结构健康诊断基于先进频谱分析与人工智能的地面穿透雷达信号

《Buildings》:Structural Health Diagnosis Using Advanced Spectrum Analysis and Artificial Intelligence of Ground Penetrating Radar Signals Wael Zatar, Hien Nghiem, Feng Xiao and Gang Chen

【字体: 大 中 小 】 时间:2026年03月28日 来源:Buildings 3.4

编辑推荐:

  本文旨在提出一种基于优化变分模态分解(Variational Mode Decomposition, VMD)的非破坏性地面穿透雷达(Ground Penetrating Radar, GPR)方法,用于识别钢筋混凝土(Reinforced Concrete,

  
本文旨在提出一种基于优化变分模态分解(Variational Mode Decomposition, VMD)的非破坏性地面穿透雷达(Ground Penetrating Radar, GPR)方法,用于识别钢筋混凝土(Reinforced Concrete, RC)结构中的空洞缺陷。本研究还提出了一种通过将先进频谱分析与深度学习技术相结合的增强框架,用于检测RC中的缺陷。研究人员对已知结构缺陷的RC桥面板进行了GPR调查,生成了代表完整和空洞缺陷状态的典型数据集。除传统频谱技术(如快速傅里叶变换(Fast Fourier Transform, FFT)、频谱图和尺度图)外,研究人员还实施了优化VMD方法。VMD方法将GPR信号分解为本征模态函数(Intrinsic Mode Functions, IMFs),能够超越传统频谱方法实现精细化特征提取,并允许清晰区分完整信号与缺陷信号。GPR小数据集的有限可用性和质量限制了功能性一维卷积神经网络(1D Convolutional Neural Network, 1D-CNN)的应用,该网络通常至少需要几百个数据集。为应对这一挑战,研究人员采用了数据增强策略。基于FFT的特征被成功用于训练一维卷积神经网络(1D-CNN),以实现自动缺陷识别。结果表明,先进频谱分析方法以及将频谱分析与深度学习相结合的混合框架均显著提升了缺陷检测性能。总体而言,所提出的方法提供了一种有效且智能的解决方案,以支持桥梁基础设施维护和安全保障的及时、数据驱动决策。
**论文解读文章**

**研究背景与问题**
结构健康诊断(Structural Health Diagnosis, SHD)技术广泛应用于评估混凝土桥面板的退化情况,具有成本效益高、不影响结构运行等优势。地面穿透雷达(Ground Penetrating Radar, GPR)是其中应用最广的方法之一,通过发射高频电磁波检测混凝土内空洞等缺陷。然而,传统GPR信号处理方法(如快速傅里叶变换(Fast Fourier Transform, FFT)、频谱图和尺度图)主要针对线性和平稳信号设计,难以有效提取非线性、非平稳GPR信号中的缺陷特征。此外,GPR数据量有限且质量参差不齐,限制了深度学习模型的训练效果。现有方法在空腔识别准确性、智能算法应用以及小样本处理方面仍存在不足。为克服这些局限,本研究提出一种结合优化变分模态分解(Variational Mode Decomposition, VMD)与深度学习的方法,旨在提升钢筋混凝土(Reinforced Concrete, RC)结构中空洞缺陷的检测性能。该论文发表在《Buildings》。

**研究内容与结论**
研究人员首先通过GPR系统对一块嵌入EPS泡沫(模拟空洞)的混凝土桥面板试件(114 cm × 122 cm × 18 cm)进行A-scan信号采集,获得完整与空洞状态的数据集。随后,采用优化VMD将GPR信号分解为本征模态函数(Intrinsic Mode Functions, IMFs),发现第二个本征模态函数(IMF2)的FFT频谱能清晰区分完整与空洞试件。同时,基于FFT特征训练一维卷积神经网络(1D Convolutional Neural Network, 1D-CNN),并采用添加噪声(信噪比20 dB)的数据增强策略将原始数据集扩充至1000个样本进行训练。结果表明,基于FFT的1D-CNN模型准确率约70%,优于直接使用原始A-scan信号的模型(约50%)。该混合框架结合频谱特征提取与深度学习,显著提高了缺陷检测的鲁棒性和准确性,为混凝土桥面板结构健康诊断提供了有效且智能的解决方案。

