严来章

(中铁二十四局集团安徽工程有限公司,安徽 合肥 230011)

预应力混凝土具有强度高、自重小、耐疲劳等优点,被广泛应用于桥梁、建筑等土木工程结构中[1-2]。我国新建桥梁中的95%以上为预应力混凝土桥梁,其中绝大部分是后张有黏结预应力混凝土桥梁。后张有黏结预应力桥梁施工的重要程序之一是管道灌浆,灌浆料不仅能保护预应力筋不受外界环境腐蚀,而且能使预应力在结构中分布均匀。管道灌浆不密实导致预应力筋发生严重锈蚀与桥梁垮塌事故[3],如图1所示。图1a所示为塑料管道灌浆缺陷,图1b所示为金属管道灌浆缺陷,图1c所示为英国Ynys-y-Gwas桥垮塌事故现场。预应力管道的灌浆质量直接影响桥梁的安全性和耐久性,近几十年来,国内外预应力管道灌浆不密实导致的桥梁坍塌事件时有发生,既有桥梁的运维成本逐年攀升,因此对预应力管道灌浆密实度进行准确地检测十分必要[4-6]。

图1 灌浆缺陷导致的预应力筋腐蚀与桥梁垮塌事故现场

目前应用于预应力管道灌浆密实度检测的方法主要有冲击回波法[7-8]、地质雷达法[9-10]、超声波法[6,11-13]。其中应用最为广泛的方法是冲击回波法,但该方法应用低频波导致分辨率很低、难以检测双层预应力管道以及塑料管道。金属对电磁波的屏蔽效应导致探地雷达法只适用于塑料预应力管道的检测,且其检测结果易受结构内部钢筋网的影响。传统超声波法检测预应力管道灌浆密实度分为超声透射法和超声回波法。超声透射法在实际检测中有时难以实现需要2个工作面的条件;超声回波法存在超声传播路径长、信噪比低等问题。锆钛酸铅压电陶瓷(PZT)具有频带宽、价格低、功耗低、易裁剪等优点,使得基于PZT的超声波方法在结构无损检测和健康监测领域被广泛研究与应用[14-16]。

在利用PZT超声波检测预应力管道灌浆密实度的研究中,文献[17]以埋入式PZT换能器作为驱动器、黏贴式PZT换能器作为传感器监测预应力管道某一横截面上的灌浆全过程,实验设计0灌浆、50%灌浆、90%灌浆以及灌浆密实4种工况,结果表明超声信号能量可以较好地反映管道灌浆过程中的密实度情况; 文献[18]利用有限元数值模拟分析PZT超声监测预应力管道灌浆的有效性,模拟结果与实验很好地吻合,验证了该方法的可行性; 文献[19]为适应预应力筋的形状,将PZT环作为超声驱动器,采用时反法分析超声信号,实验结果表明预应力管道的灌浆工况可以采用时反聚焦信号峰值有效评估。综上所述,目前的相关研究主要针对预应力管道某一截面的灌浆过程进行监测,检测范围较小。

本文研究沿管道纵向布置PZT换能器进行超声波激励和接收,提出基于超声信号时频分析和深度学习的密实度检测方法,旨在实现预应力管道更大范围、更高精度的密实度检测。考虑到实验室实验通常只能研究较少的灌浆缺陷工况,本文通过预应力管道的有限元数值模拟,探究不同程度的部分灌浆和空洞缺陷工况的超声波场,验证所提出的预应力管道灌浆密实度检测方法的可行性和有效性。

1 密实度检测方法

桥梁结构预应力管道灌浆不密实的情况如下:灌浆料泄漏及缺少稳压过程引起的部分灌浆、灌浆料泌水导致的空洞、管道堵塞造成的整段无灌浆料。因为实际预应力管道灌浆缺陷尺寸和位置的多样性与不确定性,采用预埋PZT换能器采集的超声波在时域内的幅值交叠,难以直观地对灌浆工况进行识别和评估,所以本文提出基于超声信号时频分析和深度学习的密实度检测方法,如图2所示。利用小波包变换对超声信号进行时频分析能够得到不同灌浆工况下超声信号的多尺度时频特征,卷积神经网络深度学习模型能够自动提取信号的时频特征,从而进行不同灌浆工况的分类评估。

