基于数字图像的桥梁用Q345qD钢疲劳性能试验研究*

王昌将 马芹纲 张玉玲,2,3 李金波 杨云涛 张 楠 谢爱华 高占军 张贤卿

(1.浙江数智交院科技股份有限公司, 杭州 310030; 2.中国铁道科学研究院集团有限公司, 北京 100081; 3.浙江树人大学, 杭州 310015; 4.北京交通大学, 北京 100044; 5.中铁第五勘察设计院集团有限公司, 北京 102600)

0 引 言

近年来国内钢桥、钢-混组合梁桥等钢结构桥梁的发展势头良好。作为保障运营桥梁安全耐久的重要措施之一,深入开展钢桥疲劳状态评估研究至关重要。

传统对既有钢桥进行疲劳评估时,需要预先在现场疲劳敏感部位布设应变片或钢弦应变计测点,将一定时段内动态电测车辆通过时的应变历程作为真实荷载历程的评估依据;调研早期发生的运营历史,分阶段归类并设定一些条件对应变历程进行等效重复应力估算,最后与相应构造细节的疲劳S-N曲线对比进行评估。该方法从理论上是严谨的,但在实施过程中存在诸多的不确定性,导致评估结果与真实情况差距较大。

为此,国内外学者从不同角度对评估方法的细化开展研究。针对钢材进行了疲劳裂纹扩展速率和疲劳扩展门槛值试验[1-2];针对正交异性钢桥面板进行疲劳扩展数值模拟和寿命估算[3-7];研究概率S-N曲线和ε-N曲线的预期统计扩展变化[8];针对疲劳损伤,研究钢桥振型模态曲率差突变点、疲劳寿命概率分布的前四阶统计矩、模态识别振动测量值等识别特征[9-11];构建寿命预测模型[12-13]等。

与此同时,借助三维数字图像(3D-DIC)和数据远程传输等先进技术,将非接触式全场应变测量功能应用于疲劳监测和评估的研究日益得到重视,成为近年疲劳评估研究的热点[14]。学者们应用三维数字图像技术进行疲劳裂缝尖端区位移应变场研究[15-18],扩充了理论储备;对多种金属及合金材料[19-23]、焊接接头[24-27]的疲劳开裂行为进行研究,并将成果应用于机械设计、航空航天、材料制造等领域。在钢桥疲劳裂纹监测方面,开展了基于计算机视觉技术的裂纹定位与识别,通过提取实际裂纹图像,并引入深度学习结构损伤状态识别模式的神经网络系统来开展研究[28]。

本文基于三维数字图像技术(3D-DIC),研究数字图像在疲劳评估中的应用,一方面避开对早期已发生疲劳损伤的估算过程,解决疲劳历史的不确定性问题;另一方面,也免去光学监测图像与疲劳裂纹图像的比对,通过试验研究应变图像随疲劳过程的变化规律,探索在出现肉眼可见裂纹之前捕捉到疲劳异常信息的可行性,研究数字图像在疲劳评估中的应用方法和应用效果。

1 数字图像测量数据的提取方法

1.1 试件准备

试件采用Q345qD钢,板厚14 mm,试验测试段板宽76 mm,分别加工成母材试件和对接焊缝试件,保留焊缝余高。为便于后期疲劳裂纹的观测,在试件中部加工0.18 mm缺口。试件尺寸见图1。

a—母材尺寸; b—焊接试件尺寸。

1.2 疲劳试验与数字图像的同步测量

疲劳试验采用500 kN液压伺服疲劳试验机,对试件进行常规S-N曲线测试。为消除试验机的夹持误差,试验最小加载10 kN,进行拉-拉疲劳试验,试验加载频率5 Hz。为保证试验过程的安全,同时考虑对各试件疲劳破坏计数标准的一致性,预设试验机限位3 mm。当试件产生裂纹、试件竖向位移达到预设限位时试验自动停止,并记录疲劳破坏次数。在整个疲劳试验过程中,采用ARAMIS三维光学测量系统,对预先喷制于试件测试部位的黑白散斑进行数字图像同步测量。现场照片见图2。

