基于深度学习的混凝土裂缝演化阶段分类方法:以双K断裂准则为参考

《Journal of Building Engineering》:Deep Learning–Based Classification of Concrete Crack Evolution Stages with Reference to the Double–K Fracture Criterion

【字体: 大 中 小 】 时间:2026年01月03日 来源:Journal of Building Engineering 7.4

编辑推荐:

  物理信息驱动的混凝土裂缝演化阶段识别框架,结合Double-K断裂准则与载荷-曲率特征点,建立三阶段物理标签体系,并采用ResNet50和YOLOv8模型进行分类性能评估,通过Grad-CAM可视化与特征嵌入分析验证模型决策的物理一致性,为基于DIC全场应变的裂缝阶段评估提供新方法。

  
曾云奇|雷东|何金涛|周开阳|王丁
中国南京河海大学机械与工程科学学院,211100

摘要

准确识别混凝土裂缝的演化阶段(未开裂、裂缝起始、不稳定断裂)对于理解结构断裂行为以及及时采取维护和加固措施至关重要。本研究提出了一个基于物理原理的裂缝阶段识别框架,该框架将深度学习与基于断裂力学的可解释性相结合。
所提出的框架结合了Double-K断裂准则和载荷-CMOD曲线中的特征点,以定义具有物理意义的裂缝演化阶段,并为数字图像相关性(DIC)应变图生成一致的标签。基于这种标记策略,研究了ResNet50和YOLOv8在裂缝阶段识别方面的分类性能。结果表明,这两种模型都表现出可靠的分类性能,其中ResNet50在时间稳定性方面更胜一筹,而YOLOv8对局部应变特征的敏感性更强。
此外,还进行了多视角的可解释性分析,包括Grad-CAM可视化,以检验模型的决策过程是否与裂缝演化的物理机制一致。本研究展示了一条可行的技术路径,将深度学习从基于外观的裂缝识别提升到基于物理原理的阶段级断裂过程解释,从而能够利用全场应变数据可靠地评估裂缝阶段。

引言

混凝土是最广泛使用的建筑材料之一,但在加载或长期使用过程中不可避免地会经历裂缝的产生和扩展,这些过程与机械性能的退化及结构失效密切相关[1]、[2]、[3]。裂缝演化通常遵循从未开裂状态到裂缝起始,再到不稳定断裂的顺序。准确识别这些阶段对于理解断裂机制、评估承载能力以及提高结构可靠性至关重要[3]、[4]、[5]。
传统上,裂缝阶段识别依赖于人工观察或基于阈值的图像分割方法。然而,这些方法往往耗时、主观性强,并且容易遗漏全场应变的细微变化[6]、[7]。因此,它们在效率和客观性方面的固有局限性使其不适合实时监控和大规模自动化结构检查的需求。此外,现有的机器学习方法主要关注二值裂缝检测(存在与否)或几何分割,很少提供关于断裂渐进阶段的定量见解,也常常缺乏指导分类过程的严格物理基础。
为了从力学角度描述裂缝演化,提出了Double-K断裂准则来区分混凝土的起始韧性和不稳定断裂韧性[8]、[9]、[10]、[11]。作为准脆性断裂的代表性框架,Double-K准则为裂缝起始和不稳定提供了明确的物理参考点[12]。然而,将这些物理定义映射到视觉数据上仍然具有挑战性。
虽然数字图像相关性(DIC)能够以高空间分辨率实现全场位移和应变的测量[13]、[14]、[15]、[16]、[17],但由此产生的应变场表现出复杂的局部化模式[18],使用传统的图像处理技术难以进行稳健的解释。
深度学习的最新进展使得基于数据的图像测量解释成为可能[19]。在混凝土损伤分析领域,深度学习技术已被广泛用于裂缝检测、分割和表面损伤识别[20]、[21]、[22]、[23]、[24]、[25]。例如,张等人[26]展示了从ResNet50简化而来的轻量级ResNet18在混凝土裂缝检测中达到了99.85%的准确率,突显了残差架构在此任务中的有效性;徐等人[27]采用了基于ResNet-34的“HU-ResNet”模型进行详细裂缝特征提取,其分割精度优于U-Net和FCN。鉴于其广泛的应用和经验证的稳定性,ResNet成为评估深度学习在断裂力学任务中性能的理想基准。
尽管取得了这些进展,但仍存在一个关键缺口:大多数现有方法仅处理灰度或RGB照片,并专注于识别可见裂缝的存在或几何形状。它们从全场应变图像中表征具有物理意义的裂缝演化阶段的能力仍然有限。此外,当前的深度学习框架通常纯粹是数据驱动的,与断裂力学原理的整合较弱,这引发了对其在评估结构性能方面可靠性的担忧。
为了解决这些缺口,本研究旨在建立一个基于物理原理、数据驱动的框架,用于根据DIC应变场对裂缝演化阶段进行分类。如图1所示,所提出的工作流程包括五个组成部分。
  • ①
    数据采集:在断裂测试过程中同步收集DIC应变场和载荷-CMOD曲线。
  • ②
    基于物理原理的阶段标记:根据Double-K断裂准则从载荷-CMOD响应中提取特征点,将每个应变图像分配到三个裂缝演化阶段中的一个,确保标签在物理上是一致的。
  • ③
    模型训练:作为深度卷积神经网络(CNN)的代表性模型,ResNet50因其强大的特征提取能力和在结构健康监测中的广泛应用而被选用。作为本研究的标准分类基准。为了探索紧凑模型是否能够有效识别局部裂缝相关应变模式,引入了YOLOv8作为轻量级替代方案。尽管YOLO最初是为实时目标检测开发的,但其基于YOLO的框架在混凝土裂缝检测[28]、[29]、[30]、[31]以及无人机支持的检测任务[33]中表现出了有希望的性能。最近的研究成功利用了YOLO的高效架构进行多任务识别和混凝土裂缝的高精度分割,证明了其在细粒度特征分析中的强大推理能力和鲁棒性[34]。将YOLOv8与ResNet50基线进行比较,可以评估轻量级模型是否能够在不依赖深层网络的高计算成本的情况下有效识别复杂的断裂阶段。
  • ④
    模型评估:使用精确度、召回率、F1分数和混淆矩阵来定量评估分类性能。
  • ⑤
    物理一致性解释:采用Grad-CAM可视化和特征空间嵌入来检验学习到的表示是否与已知的断裂机制一致。这些分析解决了深度学习模型固有的“黑箱”问题,对于评估其在结构工程应用中的物理合理性和可靠性至关重要[36]、[37]、[38]。
  • 实验设置和数据采集

