【技术实现步骤摘要】
本专利技术涉及钢筋混凝土结构界面脱粘检测领域，特别涉及一种基于先验知识学习的钢筋混凝土界面脱粘检测方法。
技术介绍
1、钢筋混凝土在桥梁建筑以及各种结构设计中发挥着不可或缺的作用，其重要性毋庸置疑。然而，由于荷载和环境因素的影响，钢筋混凝土不可避免地会受到结构损伤，其中界面脱粘问题尤为严重。界面脱粘是指钢筋与混凝土之间的粘合力下降，使得它们无法协同工作，从而显著降低了结构的整体性能。这种现象不仅会降低材料的强度，还可能引发更严重的破坏，为整体结构带来潜在的安全风险。为了确保钢筋混凝土的长期稳定性和安全性，结构健康监测领域对此问题进行了深入研究，并将界面脱粘问题视为其研究的焦点。
2、在多种技术中，基于智能材料压电陶瓷(pzt)的应用已经获得众多研究者的关注。由于智能压电陶瓷所固有的压电效应，它可以被附着在结构内部形成结构健康检测网络，其机电耦合特性使其可以在网络中既可充当激励器又可作为传感器。并且，与其搭配的波传播(wave propagation)技术由于具有对边界条件的高度敏感性，基于智能压电陶瓷的波传播技术被视为研究钢筋混凝土界面脱粘问题的有力工具。目前，已有的方法包括：基于混凝土在不同激励频率下的波动响应来判断结构内部的脱粘类型；使用表面粘贴式pzt和预埋式pzt构成的感应监测网络确定界面损伤的大小；基于波传播信号的统计特征建立键合劣化指数以描述键合完整性；基于波传播频散特征，利用群速度的差异表征界面脱粘的长度；以及基于界面呼吸效应分析波导的非线性特性，来定位界面脱粘。
3、尽管现有的技术在实验室
技术实现思路
1、本专利技术的目的是提供一种基于先验知识学习的钢筋混凝土界面脱粘检测方法，该方法利用附着在待检测结构上的与检测装置连接的分布式pzt系统信息源实现了待检测结构全截面的应力波诊断，检测装置以数据科学作为理论基础，基于深度学习理论中先验知识学习的思想，构建能够自动提取导波信号中的损伤敏感特征的人工神经网络，实现不依赖于人工特征提取的稳定、实时地进行钢筋混凝土界面脱粘检测。
2、实现本专利技术目的的技术方案是：本专利技术包括以下步骤：
3、step1:构建多个带有不同脱粘状态的钢筋混泥土作为构建信号分析的源结构；各源结构上设有用于收集导波信号并与检测装置连接的分布式pzt系统信息源；其中各源结构的脱粘状态为已知；通过检测装置进行波传播获得各个源结构的导波信号，同时记录各个源结构的脱粘状态，将导波信号和与之对应的脱粘状态组合为数据对，通过多个数据对形成原始数据集；
4、step2:对上一步中形成原始数据集进行先验知识数据增强；所述先验知识数据增强是在原始数据集中各个源结构的导波信号形成的数据集中随机附加小于原信号幅值5％内的，用以增加各个源结构的导波信号形成的数据集内关于导波信号有效特征和无效特征的区分信息的高斯白噪声；通过上述先验知识数据增强后获得一个包含先验知识的数据集；
5、step 3:对所述包含先验知识的数据集进行基于连续小波变换的时频域信息提取，所述连续小波变换的计算公式为：
6、
7、其中，f(t)代表导波信号，f(t)∈l2(r)；wf(μ,τ)代表导波信号在空间尺度μ和时间尺度τ下的变换结果；代表小波基函数的共轭；f(ω)代表导波信号的傅里叶变换；ψμ,τ(ω)代表小波基函数的傅里叶变换；
8、通过上述连续小波变换，将包含先验知识的数据集内导波信号转换为用于后续的深度学习网络进行特征提取和分析的二维频域导波信号，并形成包含二维频域导波信号的数据集；
9、step4：构建基于先验知识学习的深度学习网络，并使用所构建的包含二维频域导波信号的数据集对深度学习网络进行训练；所述深度学习网络通过以下公式对包含二维频域导波信号的数据集进行特征学习和自身的参数优化：
10、
11、其中，lce(·)代表分类任务的损失函数，一般使用交叉熵函数；xs,ys分别代表源结构导波信号和其对应的结构脱粘状态；es代表特征提取网络；ps代表结果预测网络；k代表脱粘状态的总数；k代表一种脱粘状态；
12、通过上述特征学习和自身的参数优化，获得一个具有特征提取和结果预测功能的深度学习网络；
13、step5：将在step4中获得的深度学习网络用于待检测结构导波信号的脱粘诊断；所述待检测结构上附着有与检测装置连接的分布式pzt系统信息源。
14、进一步，上述step3步骤中：所述连续小波变换的小波基函数使用在时频域上均与导波信号具有相关性的morlet小波。
15、进一步，上述step3步骤中：所述导波信号的连续小波变换频谱通过编写python脚本调整输出频谱的尺度为同一量级以适应深度学习网络的特征分析。
16、进一步，上述step4步骤中：深度学习网络的特征提取网络采用适配使用二维卷积核的卷积神经网络骨架层的卷积神经网络架构；深度学习网络的结果预测网络采用利用全连接层进行特征分析和结果输出的全连接网络架构。
17、进一步，上述深度学习网络的训练是按照有监督学习方法，基于反向传播和梯度下降法最小化损失函数，使源模型充分学习到源结构数据的空间分布和映射关系。
18、本专利技术具有积极的效果：本专利技术不再依赖于导波信号特征的人工分析，而是基于数据科学从宏观的信号整体分布情况通过数据空间之间的非线性映射来寻找不同数据分布之间的普适性特征。通过本专利技术所述方法，脱粘检测方法可以在实施过程中自动实施信号特征提取，由于进行了环境噪声的先验知识注入，对对分析结构环境参数的敏感性减弱，提高了脱粘检测方法在实际工程中应用的可行性，工程应用前景广泛。
本文档来自技高网...【技术保护点】
1.一种基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述Step3步骤中：所述连续小波变换的小波基函数使用在时频域上均与导波信号具有相关性的Morlet小波。
3.根据权利要求2所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述Step3步骤中：所述导波信号的连续小波变换频谱通过编写Python脚本调整输出频谱的尺度为同一量级以适应深度学习网络的特征分析。
4.根据权利要求1所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述Step4步骤中：深度学习网络的特征提取网络采用适配使用二维卷积核的卷积神经网络骨架层的卷积神经网络架构；深度学习网络的结果预测网络采用利用全连接层进行特征分析和结果输出的全连接网络架构。
5.根据权利要求1所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述深度学习网络的训练是按照有监督学习方法，基于反向传播和梯度下降法最小化损失函数，使源模型充分学习
...【技术特征摘要】
1.一种基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述step3步骤中：所述连续小波变换的小波基函数使用在时频域上均与导波信号具有相关性的morlet小波。
3.根据权利要求2所述的基于先验知识学习的钢筋混凝土界面脱粘检测方法，其特征在于：所述step3步骤中：所述导波信号的连续小波变换频谱通过编写python脚本调整输出频谱的尺度为同一量级以适应深度学习网络的特征分析。
【专利技术属性】
技术研发人员：乔丕忠，廖智威，王翔宇，陈安，徐德强，
申请(专利权)人：常州中碳建筑产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。