物理正则化贝叶斯神经网络与到达时间精细化用于混凝土梁中基于声发射的损伤源定位

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Physics-regularized Bayesian neural network with time-of-arrival refinement for acoustic emission-based damage source localization in concrete beams

　　

PR-BNN-ATR（物理正则化贝叶斯神经网络与到达时间精细化）框架集成了TDOA（到达时间差）物理正则化与变分贝叶斯推理，用于具有不确定性意识的声发射（AE）源定位。在五根梁上，平均定位误差为3.10–6.19 mm，马哈拉诺比斯覆盖率为82.1–98.8%。正Spearman相关性（ρ = 0.110–0.387）确认了不确定性追踪定位难度。在标定梁b0上的半监督预训练将跨梁误差降低了82%，证明了可迁移学习能力。DIC（数字图像相关）验证将升高的不确定性与裂纹分支和边界反射区域联系起来。研究人员通过记录损伤过程中产生的瞬态弹性波，实现了混凝土结构中AE源定位，但标准方法在非均匀介质中面临挑战。PR-BNN-ATR通过自适应AIC（赤池信息准则）到达时间拾取器、物理正则化损失函数（包括TDOA运动学约束和几何可行性约束）、均值场变分推理后验以及半监督标定策略解决了这些限制。在五根带切口混凝土梁上进行了验证，使用独立DIC测量进行外部验证。评估指标包括负对数似然（NLL）和连续排序概率得分（CRPS），以及校准覆盖率。结果表明，PR-BNN-ATR在提供校准不确定性估计的同时，实现了有竞争力的定位精度，不确定性-误差相关性为正，且校准性能在不同梁上一致。半监督实验表明，稀疏真实地面真值标定足以显著减轻伪地面真值循环性。DIC验证表明，升高不确定性对应于裂纹分支和边界反射区域。

**论文解读：物理正则化贝叶斯神经网络与时延精细化用于混凝土梁中基于声发射的损伤源定位**

**研究背景与问题**

声发射（AE）源定位是混凝土结构健康监测（SHM）中的一项基础技术，通过记录损伤过程中（如微裂纹、分层或腐蚀）产生的瞬态弹性波，利用多个传感器处的到达时间（TOA）分析来识别损伤起源并追踪损伤演化。然而，基于到达时间（TOA）和到达时间差（TDOA）的标准方法依赖于均匀、各向同性介质和直线传播的假设，这些假设在混凝土中常被违背，导致定位精度降低。混凝土作为非均匀材料，AE定位面临若干关键挑战：噪声和衰减信号导致可靠的TOA拾取困难；均匀性和直线路径假设的违反；多径反射、边界效应和模态转换等复杂波现象；以及标记数据集的有限可用性。尽管已有多种改进方法，如基于AIC的TOA精细化、混合模型和速度自适应模型、以及概率定位框架，但这些方法通常计算成本高、几何依赖性大，限制了其在大型或复杂结构中的适用性。近期机器学习（ML）方法取得了显著进展，但确定性ML模型存在两个基本局限：一是仅提供点估计，缺乏不确定性量化（UQ）；二是需要大量标记数据集，且泛化能力有限。贝叶斯神经网络（BNN）通过将模型参数视为概率分布，显式建模认知不确定性，但现有方法未能同时解决TOA拾取不确定性、损伤介质中波传播的复杂性以及基于多边测量的伪地面真值循环性问题。此外，运动学波传播约束很少直接纳入学习目标，且通常基于恒定速度假设，未考虑空间变化或损伤相关的波速。因此，研究人员提出PR-BNN-ATR（物理正则化贝叶斯神经网络与到达时间精细化）框架，以实现具有不确定性意识的AE源定位。该研究发表在《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》。

