鋼筋混凝土腐蝕狀態無損監測系統研究

摘要：針對鋼筋混凝土腐蝕問題，提出一種基于無線傳感器網絡的無損監測系統。系統集成陽極電位、電阻抗譜、應變和溫度等多類傳感器，用于采集鋼筋腐蝕相關數據。采集到的數據經由LoRa無線通信模塊傳輸至網關，并最終由上位機軟件實現數據可視化、狀態監控與基于深度學習的腐蝕狀態識別。硬件設計著重于傳感器的選擇、電路設計與電源管理；軟件設計則聚焦于數據采集算法、數據包格式、網絡協議、深度學習模型的構建與訓練。實驗結果驗證了系統的有效性與可靠性。此系統為鋼筋混凝土結構的耐久性評估和壽命預測提供了一種新穎的技術手段。

關鍵詞：鋼筋混凝土 無線傳感器網絡 LoRa 深度學習 電阻抗譜

Research on Non-destructive Monitoring System for Corrosion Status of Reinforced Concrete

XU HuiGansu Hualong Green Prefabricated Building Technology Co. Ltd， Tianshui， Gansu Province， 730000 China

Abstract： A non-destructive monitoring system based on a wireless sensor network is proposed to address the corrosion problem of reinforced concrete. The system integrates various sensors， including anodic potential， electrochemical impedance spectroscopy， strain， and temperature， to acquire data related to steel corrosion. The acquired data is transmitted to a gateway through the LoRa wireless communication module and ultimately visualized， monitored， and recognized for corrosion state based on deep learning by the upper computer software. The hardware design focuses on sensor selection， circuit design， and power management; The software design emphasizes the construction and training of data acquisition algorithms， data packet formats， network protocols， and deep learning models. Experimental results validate the system's effectiveness and reliability. This system provides a novel technical approach for evaluating the durability and predicting the lifespan of reinforced concrete structures.

Key Words： Reinforced concrete; Wireless sensor network （WSN）; LoRa; Deep learning; Electrochemical impedance spectroscopy （EIS）

在現代工程建設中，鋼筋混凝土結構作為基石被廣泛應用。然而，其耐久性問題日益凸顯，尤其是鋼筋腐蝕，已成為威脅結構安全和壽命的頭號隱患。傳統的鋼筋腐蝕檢測方法如同進行一場“外科手術”，不僅破壞性強，還會因其高昂的成本和繁瑣的流程而令人望而卻步。這些局限性嚴重制約了人們對結構健康狀況的及時掌握和有效維護。因此，研發一種能夠實現無損、高效、可靠監測的系統顯得尤為關鍵和迫切。通過本研究，旨在克服傳統檢測方法的固有缺陷，擺脫其破壞性強、成本高昂的束縛，從而提供一種更為經濟、便捷且精準的腐蝕評估方案。

1系統設計

1.1系統總體架構

本系統采用分布式架構，由傳感器節點、LoRa無線通信模塊、網關和上位機軟件4部分構成。（1）每個傳感器節點（共10個）集成4種傳感器：陽極電位傳感器（精度±0.1mV），電阻抗譜傳感器（頻率范圍1 kHz～1 MHz，精度±2%），應變傳感器（量程±500 με，精度±1 με）和溫度傳感器（精度±0.5 ℃）。節點采用STM32L476單片機作為主控，功耗小于10 mW。（2）LoRa模塊選用SX1278，工作頻率915 MHz，最大傳輸距離可達2 km，數據傳輸速率為1kbps。（3）網關基于RaspberryPi4B搭建，采用Linux操作系統，集成LoRa網關模塊和4G/以太網模塊，負責接收來自傳感器節點的數據，并通過消息隊列遙測傳輸（Message Queuing Telemetry Transport，MQTT）協議將數據上傳至阿里云服務器。（4）上位機軟件基于Python開發，使用Flask框架搭建Web界面，實現數據可視化、狀態監控和深度學習模型的調用，界面實時顯示每個節點的各項傳感器數據與基于深度學習模型預測的鋼筋腐蝕等級（分為0～3級）。系統總體架構圖如圖1所示。

1.2硬件設計

1.2.1傳感器模塊設計

系統數據采集核心為傳感器模塊，集成高精度陽極電位（±0.1 mV， 1 Hz）、電阻抗譜（±2%， 1 mHz～1 MHz）、應變（±1 με， 10 Hz）和溫度（±0.5 ℃）傳感器。 信號調理電路采用INA128、AD620等，利用STM32L476單片機進行數據采集、預處理和融合。 模塊采用低功耗設計，鋰電池供電，續航超1年[1]。

1.2.2無線通信模塊設計

無線通信模塊采用SemtechSX1278LoRa芯片，工作在915MHzISM頻段，實現遠距離、低功耗的數據傳輸。LoRa參數配置如下：擴頻因子（SF）設置為7，數據傳輸速率為500 bps，帶寬為125 kHz，前導碼長度為8字節，以平衡傳輸距離和數據速率。選擇較低的傳輸功率（10 dBm），既能夠保證足夠的覆蓋范圍（實驗室環境下測試可達500 m），又可以有效降低功耗，延長電池壽命[2]。

1.3軟件設計

1.3.1嵌入式軟件設計

嵌入式軟件基于STM32L476單片機和HAL庫，采用C語言開發。數據采集模塊讀取陽極電位（1 Hz）、應變（10 Hz）、溫度（±0.5 ℃）和電阻抗譜傳感器數據，電阻抗譜傳感器采樣頻率動態調整。采用滑動平均濾波去除噪聲，并基于預先標定參數進行校準，提高精度。數據打包成32字節的數據幀，包含節點ID、時間戳、4個傳感器的16位整數數據與循環冗余 校驗（Cyclic Redundancy Check，CRC）校驗碼，確保數據完整性和傳輸效率。數據幀格式自定義，方便后續解析。該模塊高效地采集、處理和打包傳感器數據，為后續數據傳輸提供可靠保障[3]。