图2 预应力管道灌浆密实度检测方法流程

1.1 小波包变换

超声信号通常是非平稳的,采用时频分析手段能够充分挖掘信号所包含的瞬态频率成分,从而更加准确地与结构的损伤模式(即灌浆缺陷)建立联系。小波包变换是由小波变换发展而来的,相较于小波变换,小波包变换在高频域和低频域都具有较高的分辨率,因此被广泛地应用于结构振动和超声信号分析[20-22]。

(1)

(2)

(3)

1.2 卷积神经网络

卷积神经网络是一种前馈型神经网络,是目前应用最广泛的深度学习网络架构,受自然界生物的认知机制启发而来。它利用卷积层和子采样层实现强大的特征提取功能,适用于语音识别、图像识别、图像分割,也被引入到机械、土木等工程领域的高维数据的处理[24-27]。深度卷积神经网络模型主要包括卷积层(Conv)、激活层(ReLU)、最大池化层(MP)、全连接层(FC)、批量归一化层(BN)和随机失活层(Dropout)等辅助层,有助于提高网络的学习性能、泛化能力和鲁棒性[28]。本文所建立的卷积神经网络模型结构如图3所示。

图3 卷积神经网络深度学习模型

卷积层采用一系列可学习的核与输入数据进行卷积运算,然后通过滑动输入的局部接受域生成特征映射。卷积层的运算过程如下:

(4)

激活层又称激活函数层,能够提高网络的非线性特性,常用的ReLU激活函数可以避免梯度扩散,并表现出良好的泛化能力,计算公式如下:

(5)

最大池化层对卷积层得到的输入特征图进行特征采样,降低数据维度,以提高模型的效率,防止过拟合。

最大池化层的运算规则如下:

(6)

其中:down(·)为最大下采样;s为步幅大小。

全连接层通常在多个卷积层和池化层之后使用,将学习到的特征映射为一个向量,然后进行分类,第l个全连接层的输出为:

xl=f(wlxl-1+bl)

(7)

批量归一化层用于解决训练过程中的内部协变量偏移问题,提高模型的泛化能力,若网络中某一层的输入数据为n维,即{x1,x2,…,xi,…,xn},则归一化的公式为:

(8)

随机失活层以一定的随机失活率p将相邻层的神经元断开,以减轻过拟合,其表达式为:

xl=rlxl-1

(9)

其中,rl为概率为p的伯努利分布。

Softmax分类层用于全连接层的特征向量分类,得到属于不同种类的概率分布情况。

2 数值模拟实验

利用ABAQUS有限元软件建立预应力管道在不同灌浆缺陷工况下的数值模型。为了与实际桥梁结构预应力的情况一致,数值模型采用高30 cm、宽30 cm的混凝土构件,内嵌直径10 cm、壁厚1 mm的金属波纹管,构件长度1.6 m,如图4所示。灌浆料、金属管道和C50混凝土材料的密度分别为2 000、1 380、2 549 kg/m3,弹性模量分别为15.8、2.7、34.5 GPa,泊松比分别为0.18、0.38、0.20。

图4 有限元模型网格划分

模型几何连续的部分均采用六面体单元,空洞缺陷处采用四面体单元。假定材料均为具有Rayleigh阻尼的均匀弹性介质,质量阻尼系数取α=0.01,β=1.5×10-7。采用有限元模拟波动效应时,网格尺寸不应过大,积分时间步长应根据激励信号的中心波长设置,网格尺寸和积分时间步长应满足下面两式,以保证计算的稳定性和精确性,即

l≤λmin/10

(10)

(11)

