桥梁结构损伤检测现状①

□□ 路淑芳，刘祖军，马 帅 (.华北水利水电大学 河南 郑州 450045； .南阳市污水净化中心 河南 南阳 473000)

引言

现阶段，我国经济已进入了中高速发展时期。为了打造便捷的交通圈和物流圈，就必须修建一大批高质量的桥梁工程。同时，对老旧桥梁的损伤程度识别和对新建桥梁的健康状态监测成为当前面临的一大问题。此外，对于超载车辆可能引发的安全事故预警机制缺乏，导致相关事故频发。尽管近年来国内外学者对桥梁结构的损伤检测进行了持续的研究，但没有形成一套有效且实用的理论体系。因此，本文对桥梁结构损伤检测的现状进行了分析，讨论目前各种检测分析方法的优缺点，为结构检测领域的进一步发展提供理论依据。

1 国内外研究现状

1967年，美国West Virginia州的silver桥发生了坍塌事故，由此开启了美国的桥梁检测计划；1971年，美国发行了《国家桥梁检测规范》，对桥梁的健康检测流程与专业人员的资格要求等作了严格的规定。此外，该规范建立了全国桥梁数据库，主要用于记录美国桥梁的基本信息及健康状况，由此分析病害桥梁是否需要检测加固或者因承载力不足而重建；2003年，美国发布了《公路桥梁技术状况评价与承载能力评定手册》《桥梁技术状况评价手册》，与之前的规范一起作为美国桥梁检测与评估的分析标准[1]。

2013年，中国工程建设协会发布了《结构健康监测系统设计标准》。按总则、术语和符号与传感器的选择和布置等7个方面做出了详细的规定；2016年，交通部颁布了《公路桥梁结构安全监测系统技术条件》，从范围、规范性引用文件与术语和定义等9个方面做了详细规定[2]。与2013年的标准相比，它在结构评估方面作了更为详细的规定。然而，桥梁健康监测的标准化水平受行业发展水平的限制，在当前初期损伤识别或精确状态评估等核心问题尚未解决的情况下，标准化工作中应更偏重于对宏观目标、基本框架的把握，而对具体的监测手段、算法的规定不宜过细[3]。在已经迈出了标准化第一步的基础上，该方面的研究和讨论将不断深化[3]。

目前，结构的损伤识别有不同的分类标准。近期贾明晓等[4]对损伤识别方法进行了较为全面的阐述，认为在传统的结构损伤识别领域中，可以按照是否进行反演，分为模型修正法与动力指纹法；并且随着计算机算法的快速发展，提出了人工神经网络的损伤识别算法模型。此外，有较多学者利用小波变换的方法来识别桥梁损伤，其本质在于通过有限元分析软件得到位移时程，再对其进行小波分析；在荷载作用下对损伤梁的位移时程进行研究，通过小波灰度图可以确定损伤位置。

2 神经网络在结构损伤识别中的应用

2.1 概述

1955年8月31日，由John M、Marvin L M、Claude S等四位美国科学家在提交给国家的一项研究项目时首次提出人工智能,即AI。自此，作为实现人工智能的一条重要途径，人工神经网络得到了快速发展。

目前为止，人工神经网络按照网络的复杂程度分为浅层神经网络和深度网络。在1970年之前，学者普遍认为三层的网络从理论上来说能够拟合任意的非线性函数，但是结果十分不理想。2012年以后随着计算机硬件得到突破性的发展，深度网络逐渐在各个领域发挥出类人类甚至超人类的分析和提取特征能力，得到了广泛的应用。

2.2 深度网络在桥梁结构损伤识别中的应用

在桥梁结构的损伤识别方面，主要分类为：一类是以图像识别为基础的结构表面裂缝识别。陈榕峰等[5]介绍了一种适合公路与铁路桥梁的裂缝检测的智能桥梁检测系统。该系统主要有特定的智能检测车辆、能够拍摄整个目标区域的机械手臂以及图像处理系统，如图1和图2所示。具有代表性的是聂振华使用卷积神经网络作为特征提取器与分类器进行结构的损伤检测[6]。该网络可以直接从底层传感器数据检测到结构的损伤，而不需要任何人工干预。在数据预处理时，采用数据增强扩大数据库，增强数据的鲁棒性。