**研究内容与结论**

PR-BNN-ATR框架学习从TDOA测量值到源位置的稳健映射，并集成四个关键组件：自适应AIC-based TOA拾取器（最大振幅回退用于低信噪比条件）结合概率多边测量自举（表征事件标签位置不确定性）；混合物理正则化损失函数，包括数据保真度（均方误差MSE）、TDOA运动学一致性约束（匹配预测源位置与测量到达时间差）和几何可行性约束（防止边界外预测）；所有网络权重和偏置上的均值场变分推理后验，通过MC采样提供事件级预测均值和校准不确定性区间；以及使用专用梁b0（真实物理地面真值铅笔破铅PLB坐标）的半监督标定策略，量化伪地面真值循环性并锚定模型。框架在五根带切口混凝土梁（切口位置40–80 mm）上验证，涵盖不同断裂复杂性和波传播条件。独立数字图像相关（DIC）测量提供外部验证。

主要结论如下：PR-BNN-ATR实现平均定位误差3.10–6.19 mm（总体4.04 mm），而确定性ANN为1.47–6.58 mm（总体2.96 mm）。尽管ANN点误差更低，但PR-BNN-ATR提供校准的事件级不确定性估计，平均预测不确定性σ_scalar为3.07–4.69 mm，与平均误差范围紧密对齐。TDOA运动学约束L_phys是关键损失组件：移除后，平均误差增加6.5%，不确定性-误差相关性完全消失（Spearman ρ从0.207降至-0.001）。几何约束减少了边界外预测（从ANN的28.2%降至PR-BNN-ATR的20.5%）。预测不确定性与真实定位误差之间的Spearman秩相关系数在所有五根梁上均为正（0.110–0.387），表明BNN不确定性估计具有信息性。马哈拉诺比斯联合校准在95%名义水平下覆盖82.1–98.8%（平均91.3%），且校准随声学复杂性提高而改善。变分BNN在四根梁上的NLL优于MC Dropout，但MC Dropout由于预测分布更尖锐而获得更低CRPS，然而其在两根梁上产生负的不确定性-误差相关性，证明变分后验在SHM中提供更可靠的不确定性估计。b0标定实验直接量化了伪地面真值循环性：无微调的跨梁测试产生33.64 mm平均误差（是梁内误差的8.3倍），而半监督预训练（b0真实地面真值）后伪地面真值微调将误差降至6.04 mm（降低82%），确认了真正的定位学习而非多边测量复制。独立DIC测量空间共定位了BNN预测的AE源与裂纹轨迹，升高不确定性始终与裂纹分支、双裂纹相互作用和偏离切口的跨中断裂一致，提供了非循环物理证据。

**主要技术方法**

PR-BNN-ATR框架采用以下关键技术方法：①自适应AIC-based TOA拾取器，用于低信噪比条件下的可靠到达时间提取；②物理正则化损失函数，包含TDOA运动学一致性约束（基于标称波速3.4 mm/μs）和几何可行性约束（ReLU惩罚边界外预测）；③均值场高斯变分推理后验，对所有网络权重和偏置进行概率建模，并通过MC采样（S=300次前向传播）获得预测均值和不确定性；④半监督标定策略，使用专用标定梁b0（真实PLB坐标）进行预训练，然后在断裂梁数据上微调。所有实验中，AE数据来自六根混凝土梁（b0标定梁和b1–b5断裂梁），传感器配置为4个压电换能器，采样率5 MHz，波速从PLB标定获得。MC Dropout作为基线不确定性方法进行比较。

**研究结果**

**1. 总体定位性能**：PR-BNN-ATR在五根梁上平均定位误差3.10–6.19 mm，总体4.04 mm。BNN预测不确定性σ_scalar（3.07–4.69 mm）与平均误差范围紧密对齐。Spearman ρ为正（0.110–0.387），其中梁b2和b5达到统计显著（p<0.001）。BNN与标签不确定性比值为3.39–5.05，确认了超出拾取噪声的认知不确定性。