**主要关键技术方法**
(1)优化变分模态分解(VMD):将GPR A-scan信号分解为多个本征模态函数(IMFs),提取频率域差异化特征。
(2)快速傅里叶变换(FFT):将时域信号转换为频域用于特征提取。
(3)一维卷积神经网络(1D-CNN):基于FFT特征构建分类模型,实现自动识别。
(4)数据增强(Data Augmentation):通过添加白噪声(信噪比20 dB)将原始样本扩充至500个完整和500个空洞案例,共计1000个训练/验证/测试样本。样本来源为实验室浇筑的混凝土桥面板试件(强度27 MPa),嵌入EPS泡沫(102 mm × 30 mm)模拟空洞,泡沫顶面距板顶面83 mm。

**研究结果**
**2.3 利用先进频谱分析评估空洞缺陷**
研究人员对完整与空洞混凝土的GPR A-scan信号进行常规频谱分析(FFT、频谱图、尺度图),发现这些方法无法直接区分缺陷。但采用优化VMD分解后,第二个本征模态函数(IMF2)的FFT频谱(图7)显示出完整与空洞试件之间的明显差异,可作为检测指标。这一发现表明VMD能够有效提取传统方法所忽视的缺陷特征。

**3 基于FFT和GPR数据的一维卷积神经网络模型评估空洞缺陷**
研究人员构建了一个简单的1D-CNN模型,分别输入原始A-scan信号和FFT变换后的频域信号进行训练。通过添加噪声(信号噪声比20 dB)的数据增强,数据集扩充至1000样本。实验结果表明:基于FFT特征的1D-CNN模型准确率约为70%(图9),而基于原始A-scan信号的模型准确率仅为约50%(图10)。这证明频域特征提取能显著提升深度学习模型的缺陷分类能力。研究人员指出,物理驱动方法(如VMD)提供可解释的定量指标,而数据驱动方法(如1D-CNN)提供适应性模式识别,两者互补可提升整体性能。

**讨论与结论翻译**
论文讨论部分指出,基于GPR的检测面临信号复杂、处理耗时、特征解读不确定等挑战。未来工作将结合频谱分析与统计分析,以增强定量验证;同时扩展至现场尺度应用,并引入更先进的深度学习架构以提高分类精度。

研究结论部分(原文4. Conclusions)翻译如下:
本文提出了一种将GPR先进频谱分析与深度学习技术相结合的新型混凝土缺陷检测方法。优化VMD将GPR信号分解为本征模态函数,实现了超越传统频谱方法的精细化特征提取。结果表明,优化VMD方法能够利用GPR A-scan信号有效区分完整混凝土板与空洞缺陷板。基于GPR A-scan数据的FFT特征开发了一维卷积神经网络(1D-CNN)模型用于空洞识别。结果表明,所提出的AI模型能够高效训练,并提供可靠的定性和定量缺陷分类。基于先进频谱的方法和基于AI的方法均显示出很强的缺陷识别潜力。此外,将频谱特征提取与深度学习相结合的混合框架相比传统信号处理方法具有更强的鲁棒性和检测能力。总体而言,所提出的方法超越了传统技术,为混凝土板缺陷检测和结构健康诊断提供了有效且智能的解决方案。未来工作将重点将所提出的框架扩展到现场规模应用,并通过结合更先进的深度学习架构来提高分类精度。同时,未来研究将专注于将基于频谱的信号处理与统计分析相结合,以加强缺陷检测结果的定量验证。统计评估方法的引入将能够对GPR衍生特征进行更严格的解释,提高缺陷分类的鲁棒性,并支持对混凝土桥面板进行更可靠、更客观的结构状况评估。
相关新闻
生物通微信公众号
微信
新浪微博

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