基于深度学习叩诊方法的钢筋混凝土构件损伤识别

Damage Identification of Reinforced Concrete Components Based on Deep Learning Percussion Method

摘要

钢筋混凝土构件在现代建筑工程中占据重要地位，其损伤状态与建筑整体安全性息息相关。传统损伤检测手段主要依赖人工经验判断，在检测结构损伤时面临精确性与及时性不足的困境。本研究提出一种创新的基于深度学习技术的叩诊方法，通过整合声学信号与深度学习算法，实现了钢筋混凝土构件损伤状态的自动化精准识别。本文以钢筋混凝土剪力墙为研究对象，构建了涵盖多种损伤状态的剪力墙声学数据集，运用卷积神经网络（CNN）提取声学特征，再借助分类算法判别损伤状态。通过试验验证，所提出的基于深度学习的叩诊法在剪力墙构件损伤识别的准确性与效率方面表现优异，展现出优异的应用潜力与工程应用前景，为钢筋混凝土构件损伤识别领域提供了一种高效且无损的全新解决方案。

Abstract

Reinforced concrete components play a crucial role in modern construction projects， and their damage states are closely related to the overall safety of buildings. Traditional damage detection methods mainly rely on manual experience for judgment， facing the dilemma of insufficient accuracy and timeliness in detecting structural damage. This study proposes an innovative percussion method based on deep learning technology， which achieves automated and precise identification of the damage states of reinforced concrete components by integrating acoustic signals with deep learning algorithms. Taking reinforced concrete shear walls as the research object， this paper constructs an acoustic dataset of shear walls covering various damage states， uses a convolutional neural network （CNN） to extract acoustic features， and then employs a classification algorithm to determine damage states. Experimental verification shows that the proposed deep learning-based percussion method exhibits excellent accuracy and efficiency in damage identification of shear wall components， demonstrating outstanding application potential and engineering application prospects. It provides an efficient and non-destructive new solution for the field of damage identification of reinforced concrete components.

Graphical abstract

关键词

深度学习 / 叩诊法 / 损伤识别 / 卷积神经网络 / 钢筋混凝土剪力墙

Key words

deep learning / percussion method / damage identification / convolutional neural network / reinforced concrete shear wall

0 引 言

我国钢筋混凝土结构量大面广，快速、准确、无损地识别在役钢筋混凝土结构的损伤状态一直是工程师和研究者们关注的重要问题。混凝土损伤的非破坏性检测识别（NDT）技术近年来得到快速发展^［1］，却仍然存在检测设备较昂贵，操作复杂等不足。此外，多数检测设备的检测精度显著受到环境条件的影响，如超声波损伤检测的过程受传感器与混凝土表面耦合的影响^［2］，红外热成像成本高且对环境敏感，电磁波探测中地面穿透雷达（GPR）受水分和钢构件的影响较大，冲击回声法需要在结构上嵌入或附加传感器，检测方法对设备要求较高。

随着深度学习革命的到来，数据驱动方法的优势变得越来越明显，其在图像分类、语音识别和自然语言处理等领域均取得了良好的应用效果^［3］。数据驱动的损伤识别方法一般可以通过分析所获得的测量数据发现异常值，从而确定结构损伤位置和损伤程度。数据驱动的深度学习方法具有自动提取特征、无需复杂建模与参数设定等优势，其利用残差网络等技术训练深度神经网络，已被应用到结构的损伤识别中^［4-5］。美国西北大学将深度学习卷积神经网络应用于桥梁振动数据分析以识别损伤，李惠院士等将深度学习方法应用于结构健康监测数据科学^［6-7］，为在役结构损伤识别开辟了新途径。

