建筑损伤的识别与判定研究进展

单宝华 刘明奎 郭秋涵 林兵武

1.云南山高投资发展有限公司 昆明650214

2.上海材料研究所 200437

3.上海上材减振科技有限公司 200437

引言

社会和建筑能够承受住大地震的袭击而不会瞬间陷入混乱或受到永久性损害的能力，是实现我国经济社会可持续发展的重要支撑，同时韧性城市概念的提出也更加侧重于地震作用之后保证建筑物的功能能够正常使用或者可快速恢复。20世纪世界范围内7 级以上的强震有35%发生在中国，我国450个城市中位于地震区的占了74.5%［1］。地震灾害的频繁发生对我国的经济发展与人民生命安全造成了巨大的威胁。因此，对建筑特别是应急救援类的公用建筑，在震后快速识别其损害程度，以最大限度地减少由于安全性评估而造成的人员和财产损失极为重要。另一方面，目前在我国有较多的老旧建筑，并且这些老旧建筑大都集聚在中心或者次中心城区，随着时间的推移，原结构或多或少存在结构变质，导致其承载力降低，老旧小区建筑群是城市建筑群中的一个重要安全隐患。

因此，发展基于计算机的，具有自动、高精度、高效率等优势的数据采集手段，对混凝土、砌体、金属等构件进行损伤识别，并对损伤的形态、扩展度及其影响程度进行准确地判定，可以实现震后更安全地对建筑功能的可持续性进行评测。并且，这对实现更精准、高效地识别与判定老旧建筑的安全余量也具有重要意义。

1 数据模型

传统对震后建筑安全性评估的手段为人工目视检查法，其经济性和便利性较低。这类评估手段只能对可见的较大缺陷进行准确判定，针对微小缺陷评估，检查人员需进行谨慎判断，并相应降低建筑物安全等级，以确保安全，从而浪费宝贵的空间和时间资源。

因此有研究人员开发了基于数值模型的且更为高效的判定方法，如依靠有限元分析更新结构模型的系统识别法［2］，结构的有限元模型通常用于预测结构的行为和评估其性能，所以利用有限元模型，并使用实测数据进行校准，对地震后可能发生在结构中的潜在破坏可达到更有效的辨识结果。Mehdi M等人［3］采用该方法，利用测点加速度计记录建筑的环境响应，以提取其模态参数，并进行基于贝叶斯原理的Opensees有限元模型更新，对建筑进行损伤评估，获得了对严重破坏单元的高置信度结果。

但仅凭模态参数和刚度退化不能精确地判定结构的损伤程度［4］，而且，该方法需要精确地对特定的、具体的建筑建立有限元模型，这就需要获得该真实建筑的各项参数，这对既存建筑来说是比较困难的。因此，Sajedi 等人［5］提出了一种基于累积强度特征和支持向量机的数据驱动方法，用来预测损伤的存在性、位置和严重程度。为了训练分类器完成监督学习任务，需要一个包含输入特征和类标签的数据集，因此建立了三维混凝土框架模型，并基于力矩框架响应研究了所提出的损伤诊断系统，框架如图1 所示。由此获得了90.87%的平均损伤检出准确率。该方法获得了较高的检出率和更高的精确度，但对输入波的选择有较高要求，因为地震的本质是多维的，导致该方法的普适性不够。

图1 训练数据集框架模型Fig.1 Training dataset framework model

除了基于测量数据和有限元模型的建筑损伤监测评估外，基于计算机视觉完成的损伤评估也是目前常用的方法。Wang Y.等［6］做了有关基于卫星遥感（SRS）光学影像的建筑损伤识别方面的研究，如图2 所示，结果表明：利用卫星影像的建筑震后平均定位精度超过95.7%，并且二元分类准确率损伤评估达到97.1%。这体现了计算机视觉使用SRS数据集进行大规模防灾和减灾的高效性，因此，该方法突破了前面两种方法的局限。

图2 基于卫星成像的建筑损伤Fig.2 Building damage based on satellite imaging

但基于卫星光学影像的损伤识别不是对单个建筑损伤位置的判定，是用于更广范围的建筑震后灾害评估，对特定单个建筑的损伤评估效用较低。一般针对单个建筑的影响级评估更多的是用到无人机或小型机器人等。

对环境复杂、结构体系种类繁多的单体建筑进行精准、高效的计算机视觉识别，需要大量的前期样本做训练，所以要做到类人化的视觉判断，一般采用数字孪生的方法。Levine等［7］提出了一种通过使用无人机的图像识别和定位的方法，来快速评估建筑物安全性。主要原理是根据观察到的损坏分布来更新预期建筑性能的概率模型，再与自动检查方法相结合以收集损坏信息。这样的方法对前期准备的工作量大，因此，Levine N M 等［8］集成了无人机（UAV）图像与建筑信息模型（BIM）参考平台，方法是对建筑进行初步的摄影调查，并创建目标建筑的3D点云，并与BIM模型对齐，当地震发生后，进行第二次震后UAV测量，并根据新测量的图像生成更新的3D点云，通过震前和震后点云之间的三维变化，识别受损情况，流程如图3 所示。该方法具有较高的工程实用性，但精确度仍待考证。