**2. 代表性梁分析（b1和b5）**：梁b1（切口80 mm）误差3.28 mm，不确定性-误差相关性ρ=0.209（p=0.0658），校准曲线显示保守性覆盖。梁b5（切口40 mm）误差3.57 mm，ρ=0.387（p=3.98×10^-4），校准最强（马哈拉诺比斯68%名义下覆盖95.0%）。不确定性随声学复杂性增加而改善，边界事件（如Y=40 mm）产生高不确定性（σ=11.49 mm）和大误差（20.92 mm），反映了物理约束的有效性。

**3. 消融研究、波速敏感性和λ敏感性**：消融研究显示，移除L_phys使误差增加6.5%，不确定性-误差相关性消失（ρ=0.207→-0.001）；移除L_geom影响甚微；移除L_KL略微降低误差但削弱不确定性校准。波速敏感性分析表明，标定波速3.4 mm/μs接近经验最小值，且BNN不确定性对波速假设稳健。λ敏感性分析显示，在±50%扰动下，平均误差变化在0.6 mm以内，L_phys系数最敏感。

**4. 不确定性质量：恰当评分规则和高斯性**：PR-BNN-ATR在四根梁上NLL低于MC Dropout，但MC Dropout CRPS更低。MC Dropout在两根梁上产生负Spearman ρ，而BNN在所有梁上保持正ρ。高斯性检验显示，MC样本分布近似双变量高斯（超额峰度|κ|<0.16），验证了NLL计算的可靠性。

**5. 使用b0梁的地面真值验证**：直接跨梁测试（无微调）平均误差33.64 mm（8.3倍梁内误差）。半监督策略（b0预训练+伪地面真值微调）将误差降至6.04 mm（降低82%），接近梁内性能（4.04 mm）。对于梁b2，半监督模型甚至略优于梁内模型（5.42 mm vs 6.19 mm），表明真实地面真值预训练提供了物理正则化。

**6. DIC验证**：DIC全场应变图显示，BNN预测的AE源位置与裂纹轨迹空间共定位。升高不确定性对应裂纹分支（梁b3）、双裂纹相互作用（梁b4）和偏离切口的跨中断裂（梁b5），提供了非循环物理验证。

**讨论与结论**

讨论部分指出，PR-BNN-ATR在定位精度与不确定性估计之间实现了权衡：确定性ANN点误差更低，但BNN提供校准不确定性，这对安全关键SHM应用更为重要。伪地面真值循环性通过b0实验量化，半监督策略有效缓解了该问题。物理正则化项L_phys虽在总损失中权重较小，但对不确定性质量影响最大，因为它塑造了后验，使升高的不确定性对应真实的声学模糊性（如反射、散射和传感器几何），而非训练数据的统计特性。DIC验证进一步证实了不确定性的物理可解释性。

研究结论翻译如下：本研究提出了PR-BNN-ATR框架，用于基于AE的损伤源定位，集成了自适应AIC到达时间提取、TDOA物理正则化、几何可行性约束和变分贝叶斯后验，以提供校准的事件级不确定性。在五根带切口混凝土梁上的实验验证表明：①PR-BNN-ATR实现平均定位误差3.10–6.19 mm，提供了与误差范围紧密对齐的校准不确定性估计；②TDOA运动学约束L_phys是最关键的损失组件，其移除消除不确定性-误差相关性；③Spearman ρ在所有梁上为正（0.110–0.387），不确定性信息一致；④马哈拉诺比斯联合校准在95%水平下为82.1–98.8%，随声学复杂性提高而改善；⑤变分BNN在NLL上优于MC Dropout，且在不确定性可靠性上表现更稳健；⑥b0半监督实验将跨梁误差降低82%，建立了可迁移学习工作流；⑦DIC验证提供了物理可解释性证据。这些发现共同表明，PR-BNN-ATR框架在多样化断裂配置中实现了可靠、物理可解释的AE源定位，并具有校准的不确定性估计。