一种基于声发射特征参数聚类分析的UHPC拉剪裂纹判别方法技术

本发明专利技术公开了一种基于声发射特征参数聚类分析的UHPC拉剪裂纹判别方法，首先利用声发射同步监测UHPC损伤断裂过程，得到声发射特征参数，根据特征参数计算出RA值和AF值构建无标记数据集。其次，利用高斯混合模型聚类算法计算每一个样本点由不同簇生成的概率，多次迭代得到更新簇的概率直至高斯收敛，将每个样本划分到概率最大的簇中，得到两个聚类簇，并标记样本点数据；将标记后的样本数据集以RA值为x轴，AF值为y轴的形式展现，利用支持向量机算法，求得分割两个聚类簇的最佳线性分界线，通过该线性分界线划分拉伸和剪切裂纹。本发明专利技术所提方法原理明晰，过程简单易行、相比现有拉剪裂纹分类技术更具有客观性与普适性。裂纹分类技术更具有客观性与普适性。裂纹分类技术更具有客观性与普适性。

【技术实现步骤摘要】
一种基于声发射特征参数聚类分析的UHPC拉剪裂纹判别方法


[0001]本专利技术属于超高性能混凝土(UHPC)裂纹扩展监测
，具体涉及一种基于声发射特征参数聚类分析的UHPC破裂拉剪裂纹判别方法。

技术介绍

[0002]服役过程中UHPC构件可能经受地震、冲击等复杂外荷载的作用,造成内部微裂纹的萌生和扩展,发展成为宏观大裂纹贯通，降低材料的耐久性能，UHPC损坏破坏产生的裂纹类型主要可分为拉伸裂纹和剪切裂纹。声发射(Acoustic Emission,AE)作为一种无损监测技术，具有实时性好，数据量大等优点，且能够准确捕捉内部裂纹扩展时，局部能量快速释放产生的瞬时弹性波。已有研究表明不同的裂纹类型对应不同的声发射信号特征，基于声发射技术识别UHPC裂纹类型的方法有：参数判别法，通过平均频率(AF)与仰角余切(RA)的比值大小进行判别，高AF值低RA值为拉伸型，低AF值高RA值为剪切型，但比值不确定，主观因素会降低分类的可靠性。SIGMA矩张量分析法，分析方法复杂，要求布置多个传感器，实际应用受限。基于机器学习的聚类算法，每个聚类簇是存在交叉的，无法确定出一条将两种裂纹明确分割开的分界线，如果没有适当的方法将聚类簇交叉部分准确分开，就无法得到反映破坏状态的拉剪裂纹占比。
[0003]通过声发射特征参数计算得到AF值和RA值构建数据集，利用高斯混合模型(GMM)聚类算法对该数据集进行聚类，将数据集分为两个簇，分别代表拉伸型和剪切型，最后通过支持向量机(SVM)算法寻找最佳分界线，分离存在交叉的两个聚类簇，实现UHPC损伤过程中拉剪裂纹的有效判别及分类。

