用于受压多尺度纤维增强橡胶混凝土损伤演化识别的曲线条件物理引导声发射事件流学习方法

《Journal of Building Engineering》：Curve-conditioned physics-guided learning of acoustic-emission event streams for damage evolution identification in multi-scale fibre-reinforced rubberised concrete under compression

　　

• 提出了一种曲线条件物理引导框架，用于基于声发射（AE）的混凝土损伤演化识别。
• 将应力-应变曲线信息与AE事件流相结合，构建力学一致的表示。
• 所提出的方法显著提高了小样本条件下损伤阶段识别的跨试件泛化能力。

**引言**

在压缩条件下识别混凝土的损伤演化不是一个标准的按行分类问题。受压试件并非通过孤立的状态从健康过渡到失效；而是遵循一个有序的断裂过程，包括孔隙压实、准弹性变形、稳定微裂纹扩展、不稳定裂纹合并、峰值荷载不稳定以及峰值后劣化。Shah等人[1]从准脆性材料的断裂力学角度描述了这一过程，而[2]强调裂纹局部化和分布微裂纹在混凝土失效过程中并存。Ba?ant和Planas[3]进一步表明，观测到的断裂响应取决于整个应力路径的演化，而不仅仅取决于峰值应力。因此，一个具有力学意义的损伤识别模型应当尊重加载轨迹，而不仅仅是拟合独立的特征行。

声发射（AE）监测为这一轨迹提供了直接的实验窗口[4]，[5]。当微裂纹萌生、界面脱粘、骨料咬合、纤维拔出或裂纹面相互滑动时，会产生瞬态弹性波并记录为AE事件。Grosse等人[6]总结了AE在混凝土和钢筋混凝土监测中的应用，而[7]则规范了混凝土结构损伤评估中推荐的AE实践。在特征层面，Ohno和Ohtsu[8]利用上升角与平均频率指标之间的关系来区分拉伸和剪切裂纹，而[9]将AE活动与混凝土的压缩损伤过程联系起来。Carpinteri等人[10]进一步展示了AE监测在结构损伤诊断和寿命评估方面的价值。这些研究表明AE描述符具有物理信息含量，但它们也暗示了一个重要限制：AE事件的意义取决于试件的当前力学状态。

这一限制在多尺度纤维增强橡胶化混凝土（MSFRRC）中变得更加明显。橡胶化混凝土最初是为再利用废旧轮胎橡胶、提高变形能力和能量吸收而开发的[11]。Eldin和Senouci[12]研究了橡胶轮胎颗粒作为混凝土骨料的应用，而[13]表明橡胶化混凝土在强度和变形行为方面与普通混凝土存在显著差异。Siddique和Naik[14]综述了将废轮胎橡胶掺入混凝土的力学后果，并强调了可持续性、变形能力与强度降低之间的权衡。纤维增强引入了另一个层级的复杂性：Bentur等人[15]解释了纤维桥接、拔出和界面粘结控制纤维增强水泥基复合材料开裂后的响应，而[16]展示了如何通过微机械设计产生延性水泥基复合材料。在本研究中的MSFRRC中，橡胶颗粒、碳酸钙晶须、PVA纤维和钢纤维在不同长度尺度上起作用。因此，所得到的AE事件流不仅仅是基体开裂的简单记录，而是基体断裂、微裂纹阻滞、纤维桥接、界面脱粘、橡胶变形和峰值后能量耗散的混合响应。

现有的AE解释方法对此场景有用但不足以应对。经验描述符如幅值、持续时间、上升时间、环计数、能量、RMS、ASL、质心频率、峰值频率、RA值、AF值、累计命中数、累计能量和b值已被广泛用于描述裂纹活动和损伤严重程度[17]，[18]。然而，这些描述符对采集阈值、传感器耦合、波衰减、试件几何形状、加载速率和事件导出策略敏感。更重要的是，相同的描述符值在不同的加载阶段可能指示不同的物理过程[19]。弹性阶段的高能AE脉冲可能表明异常早期开裂，而峰值应力后类似的脉冲可能是纤维拔出或裂纹面摩擦的正常结果。因此，AE特征应当在应力-应变曲线的坐标系中解释，而不仅仅在事件顺序的坐标系中解释。

机器学习提高了基于AE的损伤解释的灵活性，但大多数现有方法仍将AE描述符视为普通特征向量。Farhidzadeh等人[20]使用AE特征的监督模式识别来识别水泥基材料的断裂模式。Das等人[21]进一步探索了基于机器学习的从无标签AE波形特征进行裂纹模式分类。在更广泛的Structural health monitoring领域，数据驱动模型已被用于损伤检测、定位和状态评估[22]，[23]，[24]，[25]，[26]，[27]，[28]。这些研究展示了从传感器数据学习的价值，但它们并没有完全解决当前问题。对于破坏性MSFRRC压缩试验，试件数量少，AE流是间歇性的，损伤标签不能直接观测。如果来自同一试件的窗口同时混入训练集和测试集中，报告的性能可能主要反映试件特定的插值。如果应力-应变曲线仅在特征提取后使用，模型可能学习到阶段相关性但未学到力学一致的损伤演化。

科学机器学习为这一问题提供了更合适的概念基础[29]，[30]。Raissi等人[31]提出的物理信息神经网络以及Karniadakis等人[32]综述的更广泛的物理信息学习框架表明，通过将物理结构嵌入训练目标可以改进学习模型。Willard等人[33]更一般地论证了科学知识可以通过约束、架构、先验或混合表示进入机器学习，而[34]总结了物理信息深度学习的快速发展。然而，基于AE的混凝土损伤识别不是标准的偏微分方程问题。可用数据是事件级参数表和应力-应变曲线，而非具有已知控制残差的密集场。因此，合适的物理先验不是PDE残差，而是一个更弱且更可直接验证的原则：在单调压缩下，底层损伤状态应沿力学加载路径演化，不应任意减小。