疲劳试验过程中同步测量的应变云图数字图像见图3。

图3 同步测量的应变云图数字图像 %

1.3 图像有效数据的提取

根据前期研究成果[29],数字图像应用于疲劳评估的最佳数据是应变等值云图上的最大应变,亦即图3所示测量应变云图画面右侧图标的最高点数值,见图4。

图4 数字图像测量的有效数据采集

尽管每根试件所获取如图3所示的图像有数千张,只要采用如图4所示的截取图标方法,可大大节省存储和传输资源。但此时它还是以图像形式出现的,需要解决识别的问题,从而替代手工誊写步骤。为此专门研究编制了自动剪裁、识别和处理程序。具体工作流程见图5。

图5 基于疲劳过程的应变数据采集流程

2 疲劳试验结果和数据分析处理

2.1 疲劳试验结果

共完成15根试件的疲劳试验,其中母材试件7根,对接焊缝试件8根。试验结果见表1。

表1 疲劳试验结果

由表1数据分别得到母材试件和对接焊缝试件的疲劳S-N拟合曲线方程,见式(1)。

(1)

式中:N为疲劳循环次数;Δσ为疲劳应力幅,MPa。

母材拟合曲线相关系数r=-0.954,标准差s=0.156,σ0(2×106)=91.144 MPa;焊缝拟合曲线相关系数r=-0.974,标准差s= 0.147,σ0(2×106)=117.222 MPa。取97.7%保证率,疲劳S-N曲线方程见式(2)。

(2)

将表1试验结果和回归曲线绘于图6。图中,母材试件的疲劳性能低于对接焊缝,这是由于尽管两种试件中部都有预制裂纹,但由于焊缝试件存在余高,最后并未在预制裂纹处破坏,而是在焊趾部位破坏,即预制裂纹对焊缝试件没有影响,疲劳试验结果即为焊缝构造的结果;母材试件则是预制有严重应力集中的缺陷,导致疲劳性能相对较低。

2.2 应变随疲劳次数变化的形态特征

在疲劳试验不停机状态下,光学DIC系统全程跟踪疲劳试件,对获取的每张散斑应变云图上采集最大应变值,得到不同疲劳循环次数N时的光学应变εmax实测数据。因不同加载吨位试件的变化形态大体一致,取其中1根母材试件(编号1-7)和1根对接焊缝试件(编号2-7),将实测数据绘制形成εmax-N折线图,见图7。

a—母材试件1-7; b—焊接试件2-7。

观察图7发现:实测应变数据在疲劳损伤前期和中期,光学最大应变基本处于低应变的状态;到疲劳损伤后期(母材24万次、焊缝65万次,各自约占破坏次数70%),光学应变数据有明显增大的倾向,尤其到接近破坏(母材32万次、焊缝80万次,各自约占破坏次数90%)时呈急剧上升趋势。根据试验过程的目测验证,当裂纹长度达到1 mm肉眼可见时,相应循环次数与破坏次数之比为91.2%。对比光学应变数据和肉眼可见裂纹的疲劳时段占比结果,可初步判断,光学应变图像测量方法具备比肉眼可见裂纹更早发现疲劳异常的条件。

2.3 实测应变数据拟合曲线研究

进一步考察图7,实测应变随疲劳次数所呈现的变化趋势具有指数函数特征。经调试,发现采用幂指数函数对实测数据进行回归,所得拟合函数的相关系数相对均匀。故选定幂指数函数对实测数据进行拟合。拟合函数形式见式(3)。

(3)

式中:ε为实测最大应变,%;a为表征测量数据整体竖坐标基线的参数;b为反映拟合曲线的斜率因素;c为表征拟合曲线的收敛性;d为表征疲劳损伤开始进入快速发展阶段的起弯点参数;N为对应各阶段的疲劳循环次数,万次。