1.3.2網關軟件設計

網關軟件運行于Raspberry Pi 4B，基于Linux系統和Python語言，利用MQTT協議實現數據轉發。采用LoRaWAN協議接收來自傳感器節點的數據，進行CRC校驗和數據類型轉換，校驗失敗的數據包將被丟棄并記錄錯誤信息。解析后的數據通過MQTT協議上傳至阿里云服務器，MQTT協議的輕量級特性滿足系統低功耗需求。網關具備自動重連機制，保證數據穩定上傳，提高系統穩定性和可靠性[4]。

1.3.3上位機軟件設計

上位機軟件采用Python和Flask框架開發，構建Web用戶界面，實現數據可視化和狀態監控。利用ECharts圖表庫，實時顯示傳感器節點的陽極電位、電阻抗、應變和溫度數據，并支持根據時間和節點ID篩選和查詢，提供數據下載功能方便離線分析 [5]。

2基于深度學習的腐蝕狀態識別

2.1數據集構建與預處理

數據集由實驗室模擬和實際工程監測數據構成。實驗室模擬實驗控制溫度、濕度和氯離子濃度（分別為 0、500、1 000和 1 500 mg/L），進行10組實驗，每組持續3個月，采集不同腐蝕程度下的傳感器數據。實際工程數據來自某橋梁，部署10個節點，每小時采集數據，持續1年。

2.2深度學習模型

本研究采用卷積神經網絡 （Convolutional Neural Network， CNN）（進行鋼筋腐蝕狀態識別，因其擅長處理時空序列數據并具有強大的特征提取能力。模型基于改進的LeNet-5，包含兩個卷積層（分別使用32個和64個3x3卷積核，步長為1，激活函數為ReLU）、兩個最大池化層（池化核大小為2x2）和兩個全連接層（分別包含128和4個神經元）。輸出層使用softmax函數生成概率分布。模型訓練采用Adam優化器，學習率為0.001，批量大小為32。該CNN模型結構和參數設置旨在有效提取傳感器數據中的腐蝕特征，實現準確的腐蝕狀態預測。

3實驗結果與分析

3.1實驗裝置與方法

實驗在青島理工大學土木工程學院實驗室進行，環境溫度（25±2）℃，濕度（50±5）%。 采用Φ12 mm HRB400鋼筋和C30混凝土制作10組試件，模擬不同銹蝕程度。傳感器節點安裝于試件表面，上位機通過4G和LoRa模塊進行數據采集，每10分鐘采集一次，持續3個月。 實驗前對傳感器進行標定，并進行多次重復實驗以評估系統可靠性。

3.2實驗結果

實驗結果表明，該系統能夠有效監測鋼筋的腐蝕狀態。深度學習模型在測試集上的平均精確率達到92%、召回率達到89%、F1值達到90%、AUC值達到0.95。不同腐蝕程度下，傳感器的輸出值存在顯著差異。

實驗還驗證了該系統在不同干擾條件下的魯棒性。在引入10%隨機噪聲的情況下，模型的平均精確率下降到88%、召回率下降到85%，但仍然保持較高的識別精度。在隨機丟棄20%數據包的情況下，模型的平均精確率下降到85%、召回率下降到82%，說明該系統具有一定的抗干擾能力和容錯能力。3.3結果分析與討論

實驗結果表明，該系統能夠準確有效地監測鋼筋腐蝕狀態，深度學習模型具有較高的識別精度和魯棒性。陽極電位、電阻抗和應變等傳感器數據能夠有效反映鋼筋的腐蝕程度，這與相關的電化學理論和力學理論相符。陽極電位的降低是因鋼筋腐蝕而導致電極電位發生變化；電阻抗的增大是因銹蝕產物增多而增加了鋼筋表面的電阻；應變的增大是因銹蝕產物膨脹而導致鋼筋變形。4結論

本研究成功構建了一套基于無線傳感器網絡和深度學習的鋼筋混凝土腐蝕無損監測系統，實現了對鋼筋腐蝕狀態的實時、智能監測。該系統集成了多種高精度傳感器，包括陽極電位、電阻抗、應變和溫度傳感器，并通過 LoRa 技術實現了遠距離、低功耗的數據傳輸。基于實驗數據訓練的深度學習模型對鋼筋腐蝕狀態的識別展現出高精度、高可靠性和強魯棒性。這些研究成果有力地驗證了所提出的無損監測方案的有效性。

參考文獻

[1]朱廣輝.基于磁介質理論的鋼筋混凝土腐蝕監測系統研究[D].青島：青島理工大學，2023.

[2]周恩坤，唐曉，胡鵬飛，等.海洋環境鋼筋混凝土腐蝕電化學監測方法及傳感器設計[C]//中國腐蝕與防護學會.第九屆海洋材料與腐蝕防護大會暨第三屆鋼筋混凝土耐久性與設施服役安全大會論文集.恩迪檢測技術（青島）有限公司，2023：222.

[3]胡川.鋼筋混凝土腐蝕狀態無損監測系統研究[D].青島：青島理工大學，2022.

[4]唐榮茂.鋼筋混凝土體系中Q235鋼的腐蝕過程及緩蝕行為研究[D].南昌：南昌航空大學，2021.

[5]張月.可恢復功能裝配式鋼-混組合節點抗震性能及震后修復方法[D].大連：大連理工大學，2022.