图3 数字孪生基本流程Fig.3 Basic flow chart of digital twin

除上述外，更早些时候，有研究人员从各种角度做过建筑损伤识别。Worden 等［9］人通过异常值分析比较信号与范数的偏差来进行损伤检测，这是数据驱动损伤诊断的早期工作之一。Santos等［10］人开发了基于支持向量机、支持向量数据等四种基于核的损伤检测算法。另外聚类方法［11，12］和自联想神经网络［13，14］也较早地广泛被用于损伤诊断。Zhang 等［15］人利用回归树和随机森林来绘制建筑剩余安全余量和抗倒塌能力的响应。

2 数学模型及自适应学习方法

损伤识别过程提供了被检查结构当前状态的各类信息，此时需要对获得的数据进行模型算法处理，通过人工智能自适应训练学习达到最终判断的目的。应用数学模型进行判定时，广泛使用两种方法：第一种方法是使用数据驱动，它通常与传感器收集的数据相关联，随后对数据进行处理和分析；第二种方法是使用模型来分析有关结构的信息，其总体性能与模型的准确性和用于定义模型的信息相关。虽然这两种方法都被广泛使用，但数据驱动方法在大多数情况下是首选，因为它能够分析从传感器获得的真实数据，为决策提供实时且准确的解决方案；但是由于计算成本高，数据驱动方法常会涉及高性能处理器。

虽然目前基于建筑结构监测的损伤辨识还在发展阶段，但是已有较多研究人员做出了杰出贡献。应用于数据驱动方法的损伤判定常用神经网络［16，17］、模态分析［18-20］、生物启发算法［21-23］、非概率方法［24］和时间序列分析等算法［20，25］等开发较早，也是目前结构损伤判定的主要技术。

对于第一类数据驱动方法，也就是对布有传感器的建筑，其首要目的是增加预测和震后损伤判定的可靠性。由于捕获技术、传感器信息、捕获信息的处理和预测数据分析之间的不一致，可能会导致传递的数据出现错乱，进而影响损伤识别过程中使用的算法或方法获得结果的可靠性［26］。

Yu等人［27］建立了基于二维卷积神经网络（CNN）的数据驱动模型，模型输入包含梁宽、梁高、箍筋宽度、箍筋高度、混凝土抗压强度、纵向钢筋比、纵向钢筋屈服强度、横向钢筋比、横向钢筋屈服强度和箍筋间距。结果表明，所提出的超参数优化二维CNN在预测RC梁的扭转强度方面表现出较高的性能，优于其他机器学习模型。Chen等人［28］提出了使用二进制变量对损伤进行参数化，并在贝叶斯OED 框架之前进行相应的积分。通过限制损伤参数的设计空间，可以将计算工作用于优化信息丰富的结构损伤场景。

数据驱动方法需要找到合适的输入和超参数，图4 为数据驱动方法的参数优化设置流程。

图4 参数优化流程Fig.4 Parameter optimization flowchart

对于第二类使用模型来分析有关结构信息的方法，其依赖于直接从结构中获得数据进行分析。大致方法是使用从健康的结构中获得的数据来构建3D模型，一般是有限元、BIM 模型或图像模型，并使用在震后检查过程中从结构中获得的数据，通过比较原始数据和从震后实际检查数据中获得的一些特征与变化，来确定其当前状态。

Rasheed等［29］详细介绍了通过利用健康和离散开裂的钢筋混凝土梁的有限元仿真结果进行综合训练，实现损伤检测系统，同时可预测裂缝位置、裂缝深度、裂缝宽度和大梁裂缝数量。Liu等人［30］提出了一种基于图像视觉特征基线模型（BMVCI）的混凝土结构裂缝检测方法，利用高斯卷积生成图像的视觉特征，然后利用基于核主成分分析的方法建立BMVCI，获得了在利用较少训练样本（100 个样本）的前提下，比基于卷积神经网络的裂纹检测方法更高的检测精度，同时，在利用大量训练样本（11775 个样本）的前提下，两种方法在混凝土结构裂缝检测中获得了相似的精度。

3 不同场景与目标的辨识方法

由于建筑的多样性，在针对不同场景或不同目标下的建筑损伤辨识方法也略有区别，主要存在两种方式：（1）局部建模或监测法，针对建筑的特殊或重要部位采用传感器、超声探伤、建模等方法对局部进行重点监测，以便受损后快速反应；（2）整体建模或监测法，主要针对非大型结构，对建筑物整体进行监测或建模，这有利于更准确地判定结构的健康状态，受损后也更快定位受损位置和受损情况。