各试件实测数据回归方程参数和相关系数R2见表2,其中试件2-8在超过200万次后未进行光学采集,故不列入。

表2 实测应变回归方程参数

将表2各试件数据绘制形成回归曲线,见图8。发现:以式(3)作为光学应变测量数据回归方程母体函数,拟合得到的母材和对接焊缝各试件不同加载幅值下的实测应变随疲劳循环次数的回归曲线,基本在循环占比达到90%时达到可识别的条件,其中焊缝试件尤为明显,见图8b。这对于早期发现疲劳异常的愿望来说是不理想的。

a—母材试件;b—焊接试件。

2.4 优化数据提取方案

进一步观察图7所示的实测数据,发现除了存在到疲劳损伤后期应变数据有较明显增大的倾向之外,还有应变数据线逐渐加宽的特征。经考察,应变数据线宽度反映的是疲劳加载幅值的变化。而其中加载谷值线(数据线的下包络线)随疲劳次数增加的变化,又滞后于加载峰值线(数据线的上包络线)。从该特征得到启发:如果在数据提取时,只取实测数据的上包络线,则有望获得对疲劳早期损伤更为敏感的变化曲线。

对各试件实测图像数据按照上述优化方案重新提取,其中除试件2-6由于采样数据很少,无法形成上包络线而舍弃外, 其余数据优化后的回归方程参数见表3。

表3 优化后回归方程参数

观察表3可见,有几根试件拟合的相关系数较低。分析原因,是由于光学采集的原始数据有缺漏、或者散斑质量不佳使得所采集数据出现异常点所致。但这不影响本次作为研究方法的探讨。

将表3各试件数据绘制形成回归曲线,见图9。

a—母材试件; b—对接焊缝试件。

对比分析图9和图8可知:优化后的实测数据,只要是采样数据正常,都存在疲劳初始阶段的应变值升高、曲线起弯点提前的现象,表明其具备更早发现疲劳异常的条件,可为有效开展疲劳评估奠定基础。

3 应变曲线与S-N曲线融合的疲劳性能分析

3.1 实测应变拟合曲线与疲劳S-N曲线的关系

如前所述,由每根试件在各自加载等级下的破坏次数得到1个数据点,对相同类型试件的所有数据点进行回归得到1条疲劳S-N曲线,表征了相应构造细节的疲劳性能。而每根试件本身能够得到1条应变拟合曲线,因此可得到所有试验点的应变拟合曲线群,其所给出的是疲劳S-N曲线上各个试验点源的细化信息。亦即,应变拟合曲线是疲劳S-N曲线信息的补充,二者属于同一体系,见图10。

图10 疲劳S-N曲线与应变曲线为同一体系

与传统疲劳S-N曲线试验方法相比,上述伴随疲劳试验进行数字图像测量的方法能够得到应变随疲劳试验全过程的变化规律,满足了在出现肉眼可见裂纹之前捕捉到疲劳异常信息的工程需求,是S-N曲线疲劳试验方法的细化测量,弥补了传统方法对疲劳历史评估存在不确定性的不足。

3.2 应变曲线与S-N曲线融合研究思路

根据上述应变拟合曲线是疲劳S-N曲线信息的补充、属于同一体系的特点,可通过二者的融合,来考察构造细节在出现肉眼可见裂纹之前的疲劳性能状态,为后期开展在更早时段识别疲劳损伤异常的研究提供数据支撑。

3.3 融合S-N曲线的应变曲线表达式

为便于讨论,需要在相同构造细节疲劳性能体系中找到一个能够表述疲劳荷载等级与循环次数关系的计算式,以掌握疲劳任意时段的应变状态。参考类似问题解决分析方法[30-32],对试件的个性特征进行归一化处理,形成指定构造细节疲劳任意时段的荷载等级与循环次数关系的计算通式。

