《Applied Sciences》:A Hybrid CNN–LSTM Framework for Vibration-Based Multi-Damage Assessment in Reinforced Concrete Bridges
编辑推荐:
结构健康监测(SHM)对于评估桥梁结构的安全性和适用性至关重要。由于结构劣化的复杂性和连续性,识别渐进性和并发性损伤仍然具有挑战性。本研究提出了一种混合一维卷积神经网络与长短期记忆网络(1D-CNN-LSTM)框架,用于钢筋混凝土桥梁基于振动的损伤定位和严重程
结构健康监测(SHM)对于评估桥梁结构的安全性和适用性至关重要。由于结构劣化的复杂性和连续性,识别渐进性和并发性损伤仍然具有挑战性。本研究提出了一种混合一维卷积神经网络与长短期记忆网络(1D-CNN-LSTM)框架,用于钢筋混凝土桥梁基于振动的损伤定位和严重程度估计。研究人员将运行模态分析应用于现役桥梁现场测量的振动数据。使用粒子群优化(PSO)技术更新有限元模型(FEM),将频率差异从7–17%降低到±3%以内。通过系统的刚度退化模拟了渐进式单、双和三单元损伤场景。所得模态频率数据被用于使用帕累托前沿优化(PFO)训练1D-CNN-LSTM模型。所提出的框架在单和双单元损伤场景中实现了高于0.80的决定系数,且预测误差较低(均方误差MSE和平均绝对误差MAE < 2)。结果表明,该框架可用于受控模拟条件下桥梁损伤的筛查级评估。
研究背景与意义
桥梁作为连接交通系统的关键基础设施,长期暴露于环境变化、老化、荷载作用及维护滞后等因素下,易产生腐蚀、剥落、冲刷和开裂等病害,进而改变其力学特性与动力响应。近年来,多起因长期劣化导致的桥梁垮塌事故凸显了连续监测与早期评估的重要性。传统检测方法如目视检查主观性强且受限于可达性,无损检测(NDT)技术在环境适应性上存在局限。结构健康监测(SHM)通过连续数据采集与分析,为桥梁安全评估提供了有效手段,其中基于振动的SHM技术因能反映结构整体动态特性而备受关注。然而,现有方法在处理渐进性与并发性多损伤识别时仍面临挑战,尤其是如何从复杂数据中精确提取损伤特征并实现定量化评估。为此,研究人员提出了一种结合物理模型与数据驱动的深度学习方法,旨在提升多损伤场景下的识别精度与鲁棒性。
关键技术方法
研究采用两阶段混合框架:首先通过运行模态分析(OMA)处理现场加速度计采集的环境振动数据,提取桥梁模态参数;随后建立有限元模型(FEM)并利用粒子群优化(PSO)进行模型更新,使数值模拟与实测频率误差降至±3%以内。基于此基线模型,通过降低单元弹性模量与截面面积模拟单、双、三单元渐进式损伤,生成涵盖不同损伤位置与程度的训练数据集。核心算法采用一维卷积神经网络(1D-CNN)与长短期记忆网络(LSTM)的混合架构,前者提取频域特征,后者捕捉序列依赖关系。超参数调优通过帕累托前沿优化(PFO)实现,平衡预测精度与模型复杂度。整个流程在Python环境中基于TensorFlow/Keras实现,采用Z-score标准化与固定数据划分策略确保可重复性。
研究结果
4.1 训练性能
所有损伤场景均按优化配置进行训练。训练时间随损伤复杂度增加而延长,单、双、三单元损伤的训练耗时分别为107秒、1704秒,每样本计算量(MACs/FLOPs)与推理延迟呈现类似趋势。损失函数曲线显示,模型在前20周期内快速收敛,后续趋于稳定,表明无过拟合现象。
4.2 模型性能
回归分析表明,单、双单元损伤的预测值与真实值高度相关,决定系数R2超过0.80。混淆矩阵经四舍五入处理后,非对角线元素较少,说明损伤定位准确性较高。三单元损伤虽略有下降,但仍保持可接受性能。
4.3 验证诊断
误差直方图呈对称钟形分布且中心接近零,证实残差无系统性偏差。训练、验证与测试集的误差分布相似,表明模型泛化能力良好。相关性矩阵显示,单、双单元损伤的输出误差相互独立,而三单元损伤因复杂性出现轻微相关性。
4.4 与传统方法对比
相较于依赖人工阈值或特征工程的传统振动损伤检测方法,本框架通过端到端学习自动挖掘非线性关系,实现了多损伤位置与严重程度的同步量化,且无需迭代优化,更适合复杂场景的快速诊断。
讨论与结论
讨论部分指出,该方法适用于缺乏真实损伤数据的筛查级评估,但需注意数值模拟与实际结构的差异可能限制泛化能力。环境因素如温度变化会显著影响模态参数,未来需引入温度归一化或迁移学习以提升实用性。多单元损伤性能下降源于频率特征的有限空间分辨率,难以区分邻近单元的重叠效应,建议融合振型或传递率函数等补充信息。
结论确认,PSO更新的FEM有效缩小了数值与实验频率差距,PFO优化的1D-CNN-LSTM在单、双单元损伤中表现优异,但三单元场景受限于逆问题的非唯一性。该框架为控制模拟条件下的桥梁损伤筛查提供了可靠工具,未来将通过多模态数据融合与环境自适应策略增强现实应用潜力。