叩诊法作为一种基于声学的非破坏式检测方法，具有设备简单、操作便捷、成本低廉的优点，在工程检测领域逐渐受到关注^［8-9］。基于叩击的检测技术近年来在结构健康监测中的应用范围逐渐扩大，如管道沉积物检测、界面损伤评估、螺栓松动检测以及木材和混凝土中的湿气检测。Chen等^［10-11］对小型混凝土构件进行了叩诊测试，探索了声音特征与结构内部缺陷的关联，通过分析敲击声的功率谱密度（PSD），证明了叩诊方法是一种简单、高效且准确的空洞缺陷检测方法。

然而，目前基于叩诊法的研究大多集中于小型试块或单一材料构件，如金属管道的损伤检测，针对复杂钢筋混凝土结构损伤识别仍缺乏研究^［12-13］。钢筋混凝土结构和构件作为广泛应用的抗震关键承载结构或构件，在地震及其他外部荷载作用下容易产生复杂的内部损伤，其损伤状态探测和识别难度较大。因此，探索如何应用无损的叩诊法对混凝土构件的内部损伤进行精准、高效的识别，具有重要的理论与工程意义^［14-15］。

本研究提出了一种基于深度学习技术的叩诊法。该方法通过敲击结构产生声学信号，并将所采集的声学信号结合深度学习模型进行自动特征提取与分类，能够有效识别钢筋混凝土构件的损伤状态。研究以钢筋混凝土剪力墙为例，采用上述方法取得了优异的损伤识别效果，可为未来的结构健康监测提供一种高效、可靠的解决方案。

1 基于深度学习的叩诊方法原理

1.1　模型架构

叩诊法基本原理是通过敲击物体表面产生声波信号，并通过分析这些信号的特征来推断物体的健康状态^［15-16］。这一概念被引入土木工程领域，并应用于混凝土、木材和钢结构的损伤检测^{［11，17］}。通过分析叩击产生的声学信号，可以识别结构中由于裂缝、空洞等造成的损伤^［18-19］。近年来，深度学习技术的快速发展为叩诊法的高效应用提供了实现途径，有望提升大型复杂结构损伤检测的精度和效率^［20-21］。

在数据处理与损伤识别过程中，本文参考Dai等提出的用于语音识别的卷积神经网络架构^［22］。如图1所示，所采用的模型是一种用于音频分类任务的卷积神经网络，每个卷积层后都接有批归一化、ReLU激活函数和最大池化操作。该网络主要模块和功能包括：

（1） 卷积模块。这是卷积神经网络中的核心结构，包含四个卷积层。第一个卷积层的核大小为80，步长为16，输出通道数为32。后续的三个卷积层核大小均为3，其中第二层和第三层的输出通道数分别为32和64，第四层的输出通道数为64。在该模块中，声波信号经过多个卷积层进行特征提取。这对于从复杂的叩击声信号中捕捉与结构缺陷相关的关键信息至关重要。该模块通过对每个批次的输入数据进行标准化处理来加速神经网络训练，以此降低初始化权重的复杂性，并使网络对于不同的初始化权重的鲁棒性更佳。通过这一模块，模型能够精确识别不同深度、不同位置的空隙或裂缝，识别能力得到增强。

（2） 批标准化层。该模块用以接收试验中获取的叩击声信号。每次叩击所产生的声波信号将被切割成多个时间段，每个时间段对应不同的结构缺陷特征，作为后续模块处理的输入数据。

（3） 最大池化层。这是一种下采样技术，使用全局平均池化来降低空间维度，池化核大小为4。通过在输入数据上滑动小的窗口，然后取每个窗口中的最大值作为输出来减少神经网络的计算复杂度并防止过拟合。

（4） 全连接层。主要用于处理网络中的高层特征，在整个网络架构中位于最后几层或者是输出层，用于实现特征空间到目标空间的最后映射。池化后的输出被送入一个全连接层，输入维度为64，输出维度为4，对应于4个分类类别。

模型训练采用Adam优化器，学习率为0.001，权重衰减系数为0.000 1。训练过程中，每20个训练周期，学习率会按0.1的比例进行衰减。该模型能够通过多层次、多阶段的处理流程，从叩击声信号中提取出精准的特征，最终实现结构损伤的准确识别。

