基于深度学习与声发射的裂纹类型识别研究

摘要

【目的】识别混凝土桥梁的损伤性质，研究其结构损伤机理并实现损伤预警。【方法】通过声发射（AE）技术获取混凝土拉伸试件与剪切试件在破坏试验中产生的AE信号；基于绝对能量理论构建深度神经网络（DNN）的训练集，将原始AE波形作为DNN模型的输入进行网络训练；采用网格搜索算法优化DNN模型，并利用优化后的DNN模型对钢筋混凝土（RC）矩形梁四点弯曲试验中的损伤（拉伸裂纹、剪切裂纹）进行识别。【结果】以原始AE波形作为输入的DNN模型可有效识别这两种裂纹，在对AE信号进行网络训练后，模型综合识别准确率为96.054%，经优化后该准确率提升至96.571%；对于无标签的混凝土裂纹AE信号，该模型对拉伸裂纹、剪切裂纹的综合识别准确率分别达到91.025%和95.961%。【结论】该损伤识别方法具备较高的鲁棒性和泛化性能。

关键词

混凝土桥梁 / 声发射 / 深度学习算法 / 裂纹类型 / 损伤识别