基于深度學習的預應力管道灌漿密實度檢測

嚴來章

(中鐵二十四局集團安徽工程有限公司,安徽 合肥 230011)

預應力混凝土具有強度高、自重小、耐疲勞等優點,被廣泛應用于橋梁、建筑等土木工程結構中[1-2]。我國新建橋梁中的95%以上為預應力混凝土橋梁,其中絕大部分是后張有黏結預應力混凝土橋梁。后張有黏結預應力橋梁施工的重要程序之一是管道灌漿,灌漿料不僅能保護預應力筋不受外界環境腐蝕,而且能使預應力在結構中分布均勻。管道灌漿不密實導致預應力筋發生嚴重銹蝕與橋梁垮塌事故[3],如圖1所示。圖1a所示為塑料管道灌漿缺陷,圖1b所示為金屬管道灌漿缺陷,圖1c所示為英國Ynys-y-Gwas橋垮塌事故現場。預應力管道的灌漿質量直接影響橋梁的安全性和耐久性,近幾十年來,國內外預應力管道灌漿不密實導致的橋梁坍塌事件時有發生,既有橋梁的運維成本逐年攀升,因此對預應力管道灌漿密實度進行準確地檢測十分必要[4-6]。

圖1 灌漿缺陷導致的預應力筋腐蝕與橋梁垮塌事故現場

目前應用于預應力管道灌漿密實度檢測的方法主要有沖擊回波法[7-8]、地質雷達法[9-10]、超聲波法[6,11-13]。其中應用最為廣泛的方法是沖擊回波法,但該方法應用低頻波導致分辨率很低、難以檢測雙層預應力管道以及塑料管道。金屬對電磁波的屏蔽效應導致探地雷達法只適用于塑料預應力管道的檢測,且其檢測結果易受結構內部鋼筋網的影響。傳統超聲波法檢測預應力管道灌漿密實度分為超聲透射法和超聲回波法。超聲透射法在實際檢測中有時難以實現需要2個工作面的條件;超聲回波法存在超聲傳播路徑長、信噪比低等問題。鋯鈦酸鉛壓電陶瓷(PZT)具有頻帶寬、價格低、功耗低、易裁剪等優點,使得基于PZT的超聲波方法在結構無損檢測和健康監測領域被廣泛研究與應用[14-16]。

在利用PZT超聲波檢測預應力管道灌漿密實度的研究中,文獻[17]以埋入式PZT換能器作為驅動器、黏貼式PZT換能器作為傳感器監測預應力管道某一橫截面上的灌漿全過程,實驗設計0灌漿、50%灌漿、90%灌漿以及灌漿密實4種工況,結果表明超聲信號能量可以較好地反映管道灌漿過程中的密實度情況; 文獻[18]利用有限元數值模擬分析PZT超聲監測預應力管道灌漿的有效性,模擬結果與實驗很好地吻合,驗證了該方法的可行性; 文獻[19]為適應預應力筋的形狀,將PZT環作為超聲驅動器,采用時反法分析超聲信號,實驗結果表明預應力管道的灌漿工況可以采用時反聚焦信號峰值有效評估。綜上所述,目前的相關研究主要針對預應力管道某一截面的灌漿過程進行監測,檢測范圍較小。

本文研究沿管道縱向布置PZT換能器進行超聲波激勵和接收,提出基于超聲信號時頻分析和深度學習的密實度檢測方法,旨在實現預應力管道更大范圍、更高精度的密實度檢測。考慮到實驗室實驗通常只能研究較少的灌漿缺陷工況,本文通過預應力管道的有限元數值模擬,探究不同程度的部分灌漿和空洞缺陷工況的超聲波場,驗證所提出的預應力管道灌漿密實度檢測方法的可行性和有效性。

1 密實度檢測方法

橋梁結構預應力管道灌漿不密實的情況如下:灌漿料泄漏及缺少穩壓過程引起的部分灌漿、灌漿料泌水導致的空洞、管道堵塞造成的整段無灌漿料。因為實際預應力管道灌漿缺陷尺寸和位置的多樣性與不確定性,采用預埋PZT換能器采集的超聲波在時域內的幅值交疊,難以直觀地對灌漿工況進行識別和評估,所以本文提出基于超聲信號時頻分析和深度學習的密實度檢測方法,如圖2所示。利用小波包變換對超聲信號進行時頻分析能夠得到不同灌漿工況下超聲信號的多尺度時頻特征,卷積神經網絡深度學習模型能夠自動提取信號的時頻特征,從而進行不同灌漿工況的分類評估。

圖2 預應力管道灌漿密實度檢測方法流程

1.1 小波包變換

超聲信號通常是非平穩的,采用時頻分析手段能夠充分挖掘信號所包含的瞬態頻率成分,從而更加準確地與結構的損傷模式(即灌漿缺陷)建立聯系。小波包變換是由小波變換發展而來的,相較于小波變換,小波包變換在高頻域和低頻域都具有較高的分辨率,因此被廣泛地應用于結構振動和超聲信號分析[20-22]。