1.2　数据采集和处理方法

1） 声学信号采集

采用采样频率50 Hz左右的音频采集设备对钢筋混凝土构件进行叩诊操作时的声学信号采集。具体叩击时可以选择在不同位置、不同角度对构件进行叩击，确保采集到的声学信号能够全面反映构件的特性。同时，记录采集信号时的相关环境状态，以备后续数据提取。

2） 卷积神经网络（CNN）特征提取

本研究设计了适用于声学信号处理的一维卷积神经网络架构。通过声学信号处理，卷积层、池化层等结构，可以实现声学信号中关键特征的自动提取，该特征在本研究中设定为梅尔频率倒谱系数，用以表征钢筋混凝土构件的损伤状态。

3） 分类判别

将构件损伤状态分为无损伤、轻微损伤、中度损伤、重度损伤四个损伤状态类别。在分别提取样本特征后，通过对声学样本的训练，可以快速识别结构的损伤状态，并能够泛化到一般结构的损伤识别。

2 试验验证

2.1　试件设计与试验设置

本研究采用参照我国规范设计的1/2缩尺钢筋混凝土剪力墙试件进行测试。剪力墙宽2 000 mm，高1 900 mm，厚125 mm。浇筑所用混凝土材料为课题组前期配置的掺入粉煤灰的钢纤维混凝土^［23］，其立方体抗压强度测得为61 MPa；剪力墙内钢筋分布情况如图2所示，分布筋与纵筋均为HRB400钢筋，分布筋采用 6@150，墙体边缘柱纵筋直径为10 mm。试件在实验室浇捣养护完成后进行第一次音频信号识别，之后将该试件加载损伤后进行第二次音频信号识别。图3为剪力墙损伤前后的外观，试件完好和损伤后分别进行了叩诊测试。

为了获取叩诊声波信号，本研究选用了专用叩诊锤和智能手机。叩诊锤测量范围为60 kN，叩诊锤相关参数如图4所示，测试过程中采用尼龙锤头进行敲击。叩诊过程中由手机的麦克风进行叩诊声波录制。声波在剪力墙内传播时，不同裂缝或损伤区域，其接收的声波特征有所区别。试验设置了4个采样点进行数据采集，采样点如图2中Ⅰ、Ⅱ、Ⅲ、Ⅳ所示。通过这种方式，在敲击过程中捕捉由不同损伤程度影响的声波。

2.2　数据采集与预处理

图3为剪力墙在开展低周往复试验前状态［图3（a）］和试验后［图3（b）］裂缝开展情况。该低周往复试验在剪力墙顶梁一端连结水平作动器，以位移控制加载，加载位移以2 mm递增，剪力墙地梁采用地锚螺栓与地面连结，采用水平拉线位移计测量剪力墙地梁滑移、墙体侧移。由试验结果可知，剪力墙在水平加载位移为4 mm左右开始产生裂缝，8 mm左右开始屈服，加载至12 mm左右产生明显裂缝，加载结束。

研究分别采集了该钢筋混凝土剪力墙在损伤前和损伤后的叩击声波数据，并数字化处理为音频数据。音频信号在识别前经过预处理，包括去噪、信号分割和频域分析等步骤，以提高后续分析的准确性。

叩诊声音数据采集之前需要根据墙面情况设计叩击方案。方案包括为目标剪力墙划分网格、设定采集点、选择叩诊锤、确定敲击次数等。叩诊点应尽量均匀分布在剪力墙表面，避免距离边缘过近，所测试剪力墙的叩诊点和音频数据采集点分布如图2所示。

黄色点表示叩诊点，Ⅰ—Ⅳ为麦克风采集区域。测试中所采用的叩诊锤及其相关指标信息如图4所示。为避免墙体在叩诊过程中产生损伤，本试验采用尼龙头进行叩击测试。每个点叩击50~60次，4个音频采集位，共采集8 784次有效声音记录。在数据预处理阶段，采用滤波和去噪技术去除背景噪声，并使用时间-频率分析方法提取声学信号中的关键信息。

