混凝土中复杂近表面裂缝超声深度测量的物理引导残差修正

《Measurement》：Physics-guided residual correction for ultrasonic depth measurement of complex near-surface cracks in concrete

　　

•多参数测试评估复杂裂缝的深度测量。
•首达窗口隔离深度敏感的首波和尾波。
•物理引导的残差修正补偿测量偏差。
•1,505 条记录显示平均相对误差为 13.25%，R2 = 0.8920。
•外部数据集证实了混凝土超声测量的鲁棒性。

引言
裂缝是混凝土结构中最常见的损伤形式之一，其深度与结构安全性、耐久性和维护计划密切相关 [1]，[2]。在实际检测中，仅识别表面痕迹往往是不够的。工程师还需要估计裂缝在表面以下延伸了多远，特别是当裂缝部分隐藏且在使用期间可能继续生长时 [3]，[4]。因此，可靠的深度估计是结构状况评估和维护决策中的重要任务。

超声检测非常适合此目的，因为它是无损的、成本相对较低，且适用于工程结构 [5]，[6]。然而，对于与深度相关的估计，问题不仅是损伤检测，也是测量和解释的问题。测量到的波形携带走时、衰减、反射、透射和散射信息，但有用的深度敏感内容通常与材料非均匀性、耦合条件和测试配置的影响混合在一起。因此，可靠的反演不仅依赖于最终的回归模型，还取决于超声测量如何配置以及波形如何处理。

当裂缝不是直线或垂直简化时，这种困难变得更加明显。在真实的混凝土结构中，裂缝可能是弯曲的、倾斜的且深度变化的。在这种情况下，超声响应强烈依赖于传播几何形状和测试条件。围绕裂缝尖端的衍射变得更强，透射能量被重新分配，波形形状可能随激励频率、电压水平和传感器间距而变化。因此，深度相关信息不再集中在一个简单到达波或一个固定描述符中，而是嵌入在受裂缝几何形状和测量条件影响的非均匀波形响应中。

另一个挑战在于模型设计。纯物理方法可解释且直接与波传播几何形状相关联，但简化的解析模型往往无法完全表示散射、非均匀性和条件相关的波形变化。纯数据驱动模型可以从测量信号中学习非线性关系，但它们可能对数据量、变化条件和缺乏物理约束变得敏感。这表明裂缝深度反演应被视为一个信号处理和参数估计问题，其中深度敏感的波信息首先从超声测量中隔离出来，然后用于物理引导的估计框架 [7]，[8]。

在本研究中，这一理念导致了一个混合工作流，结合了超声信号预处理、首达引导的有效窗口提取、物理基线构建和残差学习。其目的不仅是提高预测准确性，而且在不同测试条件下提高鲁棒性，并保持反演过程的物理可解释性 [9]，[10]。

在此背景下，有必要检查现有的超声方法如何解决裂缝深度和缺陷评估，以及它们在复杂裂缝几何形状方面的局限性何在。现有的混凝土裂缝深度或缺陷评估超声方法首先可分为基于物理模型的方法。典型示例包括超声脉冲速度、飞行时间或脉冲回波衍射、基于 SH 波的裂缝深度估计、冲击回波、层析成像和超声成像 [6]，[11]，[12]，[13]，[14]。这些方法根据波速、到达时间、裂缝尖端的衍射波、反射波或重建的波场来估计深度或缺陷位置。它们的主要优势是物理意义明确。它们通常需要的训练样本较少，结果更容易解释。最近的研究通过使用低频 SH 波阵列、改进的换能器、自动到达时间拾取和超声成像算法改进了这一路线 [6]，[12]，[13]，[14]，[15]。然而，这些方法仍然经常依赖于简化的传播路径、已知的有效波速、规则的裂缝几何形状或稳定的耦合条件。当裂缝弯曲、倾斜且深度变化时，测量到的波形可能包含混合的衍射、散射、反射和模式转换分量。在这种情况下，单一的物理规则可能无法完全描述深度敏感的响应。

第二组是数据驱动的超声方法。这些方法使用手工特征或原始超声数据来训练回归器或分类器，包括 SVR、随机森林、提升树、CNN 和其他深度学习模型 [16]，[17]。在自动化超声无损检测中，深度学习已被用于预处理、缺陷检测、特征分析和 sizing。在混凝土检测中，CNN 型网络也被用于从超声图像中检测和分割内部缺陷 [16]，[17]。与简化的物理模型相比，数据驱动方法可以学习波形形状、信号能量、频谱内容和缺陷条件之间的非线性关系。这对于难以明确建模波响应的非均匀混凝土很有用。然而，它们的可靠性强烈依赖于训练数据、缺陷类型、测量设置和特征表示。如果训练数据没有覆盖新的裂缝几何形状或新的测试条件，预测误差可能会增加。此外，纯数据驱动模型并不明确使用一阶传播约束。对于定量裂缝深度测量，它们必须直接从数据中学习主要的几何趋势和条件引起的偏差，这增加了学习负担。

第三，物理可解释性和预测准确性之间仍存在方法学差距。从到达时间或传播几何形状导出的基于物理的估计可以提供有意义的初始深度，但它不能完全描述由散射、非均匀性和几何不规则性引起的高阶效应。纯数据驱动模型可以从测量信号中学习非线性关系，但它们可能对样本大小、测试条件和缺乏物理约束变得敏感。因此，仍然需要的不是另一个解析规则或另一个黑盒预测器，而是一个基于波形的反演框架，该框架以统一的方式结合物理引导估计和数据驱动修正。