如针对超高层建筑，因建筑结构复杂，范围广，Pan等人［31］通过局部监测的方法，先对超高层建筑受损跨梁进行识别，采用降低单元刚度的方法进行模拟，获得特种构件的受损规律，最后利用神经网络算法学习受损过程并体现受损原因，最后对整个建筑的全部跨梁进行损伤识别，判定结构的健康情况。该方法对大型建筑的重大安全隐患具有实际的工程意义。

整体建筑监测与损伤识别也已应用于实际工程中，如上文提到的数字孪生法就是典型的整体建筑监测与损伤识别法。Angjeliu 等人［32］开发了意大利米兰一座历史悠久的大教堂的数字孪生模型，如图5 所示，并成功地利用校准的数字孪生模型预测了现有的损伤，以模拟该结构在其生命周期内的演变，如图6 所示。这种模型能预测未来在极端负载下的性能，并指导维修和维护操作，对损伤定位和判定受损类型也具有重要意义。

图5 数字孪生模型Fig.5 Digital twin model

图6 模型损伤预测与性能分析Fig.6 Model damage prediction and performance analysis

4 国内对建筑损伤成因的探索

除了在地震作用下各类建筑会出现损伤，影响结构安全性，在其他荷载或非荷载作用下结构损伤成因也值得研究，以保证建筑在正常使用情况下的安全性，这对工程实际也具有重要意义。

李慧卿［33］针对郑徐及京沈客专CRTSⅢ型无砟轨道板在预制、铺设时混凝土出现的裂缝，分析了各类裂缝形成的原因和机理，并从原材料、配合比、施工工艺和过程控制等方面提出了防治裂缝的具体措施。

针对桥梁工程混凝土施工过程中，裂缝对于桥梁运营安全和耐久性的影响，王亚辉［34］对各种常见的桥梁工程混凝土裂缝产生原因进行了分析，针对结构特点、混凝土配制、浇筑施工、张拉等方面，提出了可靠的识别方法和措施，以达到桥梁运营的安全性和耐久性。

付威［35］重点从材料、温度、施工工艺和养护方面分析了混凝土裂缝的原因，探索市政桥梁施工混凝土裂缝的防治措施。

在目前的高速铁路隧道工程中，二次衬砌混凝土裂缝对铁路隧道的安全性和耐久性影响较大，汤建和［36］通过对混凝土裂缝产生的原因进行分析，提出相关的预防及整治措施，对铁路隧道二次衬砌裂缝预防和整治有较高的借鉴意义。

张文扩［37］针对水闸混凝土裂缝的成因进行分析，剖析其产生的规律，提出相应预防和处理措施，为水闸混凝土施工裂缝的防治提供参考。

王成［38］以大体积混凝土工程的施工为题，分析其裂缝的出现原因和裂缝的控制方法，由此优化大体积混凝土的各项性能，最终控制好工程的整体质量。

为避免混凝土开裂所造成的相应质量问题，史寻刚［39］从混凝土裂缝产生原因和防治方法角度，对房建工程控制混凝土裂缝进行分析。

董世明等［40］介绍了地下室剪力墙的重要性，分析了地下室剪力墙裂缝的种类和产生的原因，并给出了裂缝控制措施，以减少和避免裂缝的产生，确保工程质量。

郭国华［41］在第一段地下室外墙浇筑完成后进行裂缝观察，发现不同程度的开裂，在进行原因分析之后，采取了一定的防治措施和现有裂缝的修补措施。按照此方案执行之后，结果显示：后期裂，缝减少约83%，对地下室外墙裂缝、渗水的控制起到了很好的作用。

李小强［42］对我国现代高速公路混凝土常见裂缝进行分析，并且剖析了现代高速公路混凝土常见裂缝出现的原因，重点就现代高速公路混凝土裂缝防治措施以及常见混凝土裂缝防治方法展开探讨。

吴志强［43］介绍了混凝土裂缝的类型，分析了塑性裂缝、温度裂缝、沉降裂缝、基岩约束裂缝的产生原因，主要从控制原材料与改善施工工艺两方面论述了裂缝的控制措施，为混凝土裂缝的防治提供了参考。

针对隧道二衬混凝土裂缝病害在众多的隧道施工项目中成为极为普遍的现象，陈诚［44］等结合湖北恩来恩黔高速公路大茅坡隧道施工中产生二衬裂缝的情况，通过现场调查、分析总结、建模计算，制定了处理措施，为隧道二衬裂缝治理提供了安全保障。

5 结语

本文梳理了建筑损伤识别的各类方法和损伤成因的探索。建筑损伤识别方法主要可以分为两大类，第一类是需要布置传感器的数据驱动方法，第二类是使用模型来分析有关结构的信息，其中又分为两种操作方法，其一是通过真实建筑建模获取初始数据，并与受损后数据进行对比的方法，其二是通过图像识别技术，利用深度学习对损伤进行判定。这些方法均可以在一定程度上识别出损伤并判定其严重程度，也是目前研究较为深入的几类建筑损伤识别方法。而对于损伤成因，需根据不同的实际受力工况及施工方法，针对性地进行损伤成因研究。