叩诊测试中所采集的声学信息由4部手机在墙体4个角点同步采集。所采集的声学数据在预处理时，音频信号首先被切割成多个时间窗口，每个时间窗口可以分布提取不同的声学特征。为了构建损伤识别模型，在预设位置对剪力墙进行多次敲击，并同步收集声学数据。收集到的声音数据通过快速傅里叶变换（FFT）处理，提取出梅尔频率倒谱系数（MFCC）等频域特征，用于后续分析。

本测试数据采用卷积神经网络（CNN）进行声学特征的自动提取。CNN模型具有自动学习声学信号中隐藏特征的能力，能够有效地捕捉到不同损伤状态下的声学模式差异。如图1所示，模型由多个卷积层、池化层和全连接层组成，其中卷积层负责提取声学信号中的空间特征，池化层用于减少数据维度，全连接层用于最终的损伤状态分类。经过特征提取的声学信息将利用卷积神经网络（CNN）对特征信息进行训练，从而得到钢筋混凝土剪力墙的损伤识别模型。

在进行数据处理时，如前所述，将剪力墙的损伤状态分为四类：无损伤、轻微损伤、中度损伤和严重损伤。划分依据参考裂缝宽度、混凝土剥落情况等。剪力墙未加载状态的叩诊数据为无损伤状态，加载后可以依据实际损伤情况分为轻微损伤（有一定细微裂缝）、中度损伤（表面除细微裂缝还伴有少量混凝土剥落）和严重损伤（除明显裂缝外还有大量混凝土剥落）状态。模型最终可以输出概率最大的损伤状态作为预测结果。

3 试验结果分析

试验中使用的数据集包含不同损伤状态下的振动声学数据，振动声学时程示意图如图5所示。每一次叩击为一个样本数据，图5为多个样本的系列数据，在数据处理过程中需要按照每一次叩击进行分割。当样本分割完成，还需要对各样本数据进行去噪和归一化处理，处理完成再进行快速傅里叶变化，之后提取梅尔频率倒谱系数，作为深度学习训练的特征值。采集数据的处理流程框图如图6所示。其中，分帧加窗是将音频信号分成短的、重叠的片段，称为帧。每一帧乘以一个窗函数，以减小边缘效应并确保帧与帧之间平滑过渡。离散余弦变换是对对数滤波器输出进行离散余弦变换，得到一组倒谱系数。选取前12到13个系数作为MFCCs，因为它们能捕捉到音频信号中最重要的特征，适用于语音识别及其他音频处理任务。

声音信号中的每帧（每512个声音样本点为一帧）都能导出一组MFCC参数。在本次测试中，所有剪力墙中采集的叩诊记录数据集按照7∶1.5∶1.5的比例随机划分为训练集、验证集和测试集。在模型训练过程中，使用了早停技术防止过拟合，并通过网格搜索调整模型的学习率、卷积核大小等超参数。通过训练，得到所识别结果的训练损失值和准确率，如图7所示。可以看到，在本例中，剪力墙损伤状态识别的训练损失值在50个轮次后降低到0.01以下，而准确率在99.00%以上。

在此基础上，试验采用测试数集进行了剪力墙损伤等级的识别，识别结果参看图8混淆矩阵。如图8所示，剪力墙的损伤等级被分为四类，在识别系统中，通过图6所示特征提取和图1所示深度学习训练后系统进行预测的方法输出混淆矩阵。根据矩阵在不同损伤等级上的数值判断剪力墙损伤等级的识别效果。矩阵中包含真实样本数量和预测样本数量。数值可以反应对应的损伤情况的识别有效程度。