(1)

(2)

(3)

1.2 卷積神經網絡

卷積神經網絡是一種前饋型神經網絡,是目前應用最廣泛的深度學習網絡架構,受自然界生物的認知機制啟發而來。它利用卷積層和子采樣層實現強大的特征提取功能,適用于語音識別、圖像識別、圖像分割,也被引入到機械、土木等工程領域的高維數據的處理[24-27]。深度卷積神經網絡模型主要包括卷積層(Conv)、激活層(ReLU)、最大池化層(MP)、全連接層(FC)、批量歸一化層(BN)和隨機失活層(Dropout)等輔助層,有助于提高網絡的學習性能、泛化能力和魯棒性[28]。本文所建立的卷積神經網絡模型結構如圖3所示。

圖3 卷積神經網絡深度學習模型

卷積層采用一系列可學習的核與輸入數據進行卷積運算,然后通過滑動輸入的局部接受域生成特征映射。卷積層的運算過程如下:

(4)

激活層又稱激活函數層,能夠提高網絡的非線性特性,常用的ReLU激活函數可以避免梯度擴散,并表現出良好的泛化能力,計算公式如下:

(5)

最大池化層對卷積層得到的輸入特征圖進行特征采樣,降低數據維度,以提高模型的效率,防止過擬合。

最大池化層的運算規則如下:

(6)

其中:down(·)為最大下采樣;s為步幅大小。

全連接層通常在多個卷積層和池化層之后使用,將學習到的特征映射為一個向量,然后進行分類,第l個全連接層的輸出為:

xl=f(wlxl-1+bl)

(7)

批量歸一化層用于解決訓練過程中的內部協變量偏移問題,提高模型的泛化能力,若網絡中某一層的輸入數據為n維,即{x1,x2,…,xi,…,xn},則歸一化的公式為:

(8)

隨機失活層以一定的隨機失活率p將相鄰層的神經元斷開,以減輕過擬合,其表達式為:

xl=rlxl-1

(9)

其中,rl為概率為p的伯努利分布。

Softmax分類層用于全連接層的特征向量分類,得到屬于不同種類的概率分布情況。

2 數值模擬實驗

利用ABAQUS有限元軟件建立預應力管道在不同灌漿缺陷工況下的數值模型。為了與實際橋梁結構預應力的情況一致,數值模型采用高30 cm、寬30 cm的混凝土構件,內嵌直徑10 cm、壁厚1 mm的金屬波紋管,構件長度1.6 m,如圖4所示。灌漿料、金屬管道和C50混凝土材料的密度分別為2 000、1 380、2 549 kg/m3,彈性模量分別為15.8、2.7、34.5 GPa,泊松比分別為0.18、0.38、0.20。

圖4 有限元模型網格劃分

模型幾何連續的部分均采用六面體單元,空洞缺陷處采用四面體單元。假定材料均為具有Rayleigh阻尼的均勻彈性介質,質量阻尼系數取α=0.01,β=1.5×10-7。采用有限元模擬波動效應時,網格尺寸不應過大,積分時間步長應根據激勵信號的中心波長設置,網格尺寸和積分時間步長應滿足下面兩式,以保證計算的穩定性和精確性,即

l≤λmin/10

(10)

(11)

其中:l為允許的最大網格尺寸;λmin為最小波長;Δt為積分時間步長;fmax為信號的最大頻率;lemin為最小網格尺寸;Cd為波速。根據上述條件,本文設置網格尺寸為4 mm,時間積分步長為0.5 μs,計算時長為3 ms。所建數值模型的網格劃分情況如圖4所示。

本文的研究重點在于不同灌漿缺陷工況下超聲波場的分布,因此將PZT換能器簡化為模型的節點,用等效位移的形式代替PZT換能器的壓電作用,通過節點位移的變化來反應不同灌漿缺陷工況對超聲波傳播的影響。本文激勵信號采用漢寧窗調制的正弦信號,頻率為50 kHz,周期為5,如圖5所示。建立60%灌漿(C1)、80%灌漿(C2)、90%灌漿(C3)、驅動器附近4 cm空洞(C4)、中間4 cm空洞(C5)、傳感器附近4 cm空洞(C6)、驅動器附近1 cm空洞(C7)、中間1 cm空洞(C8)、傳感器附近1 cm空洞(C9)、100%灌漿(C10)共10種工況下的數值模型,觀察不同灌漿缺陷工況下超聲波場的分布情況,研究基于超聲波的預應力管道灌漿密實度檢測方法。不同灌漿工況及其傳感器布置的示意圖如圖6所示。根據PZT換能器的工作性能以及文獻[14-16]的報道,其在混凝土結構中的工作范圍可以達到1～2 m。因此,本文的數值模擬灌漿試件中驅動器與傳感器之間的距離設置為0.5 m。