基于这一观察，本研究提出了一种曲线条件物理引导学习框架，用于在MSFRRC单轴压缩期间记录的AE事件流。核心思想是将应力-应变曲线作为AE解释的力学坐标系。每个AE窗口与曲线导出的变量同步，包括加载进度、应变、应力、归一化应力、累积功、切线刚度和单调损伤代理。曲线导出的损伤变量不被假定为直接观测到的裂纹标签。相反，它被用作可重复的弱力学目标和约束学习到的损伤轨迹的正则化器。这一设计具有实际重要性，因为许多商业AE系统导出事件级参数表比完整原始波形记录更可靠。

在此基础上，我们构建了一个曲线条件物理引导时序网络，称为CC-PGT。该模型将AE窗口和曲线状态表示为两个同步的标记流。AE标记编码局部声学活动，而曲线标记编码试件的当前力学状态。受基于注意力的序列建模[35]启发，使用AE到曲线的交叉注意力将声学表示条件于应力-应变响应。然后引入一个单调潜在损伤演化块，使预测的损伤轨迹遵循压缩引起的损伤的不可逆性。由于当前数据集仅包含少量破坏性试验，CC-PGT与透明的机器学习基线一起在留一试件交叉验证中进行了评估。该协议测试学习到的描述符是否在试件条件之间转移，而不仅仅是对来自同一试件的窗口进行插值。

本研究的主要贡献总结如下：
• 我们将基于AE的压缩损伤识别重新表述为一个曲线条件学习问题，其中AE窗口沿应力-应变轨迹解释，而非作为独立的事件顺序样本。
• 我们为MSFRRC的AE参数表和应力-应变曲线构建了一个可重复的预处理工作流程，包括在不修改原始导出文件的情况下重建分段C3SPR30 AE记录。
• 我们引入了一种曲线导出的单调损伤代理，结合累积功和刚度退化，提供弱损伤阶段标签和具有物理意义的回归目标。
• 我们构建了包含AE标记、曲线标记、AE到曲线交叉注意力、单调潜在损伤演化和多任务物理引导损失的CC-PGT。

**各节片段**

**原材料和多尺度增强系统**

MSFRRC试件以P.O 52.5普通硅酸盐水泥作为主要胶凝材料，硅灰和I级粉煤灰作为辅助胶凝材料，石英砂作为细骨料，橡胶颗粒、碳酸钙晶须（CW）、钢纤维（SF）、PVA纤维、自来水以及粉状聚羧酸基高效减水剂进行配制。石英砂粒径范围为0.2至0.8 mm。硅灰的二氧化硅含量不低于94%，密度为……（原文截断）

**概览**

图7展示了所提出的曲线条件物理引导时序网络（CC-PGT）的整体架构。该模型将同步的AE窗口描述符和应力-应变曲线状态作为两个输入流。曲线分支导出归一化应力、累积功、切线模量、单调损伤代理和弱阶段标签，为AE解释提供物理引导的监督。AE和曲线流首先被分别编码为时序标记，然后进行融合……（原文截断）

**对比模型和训练协议**

对比模型包括直方图梯度提升[36]、随机森林[37]、多层感知器[38]和CC-PGT。所有模型均在留一试件交叉验证[39]下进行评估。在每个折中，两个试件用于训练，剩余的试件用于测试。该协议防止来自同一试件的窗口同时出现在训练集和测试集中。

仅使用AE的模型仅使用AE窗口描述符。曲线条件模型使用AE描述符……（原文截断）

**结论**

在本工作中，我们提出了一种用于压缩条件下多尺度纤维增强橡胶化混凝土基于AE的损伤演化识别的曲线条件物理引导学习框架。该框架将不规则的事件级AE表转换为同步的加载窗口序列，并在应力-应变曲线的力学坐标系中解释每个AE窗口。基于实验分析，得出以下结论：
1. 曲线条件对于……（原文截断）

**CRediT作者贡献声明**

Jilei Dong：原创写作、验证、方法学、调查、形式分析、概念化。Yubo Huang：原创写作、资源、调查、数据管理、概念化。Xiongyu Hu：写作—审阅与编辑、监督、方法学、调查、资金获取。Yanzheng Wang：写作—审阅与编辑、方法学、调查。Junhao Xu：写作—审阅与编辑、监督、调查。Shaoqi Zhang：写作—审阅与编辑……（原文截断）

**未引用参考文献**

Abouhussien和Hassan[43]，Breiman[44]，Carpinteri等人[45]，Chen和Guestrin[46]，Farrar和Worden[47]，Franceschi等人[48]，Goodfellow等人[49]，Gu等人[50]，Krishnapriyan等人[51]，Landis和Shah[52]，Li等人[53]，Lockner[54]，Niccolini等人[55]，Pedregosa等人[56]，RILEM技术委员会212-ACD[57]，Shiotani等人[58]，Sohn等人[59]，Wang等人[60]，Worden等人[61]，Yang等人[62]，Yu等人[63]，Zhang等人[64]

**利益冲突声明**

作者声明他们没有已知的竞争性经济利益或可能影响本论文所报告工作的个人关系。

**致谢**

本研究得到了国家重点研发计划（编号：2024YFB2606101）、国家自然科学基金（编号：52478418、52478421）和四川省科技计划（编号：2025ZNSFSC1294、2025ZNSFSC0422）的支持。

Jilei Dong | Yubo Huang | Xiongyu Hu | Yanzheng Wang | Junhao Xu | Shaoqi Zhang | Zihan An