图8所示的混淆矩阵显示了实际损伤状态和所识别损伤状态的数据分布情况，对角线为所识别状态和真实状态完全匹配的数量。可以看到，本研究所述基于CNN的叩诊法损伤识别模型在测试集上的准确率达到99.00%。模型在各损伤状态的识别效果均非常出色。

上述测试算力表明，本文的方法通过结合叩诊法和深度学习技术能够精准识别钢筋混凝土剪力墙的损伤状态，并且在不同损伤状态的识别方面具有较高的灵敏度。这为剪力墙的健康监测提供了一种高效、自动化的解决方案，能够在实际工程中广泛应用。然而，在实际测试中也发现，该模型的性能在受噪声干扰较大的环境中有所下降，未来的研究可以考虑引入更多的去噪和增强算法以提高其鲁棒性。

4 结 论

本文针对在役钢筋混凝土结构损伤状态难以识别的问题，提出了一种基于深度学习技术的叩诊识别法。该方法利用叩诊锤在所需识别构件的特定位置进行敲击，利用麦克风采集敲击声学数据，通过数据处理提取梅尔频率倒谱系数，并利用卷积神经网络对不同损伤等级的声学信号进行训练，实现了钢筋混凝土构件的损伤状态智能判别。在训练模型的基础上对受损钢筋混凝土剪力墙的预测结果表明，该方法对钢筋混凝土剪力墙损伤识别准确性能够达到99.00%以上。虽然该预测数据局限于本次测试的钢筋混凝土剪力墙，但是该方法和流程在结构损伤识别过程中不受主观因素的影响，且在模型训练的基础上，识别结构损伤具有无损、高效、设备简单等优势，能够为复杂结构损伤状态快速识别提供技术参考，对于在役结构的损伤状态识别具有广阔应用前景。未来的研究可进一步优化模型的普适性，建立多种结构的样本集和数据库，并应用于更复杂的结构类型和实际工程环境。

参考文献

[1] 朱宏平，余璟，张俊兵.结构损伤动力检测与健康监测研究现状与展望［J］.工程力学，2011，28（2）：1-11，17.

[2] ZHU Hongping，YU Jing，ZHANG Junbing.A summary review and advantages of vibration-based damage identification methods in structural health monitoring［J］.Engineering Mechanics，2011，28（2）：1-11，17.（in Chinese）

[3] 赵国旗，张娣，应用超声波技术进行混凝土结构健康监测研究［J］.结构工程师，2018，34（S1）：151-156.

[4] ZHAO Guoqi，ZHANG Di.Review：Concrete structural health monitoring with ultrasonic technique［J］.Structural Engineers，2018，34（S1）：151-156.（in Chinese）

[5] 吴凯佳.基于深度学习的医学图像分类方法分析［J］.电子技术，2024，53（8）：290-291.

[6] WU Kaijia.Analysis of medical image classification methods based on deep learning［J］.Electronic Technology，2024，53（8）：290-291.（in Chinese）

[7] 鲍跃全，李惠.人工智能时代的土木工程［J］.土木工程学报，2019，52（5）：1-11.

[8] BAO Yuequan，LI Hui.Artificial intelligence for civil engineering［J］.China Civil Engineering Journal，2019，52（5）：1-11.（in Chinese）

[9] ZHAO X，LI S.A method of crack detection based on convolutional neural network［C］//Proceedings of the 11th International Workshop on Structural Health Monitoring，2017，1：978-984.

[10] 李惠，鲍跃全，李顺龙，结构健康监测数据科学与工程［J］.工程力学，2015，32（8）：1-7.

[11] LI Hui，BAO Yuequan，LI Shunlong，et al.Data science and engineering for structural health monitoring［J］.Engineering Mechanics，2015，32（8）：1-7.（in Chinese）

[12] BAO Y，CHEN Z，WEI S，et al.The state-of-art of data science and engineering in structural health monitoring［J］.Engineering，2018，5（2）：234-242.