技术实现思路

[0004]本专利技术为了克服上述基于声发射的拉剪裂纹识别方法的不足，提供一种基于声发射特征参数聚类分析的UHPC拉剪裂纹判别方法。该方法通过声发射技术采集UHPC损伤过程中的声发射特征参数，计算得到RA和AF值，通过使用GMM聚类算法将RA值和AF值构成的数据集分为两类，每一组RA值和AF值都对应一个裂纹类别，最后使用SVM算法寻找两类声发射信号参数值的最佳分界线。该方法减少了人工主观误差的影响，且操作简单，分类准确率高。
[0005]技术方案：为实现以上目的，本专利技术所述一种基于声发射特征参数聚类分析的UHPC破裂拉剪裂纹判别方法包括以下步骤：
[0006]步骤S1：采集UHPC破裂损伤过程中的声发射参数并计算RA值和AF值；
[0007]步骤S11：在UHPC力学试验过程中，收集声发射系统采集到的声发射参数，包括幅度、振铃计数、持续时间、能量、上升计数、上升时间等，RA值和AF值利用下式计算；
[0008]AF＝振铃计数/持续时间；
[0009]RA＝上升时间/幅值；
[0010]步骤S2：选定RA值和AF值构建初始数据集X，将RA值和AF值设定为高斯混合模型聚类方法的两个参数，用GMM聚类算法计算每个参数属于不同裂纹类别的概率，多次迭代更新
参数属于拉伸簇和剪切簇的概率，直到高斯收敛，从而对RA值和AF值按类别进行标记。
[0011]步骤S3：根据步骤S2标记后的RA值和AF值，以RA值为x轴坐标，AF值为y轴坐标的形式展现，通过求解SVM决策超平面来明确分离存在交叉的拉伸簇和剪切簇，得到分类的最佳线性分界线方程，分界线的左上方是拉伸型裂纹，右下方是剪切型裂纹，使用该分界线判别拉伸型裂纹信号和剪切型裂纹信号。
[0012]进一步地，步骤S2的具体计算过程如下：
[0013]高斯混合模型是通过多个高斯分布进行加权和来组成的一个概率分布模型。定义步骤S2中由RA值和AF值构建的初始数据集X的高斯混合分布为：
[0014][0015]p(x|μ
i
,∑
i
)为一个高斯分布的概率密度函数，根据需判别的裂纹类别，即受拉和剪切两类，因此i取1或2。假设该RA值和AF值构建的初始数据集X的高斯混合分布共由2个混合成分组成，每个混合成分对应一个高斯分布。每个高斯分布都对应一个混合系数α
i
、均值向量μ
i
和协方差矩阵∑
i
，GMM算法可利用每个高斯分布的混合系数将数据集分为拉伸和剪切两类。将步骤S11得到的RA值和AF值构建初始数据集X中的向量x
j
＝[RA
j
AF
j
]。首先初始化GMM的混合系数α
i
、均值向量μ
i
和协方差矩阵∑
i
，其次计算每一个向量x
j
(j＝1,2,3,
…
m)属于第i个高斯分布的概率：
[0016][0017]再利用式(3)、式(4)、式(5)更新高斯混合分布的模型参数：
[0018]计算新均值向量：
[0019]计算新协方差矩阵：
[0020]计算新混合系数：
[0021]当迭代到达收敛的条件，高斯混合分布式(1)已知，高斯混合聚类将把样本集X划分为2类，每个向量x
j
的簇标记λ
j
，如下式(6)确定即将向量划分到所属概率最大的类别中：
[0022][0023]式中x
j
为RA值与AF值构建的数据集X中第j个向量，x
j
＝[RA
j
AF
j
]；m为RA值与AF值构建的数据集X中的向量总个数；i为裂纹的类别，取1或2，1代表拉伸裂纹，2代表剪切裂纹。
[0024]进一步地，步骤S3的具体内容包括：
[0025]构建拉剪裂纹分类数据集为T＝{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，其中，xj为RA值与AF值构建的数据集X中第j个向量，x
j
＝[RA
j
AF
j
]，j＝1,2,....,m，m是RA值与AF值所构成向量的总个数；y
j
为类标记，当它等于+1时为正例，等于
‑
1时为负例。
[0026]在样本空间中划分超平面可通过如下线性方程来描述：ω
T
x+b＝0,其中ω为法向量，决定超平面的方向；b为位移项，决定了超平面与原点的距离。
[0027]作为利用支持向量机寻找基于AF值和RA值的裂纹分类超平面，其中：包括引入松弛变量ξi，使下式最小化，以确定所需的ω、b：
[0028][0029]式中：松弛项ζ
j
≥0，用于修正数据因噪声而偏离同类点；C为惩罚参数，用于调节分类过程的置信范围和经验风险比例，当C趋近于很大时，表明分类严格不能有错误，容易出现较大的过拟合风险；当C趋近于很小时，表明有更大的错误容忍度。利用拉格朗日乘子法可将上述最优分类面问题转化为对偶问题
[0030]通过Langrange乘子法计算，得到上述式(7)的对偶形式：...

【技术保护点】

【技术特征摘要】
1.一种基于声发射特征参数聚类分析的UHPC破裂拉剪裂纹判别方法，其特征在于，包括以下步骤；步骤S1：采集UHPC破裂损伤过程中的声发射参数并计算RA值和AF值；步骤S11：在UHPC力学试验过程中，收集声发射系统采集到的声发射参数，包括幅度、振铃计数、持续时间、能量、上升计数、上升时间，RA值和AF值利用下式计算；AF＝振铃计数/持续时间；RA＝上升时间/幅值；步骤S2：选定RA值和AF值构建初始数据集X，将RA值和AF值设定为高斯混合模型聚类方法的两个参数，用GMM聚类算法计算每个参数属于不同裂纹类别的概率，多次迭代更新参数属于拉伸簇和剪切簇的概率，直到高斯收敛，从而对RA值和AF值按类别进行标记；步骤S3：根据步骤S2标记后的RA值和AF值，以RA值为x轴坐标，AF值为y轴坐标的形式展现，通过求解SVM决策超平面来明确分离存在交叉的拉伸簇和剪切簇，得到分类的最佳线性分界线方程，分界线的左上方是拉伸型裂纹，右下方是剪切型裂纹，使用该分界线判别拉伸型裂纹信号和剪切型裂纹信号。2.根据权利要求1所述的基于声发射特征参数聚类分析的UHPC拉剪裂纹判别方法，其特征在于，步骤S2的具体计算过程包括：定义步骤S2中由RA值和AF值构建的初始数据集X的高斯混合分布为：p(x|μ
i
,∑
i
)为一个高斯分布的概率密度函数，根据需判别的裂纹类别，即受拉和剪切两类，因此i取1或2；假设该RA值和AF值构建的初始数据集X的高斯混合分布共由2个混合成分组成，每个混合成分对应一个高斯分布；每个高斯分布都对应一个混合系数α
i
、均值向量μ
i
和协方差矩阵∑
i
，GMM算法可利用每个高斯分布的混合系数将数据集分为拉伸和剪切两类；将步骤S11得到的RA值和AF值构建初始数据集X中的向量x
j
＝[RA
j
AF
j
]；首先初始化GMM的混合系数α
i
、均值向量μ
i
和协方差矩阵∑
i
，其次计算每一个向量x
j
(j＝1,2,3,
…
m)属于第i个高斯分布的概率：再利用式(3)、式(4)、式(5)更新高斯混合分布的模型参数：计算新均值向量：计算新协方差矩阵：
计算新混合系数：当迭代到达收敛的条件，高斯混合分布式(1)已知，高斯混合聚类将把样...

【专利技术属性】
技术研发人员：焦峪波，房梦寒，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：