第三组是混合或物理引导的方法。在结构健康监测和状况监测中，物理信息机器学习已被用于将物理知识与数据驱动模型结合 [18]，[19]。典型策略包括添加物理约束、使用模型信息特征、构建灰箱基线或修正简化物理模型的误差。最近的研究还将物理信息学习引入了混凝土超声缺陷检测 [20]。与纯数据驱动模型相比，这些方法可以减少学习负担并提高可解释性。然而，大多数现有的混合研究集中在一般损伤检测、正常条件建模或基于扫描的缺陷定位 [21]，[22]。对于混凝土中的定量裂缝深度测量，特别是对于弯曲、倾斜和深度变化的近表面裂缝，首达物理、有效波形信息、测量条件和残差修正之间的耦合仍需进一步研究。

因此，现有方法在本任务中仍存在局限性。物理方法可解释，但它们经常依赖于简化的传播路径和规则的裂缝几何形状。数据驱动方法可以拟合非线性波形变化，但它们的性能对训练数据覆盖率和测试条件敏感。混合方法提供了一条有前途的路线，但很少有研究构建一个面向测量的工作流，明确结合多参数超声采集、首达引导的窗口选择、物理基线深度估计和条件感知残差修正。为了填补这一差距，本研究开发了一种针对混凝土复杂近表面裂缝的物理引导超声深度测量程序。其目的不仅是提高预测准确性，而且是在不同测量条件下使估计过程更稳定和可解释。

为了克服这些局限性，本研究的主要贡献总结如下：

首先，设计并制备了一系列具有复杂近表面埋入式裂缝的混凝土试件，以支持在更真实的裂缝几何形状下进行超声深度测量。与简化的直线或垂直裂缝不同，埋入式裂缝包括弯曲、倾斜和深度变化段，为定量超声裂缝深度表征提供了具有挑战性的基准。

其次，通过考虑激励电压、激励频率、源 - 接收器间距和传感器布局角度，建立了一个多参数超声测量程序。该程序使得能够评估测量配置如何影响波形质量、信号能量、信噪比和深度反演可靠性。

第三，开发了一种物理引导的超声深度测量程序。该程序包括信号预处理、首达引导的有效窗口提取、物理基线构建和残差修正。通过这种方式，主导的传播相关深度趋势由可解释的物理估计表示，而剩余的条件相关偏差使用波形描述符和测量条件变量进行补偿。

第四，还在两个开源混凝土超声数据集上进行了额外验证，以检查在不同超声测量场景下的鲁棒性和可迁移性。

本文其余部分组织如下。第 2 节介绍了超声测试系统、具有复杂几何形状次表面裂缝的混凝土试件和多参数测量方案。第 3 节提出了信号处理程序和所提出的深度估计框架，包括信号预处理、有效窗口定位、物理基线构建和混合残差学习。第 4 节报告了实验和比较结果，包括测试条件对超声响应的影响、不同方法下的预测性能、混合模型的机制分析、误差分布以及在两个外部开源数据集上的验证。第 5 节讨论了所提出方法的物理解释、工程意义和泛化能力。最后，第 6 节总结了主要结论和未来研究方向。

章节片段
超声测试系统
如图 1 所示，闭环超声系统包括基于 LabVIEW 的控制计算机、带有 NI 9264 输出模块的 NI cDAQ 机箱、激励放大器、发射和接收压电换能器、信号调理单元和模拟采集模块。控制程序在不同的激励和传感器布局设置下同步波形生成、触发、采集、显示和存储。输出和放大的规格
信号处理与深度估计框架
本节提出了针对混凝土复杂近表面次表面裂缝的超声裂缝深度估计方法。该方法从单个获取的一维超声波形及相应的测试参数开始，包括激励电压、激励频率和传感器间距。该框架包括四个阶段：波形预处理、首达引导的有效窗口定位、物理基线估计和残差修正。物理
测试条件对超声响应的影响
超声响应受到测试条件的强烈影响。在本研究中，信号能量和信噪比 (SNR) 被用作主要指标。图 5、图 6、图 7 显示激励电压、激励频率和传感器布局都改变了波形质量，但它们的影响并不相同。总的来说，这些参数影响了传输的能量水平和接收信号的稳定性。这证实了裂缝深度估计应
讨论
比较结果表明，所提出的框架与基准方法相比提供了特定而非均匀的优势。在自浇裂缝数据集上，特征 + 提升树模型实现了最低测试 MAE，而所提出的方法实现了 13.4433 mm 的最低 RMSE 和 0.8920 的最高 R2。这一结果表明，物理引导残差公式的主要益处在于减少相对较大的预测偏差并保留
结论
本研究开发了一种针对混凝土复杂近表面次表面裂缝的面向测量的超声深度估计程序。主要结论如下：
首先，超声响应受裂缝深度、裂缝倾角、激励电压、激励频率、源 - 接收器间距和传感器方向的共同影响。观察到的信号能量、信噪比和预测误差的变化表明，裂缝深度估计应被处理为
竞争利益声明
作者声明，他们没有已知的竞争财务利益或个人关系，可能影响本论文报告的工作。
致谢
这项工作得到了国家自然科学基金 (No. 52474155)、国家重点研发计划 (No. 2025YFE0116200)、江苏省自然科学基金 (Grant No. BK20240107) 和青年教师科学研究创新能力支持项目 (SRICSPYF-ZY2025043) 的部分支持。
马世佳 | 刘江峰 | 吴成浩 | 史志耀 | 王芝鹏 | 孙儒安