[13] YUAN C，ZHANG J，CHEN L，et al.Timber moisture detection using wavelet packet decomposition and convolutional neural network［J］.Smart Materials and Structures，2021，30（3）：035022.

[14] 成昊.基于叩诊法和机器学习的结构缺陷检测研究 ［D］.大连：大连理工大学，2020.

[15] CHENG Hao.Structural defect detection using percussion method and machine learning［D］.Dalian：Dalian University of Technology，2020.（in Chinese）

[16] CHEN D D，MONTANO V，HUO L S，et al.Depth detection of subsurface voids in concrete-filled steel tubular （CFST） structure using percussion and decision tree［J］.Measurement，2020，163：107869.

[17] CHEN D，MONTANO V，HUO L，et al.Detection of subsurface voids in concrete-filled steel tubular （CFST） structure using percussion approach［J］.Construction and Building Materials，2020，262：119761.

[18] WANG S，ZHOU Y，KONG Q.A force-adaptive percussion method for bolt looseness assessment［J］.Journal of Civil Structural Health Monitoring，2024，14（4）：831-841.

[19] WANG F，SONG G，MO Y.Shear loading detection of through bolts in bridge structures using a percussion-based one-dimensional memory-augmented convolutional neural network［J］.Computer-Aided Civil and Infrastructure Engineering，2021，36（3）：289-301.

[20] KONG Q，JI K，GU J，et al.A CNN-integrated percussion method for detection of FRP-concrete interfacial damage with FEM reconstruction［J］.Structural Health Monitoring，2023，22（1）：216-231.

[21] 吴文彬.基于叩诊法的碳纤维板加固钢梁界面脱粘定量检测装置研制［D］.武汉：中国地震局地震研究所，2023.

[22] WU Wenbin.Development of quantitative detection device for interfacial debonding of steel beams reinforced by CFRP plates based on percussion method［D］.Wuhan：Institute of Seismology，China Earthquake Administration，2023.（in Chinese）

[23] MA B，KONG Q，DING Y，et al.A percussion method with attention mechanism and feature aggregation for detecting internal cavities in timber［J］.NDT & E International，2024，141：102986.

[24] WU W，JIANG J，CHEN Y，et al.Interfacial debonding detection of steel beams reinforced by CFRP plates based on percussion method［J］.Smart Materials and Structures，2023，32（6）：064002.

[25] 齐云鹏.钢管混凝土结构脱空智能叩诊检测技术研究［D］.大连：大连理工大学，2022.

[26] QI Yunpeng.Intelligent percussion detection technology of subsurface voids in concrete-filled steel tubular structure［D］.Dalian：Dalian University of Technology，2022.（in Chinese）

[27] CHEN L，XIONG H，SANG X，et al.An innovative deep neural network-based approach for internal cavity detection of timber columns using percussion sound［J］.Structural Health Monitoring，2022，21（3）：1251-1265.

[28] 郑丽琼.基于叩诊法MFCC声音特征的混凝土渗水检测研究［D］.大连：大连理工大学，2020.

[29] ZHENG Liqiong.Research on water seepage detection of concrete based on percussion method with MFCC as the sound feature［D］.Dalian：Dalian University of Technology，2020.（in Chinese）

[30] 廖境毅.面向钢管混凝土界面脱粘缺陷的叩诊检测方法与技术［D］.广州：广州大学，2023.

[31] LIAO Jingyi.Impact acoustic detection methods and techniques for interface debonding defects of concrete-filled steel tubes［D］.Guangzhou：Guangzhou University，2023.（in Chinese）

[32] DAI W，DAI C，QU S，et al.Very deep convolutional neural networks for raw waveforms［C］//2017 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）.IEEE，2017：421-425.

[33] ZHANG Hongmei，CAO Lening，DUAN Yuanfeng，et al.High-flowable and high-performance steel fiber reinforced concrete adapted by fly ash and silica fume［J］.Case Studies in Construction Materials，2024，20：e02796.

基金资助

国家自然科学基金(52378540)