图1 智能检测系统

图2 数据采集系统

另一种直接并且广泛应用的方法是最大限度地激活目标隐藏神经元以得到一个综合信号。神经元的激活值可以看做评估输入信号和提取特征的相似值。换句话说，使目标神经元最活跃的信号是最相似于学习的特征。因此，它被作为这个神经元的直观表达的相似值。聂振华研究表明，神经网络已经具有了自动提取具有物理含义的量，如固有频率、模态，并且首次提出了模态联合的概念。

高小小、寇潇、马卫飞等[7-9]先后于2017年、2018年提出了基于深度学习理论的桥梁裂缝检测算法。其实质在于对拍摄的桥梁表面裂缝图进行计算机识别。局限性在于没有对裂缝的识别结果进行进一步的分析和判断，因为混凝土本身都是带裂缝工作的，因此不能认为结构一旦出现裂缝就意味着承载能力下降需要维修。此外，现阶段的利用图像来识别损伤算法中，前期训练网络用到的训练图像库一般情况下都是人为的选择少部分无裂缝图以及较多的有裂缝图，其网络最终目的是识别出有裂缝图中的裂缝形状。实际上，由于环境的影响，并不是所有的裂缝都能暴露在结构表面，这就进一步加大了此方法的局限性。

另一类深度学习模型的方法是不需要图像作为原始输入，用桥梁的动力响应作为网络的输入项。徐鹏[10]首先提出了损伤检测方法的评价指标，将基于残差模块的卷积神经网络用于桥梁的健康监测。考虑到加速度响应具有时序特征，而循环神经网络对于处理时间序列数据具有良好特性，因此将其引入了循环神经网络提取时域特征，并结合卷积神经网络对其进行监测。

谭超英[11]提出利用多个RBM(非全连接的玻尔兹曼机)堆叠构建深度置信网络和利用多个AE(自编码模型)来构建损伤识别的模型。其中，模型的输入为结构健康状态和损伤状态的挠度数据，模型输出则为对应样本，经判断后桥梁为正常或损伤的概率。

李贵凤[12]提出了多层感知器(MLP)神经网络和长短期记忆神经网络(LSTM)，用于桥梁结构的损伤识别。把桥梁结构振动的加速度、应力应变、稳定、倾斜角度作为源数据，在归一化处理后结合主成分分析法进行降维。试验测试结果表明，损伤识别的准确率能够稳定在0.79左右。

谢祥辉[13]将堆栈降噪自动编码器应用在桥梁的损伤识别上。结合斜拉桥索塔地震模型的试验数据，损伤位置识别正确率为100%，且识别结果的置信概率普遍在90%以上。王宇鑫[14]利用了先进的深度学习平台Keras，搭建了用于结构损伤检测的自编码神经网络模型，可以通过捕捉信号的奇异性来识别损伤的发生；本质在于分析移动荷载的速度和桥梁的整体长度，然后根据局部信号突变的位置分析桥结构损伤的位置。结果表明，超完备的神经网络模型在学习数据特征方面有更高的准确率，损伤情况识别效果也比传统方法效率高。

3 结语

随着科技的进一步发展，无人机、机器人等新一批的高科技已经在桥梁结构损伤识别领域得到了重视和应用。此外，算法模型的高速更新都会提高桥梁结构损伤识别准确率和泛化力。但目前人工智能在桥梁结构损伤识别方面还存在较大的局限性。主要表现在以下方面：

(1)现有的数值仿真模型不能很好的模拟结构损伤，数值仿真结果与结构损伤情况相差较大，并且对具体的损伤位置识别精度较低。

(2)数值模型的鲁棒性较低。某种神经网络模型只适用于特定的桥梁结构，并且对大跨度桥梁的损伤还缺乏深入研究。

(3)目前阶段仅限于对桥梁的上部结构损伤识别，对于在受力更重要的桥墩和基础部分缺乏重视。

(4)大部分损伤识别方法都不能正确分析缺陷是影响正常使用极限状态还是影响承载力极限状态。欠缺对分析结果的进一步评估、预警以及维修养护决算机制。

因此，桥梁结构损失识别领域仍然是一个重大的社会难题，需要学者们进行进一步的模拟和分析。