《Applied Sciences》：Study on Safety State Pattern Recognition of Reinforced Concrete Members with Machine Learning Method
编辑推荐：
结构安全状态的模式识别对于既有结构及灾后受损建筑的性能评估与维护具有重要意义。在机器学习的总体框架下，研究人员采用BP神经网络（BP neural network）作为结构安全分类模型的实现方式，提出了一种针对钢筋混凝土受弯构件的安全状态模式识别方法。该方法基
结构安全状态的模式识别对于既有结构及灾后受损建筑的性能评估与维护具有重要意义。在机器学习的总体框架下，研究人员采用BP神经网络（BP neural network）作为结构安全分类模型的实现方式，提出了一种针对钢筋混凝土受弯构件的安全状态模式识别方法。该方法基于MATLAB平台，以从混凝土构件表面提取的裂缝特征参数作为输入，以FEMA-356规范（FEMA-356 code）中定义的安全状态分类作为输出，从而建立裂缝特征与构件相应安全状态之间的映射关系。实验结果表明，所构建的神经网络模型在安全状态分类上达到了90.9%的识别准确率，展现了良好的模式识别能力。此外，研究人员建立了悬臂式钢筋混凝土受弯构件的损伤数据库，并进一步验证了该神经网络方法在不同构件安全状态识别中的通用性和适用性。结果显示识别准确率为91.7%，能够实现对不同尺寸、强度及配筋构件的安全状态识别。所提出的方法丰富了结构健康监测的技术手段。
钢筋混凝土（reinforced concrete, RC）结构在服役期间因材料老化、环境侵蚀等因素会发生不可逆的损伤累积，导致承载力与耐久性下降，威胁结构安全。传统安全状态评估方法，包括基于视觉检查、设计规范、荷载试验、层次分析法（analytic hierarchy process, AHP）、专家系统及结构可靠度的方法，普遍存在量化不足、检测效率低、主观性强、对复杂工况适应性差等问题。尤其是在大规模、非线性、多损伤耦合的结构中，传统方法难以快速准确反映真实安全状态。机器学习，尤其是神经网络，凭借其非线性建模能力与容错性，为结构安全状态评估提供了数据驱动的新途径。本研究在机器学习框架下，采用BP神经网络（backpropagation neural network）作为分类模型，提出了一种针对RC受弯构件的安全状态模式识别方法，并发表在《Applied Sciences》上。研究人员通过剪切墙拟静力试验验证了该方法，并基于悬臂RC受弯构件损伤数据库进一步检验了其跨构件通用性。结果表明，该方法在独立测试中识别准确率分别达到90.9%和91.7%，有效丰富了结构健康监测的技术手段。
**主要关键技术方法**（不超过250字）：
本研究主要采用以下技术方法：（1）基于图像处理的裂缝参数提取：通过灰度转换、图像增强、平滑、二值化分割及形态学处理，从混凝土表面图像中提取主裂缝；裂缝长度采用分段求和法，裂缝宽度采用中心线-切线法，裂缝面积通过像素计数结合空间分辨率计算。（2）神经网络构建：以裂缝特征参数（长度、最大宽度、平均宽度、面积）为输入，FEMA-356规范定义的四类安全状态（立即入住、损伤可控、严重损伤、倒塌）为输出，设计单隐藏层（10节点）BP网络，训练算法为缩放共轭梯度（scaled conjugate gradient, SCG）反向传播。（3）损伤数据库：从PEER Structural Performance Database及NEES Database中选取89个悬臂RC受弯构件的拟静力试验数据，输入参数扩展至11个（包括强度、几何、荷载、配筋信息及平均裂缝宽度），用于检验跨构件通用性。
**研究结果**：
**4. Experimental Verification**：通过RC剪切墙拟静力试验，研究人员采集不同加载位移下的裂缝图像，经图像处理提取裂缝参数，并依据FEMA-356规范基于骨架曲线划分安全状态（R1-R4）。利用53组样本数据（42组训练，11组独立检验）训练并验证BP网络。结果显示：训练集准确率90.0%，验证集100%，测试集83.3%，整体准确率90.5%；独立检验组准确率90.9%。这表明模型具备良好的特征提取与泛化能力，但试验中未出现倒塌状态（R4）样本，故该部分主要验证了非倒塌状态的识别可行性。
**5. Construction of Damage Database**：为验证跨构件通用性，研究人员建立包含89个悬臂RC受弯构件（来自PEER和NEES数据库）的损伤数据库，输入参数包括混凝土抗压强度、钢筋屈服强度、截面尺寸、跨高比、轴压比、纵筋率、保护层厚度及平均裂缝宽度等11个变量。采用80构件（1034组数据）训练，9构件（109组数据）独立检验。训练集、验证集、测试集准确率分别为98.3%、97.4%、98.1%，整体98.2%；独立检验组准确率91.7%。该结果证明模型在不同尺寸、强度及配筋的构件中仍保持较高识别能力，但数据库异质性（不同试验来源）可能导致潜在偏差，未来需更大标准化数据库。
**总结讨论**：
研究人员指出，基于图像测量的裂缝参数与基于规范公式的计算值存在差异，因此数据库验证应视为对跨构件适用性的补充验证，而非完全通用性证明。数据异质性、输入参数有限性（如未包含加载历史细节）以及测量不确定性是识别误差的主要来源。未来工作将构建更大规模、更标准化的图像数据库，并引入特征重要性分析以增强模型可解释性。
**研究结论翻译**：
（1）本研究提出了一种基于BP神经网络的钢筋混凝土构件安全状态模式识别方法，以裂缝特征参数为输入、FEMA-356安全状态分类为输出，在中小样本条件下为结构安全状态快速识别提供了高效可行的机器学习途径。
（2）在基于图像处理技术的混凝土构件表面裂缝参数提取方面，通过分段求和法计算裂缝长度，采用中心线-切线法计算裂缝宽度，该方法计算简便、适应性强，识别精度满足工程要求。
（3）通过RC剪切墙拟静力试验验证了BP神经网络方法在安全状态识别中的可行性与准确性，训练集、验证集、测试集准确率分别为90.0%、100%、83.3%，整体90.5%，独立检验组准确率90.9%，证实了模型的有效性。
（4）基于悬臂RC受弯构件损伤数据库，神经网络在训练、验证、测试子集上的准确率分别为98.3%、97.4%、98.1%，整体98.2%，独立检验组准确率91.7%，验证了该方法对不同构件的适应性与可靠性，但数据库异质性仍需进一步处理。
总体而言，该方法为受损结构及灾后建筑的安全状态评估提供了快速、非破坏的技术手段，丰富了结构健康监测体系，并为未来基于大数据与智能化的结构安全评估提供了参考。