    本节描述了三点弯曲测试中使用的试样设计、加载方案和DIC图像采集方法。实验数据不仅用于分析裂缝演化和断裂性能,还用于构建训练和验证分类模型的图像数据集,从而为阶段标记提供物理基础。

    方法论

    本节介绍了混凝土裂缝阶段分类和可解释性分析的提出方法。首先,基于Double-K断裂准则,建立了一个三阶段标记系统——未开裂、裂缝起始和不稳定断裂,以描述裂缝演化过程。相应的阶段边界是通过分析三点弯曲实验获得的载荷-CMOD响应来确定的。
    接下来,构建了一个YOLOv8深度学习模型来进行分类

    结果与讨论

    本节对实验结果和所提出的深度学习模型的性能进行了系统分析。
    首先在不同测试场景下评估了YOLOv8和ResNet50的分类准确性、泛化能力和计算效率。
    随后进行了多维度可解释性分析,包括Grad-CAM显著性图、基于NED的能量扰动图和t-SNE特征分布,以检验学习到的

    结论

    本研究提出了一个基于物理原理的裂缝演化阶段识别框架,通过将基于机械原理的阶段标记与基于深度学习的全场DIC应变图分类相结合。通过从载荷-CMOD曲线中提取特征点,并将这些转变与Double-K断裂准则的阶段定义对齐,将裂缝演化过程划分为“未开裂-起始-不稳定断裂”三个阶段。这一策略使得

    作者贡献声明

    曾云奇:撰写 – 审稿与编辑,撰写 – 原稿,方法论,形式分析,数据整理。雷东:监督,资源获取,资金获取,概念化。何金涛:撰写 – 审稿与编辑,监督,资金获取。周开阳:撰写 – 审稿与编辑,验证,方法论。王丁:调查,数据整理

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

    数据可用性

    数据可向相应作者索取。

    致谢

    感谢中央高校基本科研业务费[240201101]、国家自然科学基金[52408255]、中国博士后科学基金[2024M750734]、云南水利水电职业学院资助项目[2023SZYKL004]以及苏州科学技术发展计划[SYC2022080]对本研究的财政支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号