将母材和焊缝试件数据分别整理。在各试件应变拟合曲线(式(3)和表3参数)的基础上,与相应构造细节疲劳S-N曲线(式(1))相融合,将其中横坐标N变换为N′,纵坐标ε变换为ε′,形成归一到相应构造细节的S-N曲线上,见式(4)。

(4a)

(4b)

式中:N′、ε′为计算通式算子;N、ε分别为疲劳循环次数和相应的光学应变实测数据;Nmax为疲劳寿命;m,A为疲劳S-N曲线方程的回归参数。

式(4)的物理意义是,对于不同试件的应变曲线,只有当疲劳破坏时,才是所属疲劳构造细节S-N曲线上的点,故将其他循环过程的次数均与该点建立联系,如式(4a)所示;而在应变曲线上的各个疲劳过程的应变中,疲劳前期的稳定应变才是相应S-N曲线上得到疲劳寿命的等幅应变,故由实测S-N曲线方程,求得与试件疲劳寿命相对应的应变,并与应变曲线上疲劳过程中的应变建立联系,如式(4b)所示。此处S-N方程取50%保证率。

分别将表3母材和焊缝数据源中的应变和循环次数代入式(4),得到融合S-N曲线后的测量数据,见图11。可以看出:应变测点经与S-N曲线相融合后,不同加载水平试件的试验数据呈现出明显的统一性。

将图11数据进行回归,得到的回归方程见式(5),相应回归曲线见图12。

(5)

观察图12可知,母材和焊缝构造均可在疲劳寿命的70%附近呈现上升趋势,其中母材构造能够更早一些。

4 疲劳性能及其应用思路

4.1 基于数字图像的疲劳性能ε-N′通式

(6)

式中:εB、εW分别为母材和焊缝构造在疲劳损伤过程中的应变,%;S为构造细节所承受的疲劳应力幅,MPa;(Nmax,S)为相应构造细节S-N曲线上的点。

在已知构造细节及其S-N曲线,并经数字图像测量得到应变数据情况下,首先通过如图7所示的实测应变折线图宽度得到构造细节所承受的应变幅和应力幅,从而确定S-N曲线中的“S”,之后按照2.4节介绍的提取上包络线的优化方法得到实测应变,对所处疲劳损伤时段进行估算。

4.2 应用ε-N′通式进行疲劳分析的意义

研究基于数字图像疲劳性能的意义,就是可将疲劳S-N曲线上由“线”控制等效应力,延伸到由线上“点”的ε-N′通式控制疲劳过程的应变。

ε-N′通式源于疲劳试验全过程的应变历程,是与相同构造细节S-N曲线固有疲劳损伤特征的进一步体现。利用该特征对疲劳损伤进行识别,可为开展疲劳评估提供新的途径。

4.3 应用说明

本次试验研究中,疲劳荷载为单向加载,因此同步光学测量后采用了直接提取竖向应变值参数的设置。在实际工程复杂受力情况下,无论材料处于塑性状态还是弹性状态,影响疲劳裂纹产生的主要原因是主应变大小和方向。前者在参数设置时可采用直接提取主应变的选项,提取最大主应变;后者体现在所发生疲劳裂纹的走向,不影响本方法的使用。

5 结束语

1)提出对ARAMIS三维数字图像动态采集应变进行识别和处理的自动化方法,为数字图像应用于疲劳研究打下基础。

2)根据数字图像测量εmax-N循环次数曲线,得到在整个疲劳损伤过程中,构造细节最大应变呈前期平稳、中后期逐渐增大、最后急剧上升的指数函数特征,且趋势线伴随疲劳加载的往复具有一定的宽度。

3)提取疲劳加载峰值点数据,则可在大约70%寿命或者更早时段出现应变明显上升的变化。

4)提出应变曲线与S-N曲线相融合的ε-N′计算通式。将相同构造细节疲劳S-N曲线上由“线”控制等效应力幅,拓展到由线上“点”的ε-N′通式控制疲劳过程的应变幅,体现出疲劳构造细节固有的损伤特征。据此可为开展疲劳评估研究提供新的途径。