类事件数百分比的时间演化显示，加载初期CE-CFST和RC试件的聚类2占比达100%，随荷载增加聚类1和聚类2呈相反趋势变化。CFST试件中由于核心混凝土的三向受压状态，聚类2早期发展滞后于聚类1和聚类3，而代表界面撕裂的聚类5始终保持相对稳定的百分比。累积AE振铃计数和能量的演化规律与各试件的损伤过程对应良好，聚类3是主要能量释放来源，聚类1在破坏临近时能量释放更为剧烈且突增明显。

在讨论部分，研究人员指出该可解释聚类框架将基于AE的损伤诊断从均质材料拓展至复杂钢-混凝土混合结构，建立了轴向受压条件下透明的五模式分类体系。然而，当前研究基于单调轴向荷载作用下C60混凝土和Q460钢材制作的短柱试验，该分类体系的适用性受实验范围制约，可能无法完全涵盖循环荷载、地震作用或弯曲荷载下的损伤机制，以及超高性能水泥基复合材料等不同材料组成的影响。未来研究应将该框架拓展至更多样的荷载条件、结构构型和材料状态，并引入现场适用的去噪技术，与其他先进机器学习方法进行基准对比，以增强其泛化能力和工程实用性。

研究结论部分明确指出：（1）提出的基于皮尔逊相关系数法和主成分分析的两阶段聚类参数选择方法，可从大量AE参数中选取独立性强、贡献率高且具可解释性的聚类参数，幅值、平均频率和峰值频率适用于钢-混凝土混合结构的无监督聚类分析。（2）提出的基于K-means++聚类算法和决策树算法的可解释无监督聚类方法，决策树结果可为K-means++聚类分析的实施过程提供清晰全面的解释，为钢-混凝土混合结构损伤模式识别提供了可解释且透明的范式，同时为无标签数据的识别和阐释提供了可能。（3）识别了五种损伤模式：内部摩擦损伤、混凝土微裂纹萌生和扩展、混凝土严重损伤（含宏观裂纹扩展、混凝土压碎和剥落）、钢筋和钢管屈曲、钢-混凝土界面撕裂损伤。（4）聚类结果有效捕捉了四种结构类型在损伤演 console.log(''); 演化与破坏机制方面的相似性和差异性，为聚类结果与损伤模式之间关联的有效性提供了有力证据。CE-CFST与RC空心柱的聚类结果非常相似；PC柱缺少代表钢筋或钢管屈曲的聚类4；由于CFST试件的AE传感器直接安装于钢管表面，能更好地接收界面撕裂损伤的AE信号，因此CFST柱的聚类结果额外多出代表钢-混凝土界面撕裂损伤的聚类5。