圖5 激勵信號

圖6 不同灌漿工況及其傳感器布置示意圖

3 結果分析與討論

3.1 超聲波場分布與時域波形

為了觀察超聲信號在預應力管道模型中的傳播情況和波場分布規律,研究不同灌漿缺陷對超聲信號的影響,提取不同灌漿工況的位移云圖和傳感器2接收到的位移、波形,如圖7、圖8所示。圖7、圖8的位移、波形中添加了10%的白噪聲,從而更加準確地模擬實測數據。

圖7 不同灌漿工況聲場位移云圖

由圖7、圖8可知,當時間步為400 μs時,超聲信號沿著灌漿料、波紋管和混凝土介質傳播,已到達距離驅動器較遠的模型邊界,并出現了反射現象。灌漿缺陷不同程度地改變了超聲信號的傳播路徑和波長分布,導致傳感器接收到的信號強度發生改變。整體而言,傳感器2接收到的信號能量隨著灌漿密實度的增加而增強,100%灌漿密實工況的信號能量最高,空洞缺陷工況次之,部分灌漿工況能量較弱。C1～C3工況的超聲波場強度隨著灌漿程度的降低而降低,且由于管道上部與灌漿料之間存有空隙,超聲信號主要在灌漿料內部傳播,管道上分布的波場強度較低,波場分布呈現明顯的不對稱特性。但是,管道內部空洞缺陷的大小和位置對超聲波場的能量分布影響比較復雜,空洞距離傳感器越近,或者空洞尺寸越大,傳感器接收的超聲信號能量越低,其中C5、C6、C8、C9工況的超聲信號能量與C2、C3工況的超聲信號能量相當,時域波形的幅值呈現明顯的混疊現象。因此,難以利用時域波形的能量和幅值對預應力管道沿縱向長距離范圍內進行不同灌漿缺陷工況的識別。

3.2 超聲信號時頻分析與灌漿工況識別

采用小波包變換對具有非平穩特性的超聲信號進行時頻分析,得到不同灌漿缺陷工況下超聲信號的多尺度時頻特征。

以時域幅值和能量相當的C2、C6工況為例,經過4層小波包分解,這2種工況前8個小波包分量如圖9、圖10所示。

圖9 C2工況超聲信號小波包分量

圖10 C6工況超聲信號小波包分量

從圖9、圖10可以看出,它們在各尺度的小波包分量表現出不同程度的差別,大大提高了超聲信號的辨識度,可以作為灌漿工況識別的依據。

為了更加準確地對不同的灌漿工況進行識別,建立卷積神經網絡深度學習模型(圖3),直接對小波包系數矩陣進行缺陷特征提取和灌漿工況分類評估。通過改變隨機白噪聲的幅值(5%～50%),每種灌漿工況獲得300個數據,獲得包含3 000個數據的總數據集,并按照7∶1∶2的比例劃分訓練集、驗證集和測試集。卷積神經網絡深度學習模型的輸入為16×2 000的矩陣,各層卷積核的大小和數量見表1所列。

表1 卷積神經網絡模型結構設置

訓練方法采用自適應矩估計算法,采用網格搜索算法優化超參數,最終得到初始學習率為0.001(每5個訓練輪次后,學習率降低20%),隨機丟棄率為0.5,批量數為32,訓練輪次為216。

模型參數的訓練過程如圖11所示。從圖11可以看出,模型損失函數值在經過20輪次的學習后迅速降低,最終到達穩定。模型測試的平均正確率達到94.0%,測試結果的混淆矩陣如圖12所示。研究結果表明,將小波包分量的系數矩陣作為輸入的卷積神經網絡深度學習模型能夠有效地識別出不同灌漿工況,解決了不同工況之間時域信號能量混疊的問題,對灌漿缺陷的分類識別具有更高的準確率。

圖11 卷積神經網絡模型訓練過程

圖12 灌漿工況識別混淆矩陣

4 結 論

現有的利用PZT超聲波進行預應力管道灌漿密實度檢測的研究僅關注個別截面,檢測范圍較小,對不同類型灌漿缺陷的影響關注較少,無法滿足實際工程中預應力管道的檢測需求。本文通過有限元數值分析,研究不同程度的部分灌漿和不同尺寸、位置的空洞缺陷等10種(C1～C10)灌漿工況的波場分布復雜、超聲信號的時域幅值交疊,提出基于超聲信號深度學習的預應力管道灌漿密實度檢測方法。作為預處理,利用小波包變換算法對超聲信號進行多尺度時頻分析,增強不同灌漿工況超聲信號的辨識度,然后建立卷積神經網絡深度學習模型,自動提取灌漿缺陷相關的時頻特征,實現不同灌漿工況的分類評估。結果表明,以超聲信號小波包分量的系數矩陣作為輸入的卷積神經網絡模型能夠準確地識別出不同類型的灌漿缺陷,驗證了本文所提出的預應力管道灌漿密實度檢測方法的可行性和有效性。該方法可應用于橋梁關鍵構件預應力管道多排布置、彎起位置等部位的密實度精準檢測。