其中:l为允许的最大网格尺寸;λmin为最小波长;Δt为积分时间步长;fmax为信号的最大频率;lemin为最小网格尺寸;Cd为波速。根据上述条件,本文设置网格尺寸为4 mm,时间积分步长为0.5 μs,计算时长为3 ms。所建数值模型的网格划分情况如图4所示。

本文的研究重点在于不同灌浆缺陷工况下超声波场的分布,因此将PZT换能器简化为模型的节点,用等效位移的形式代替PZT换能器的压电作用,通过节点位移的变化来反应不同灌浆缺陷工况对超声波传播的影响。本文激励信号采用汉宁窗调制的正弦信号,频率为50 kHz,周期为5,如图5所示。建立60%灌浆(C1)、80%灌浆(C2)、90%灌浆(C3)、驱动器附近4 cm空洞(C4)、中间4 cm空洞(C5)、传感器附近4 cm空洞(C6)、驱动器附近1 cm空洞(C7)、中间1 cm空洞(C8)、传感器附近1 cm空洞(C9)、100%灌浆(C10)共10种工况下的数值模型,观察不同灌浆缺陷工况下超声波场的分布情况,研究基于超声波的预应力管道灌浆密实度检测方法。不同灌浆工况及其传感器布置的示意图如图6所示。根据PZT换能器的工作性能以及文献[14-16]的报道,其在混凝土结构中的工作范围可以达到1～2 m。因此,本文的数值模拟灌浆试件中驱动器与传感器之间的距离设置为0.5 m。

图5 激励信号

图6 不同灌浆工况及其传感器布置示意图

3 结果分析与讨论

3.1 超声波场分布与时域波形

为了观察超声信号在预应力管道模型中的传播情况和波场分布规律,研究不同灌浆缺陷对超声信号的影响,提取不同灌浆工况的位移云图和传感器2接收到的位移、波形,如图7、图8所示。图7、图8的位移、波形中添加了10%的白噪声,从而更加准确地模拟实测数据。

图7 不同灌浆工况声场位移云图

由图7、图8可知,当时间步为400 μs时,超声信号沿着灌浆料、波纹管和混凝土介质传播,已到达距离驱动器较远的模型边界,并出现了反射现象。灌浆缺陷不同程度地改变了超声信号的传播路径和波长分布,导致传感器接收到的信号强度发生改变。整体而言,传感器2接收到的信号能量随着灌浆密实度的增加而增强,100%灌浆密实工况的信号能量最高,空洞缺陷工况次之,部分灌浆工况能量较弱。C1～C3工况的超声波场强度随着灌浆程度的降低而降低,且由于管道上部与灌浆料之间存有空隙,超声信号主要在灌浆料内部传播,管道上分布的波场强度较低,波场分布呈现明显的不对称特性。但是,管道内部空洞缺陷的大小和位置对超声波场的能量分布影响比较复杂,空洞距离传感器越近,或者空洞尺寸越大,传感器接收的超声信号能量越低,其中C5、C6、C8、C9工况的超声信号能量与C2、C3工况的超声信号能量相当,时域波形的幅值呈现明显的混叠现象。因此,难以利用时域波形的能量和幅值对预应力管道沿纵向长距离范围内进行不同灌浆缺陷工况的识别。

3.2 超声信号时频分析与灌浆工况识别

采用小波包变换对具有非平稳特性的超声信号进行时频分析,得到不同灌浆缺陷工况下超声信号的多尺度时频特征。

以时域幅值和能量相当的C2、C6工况为例,经过4层小波包分解,这2种工况前8个小波包分量如图9、图10所示。

图9 C2工况超声信号小波包分量

图10 C6工况超声信号小波包分量

从图9、图10可以看出,它们在各尺度的小波包分量表现出不同程度的差别,大大提高了超声信号的辨识度,可以作为灌浆工况识别的依据。

为了更加准确地对不同的灌浆工况进行识别,建立卷积神经网络深度学习模型(图3),直接对小波包系数矩阵进行缺陷特征提取和灌浆工况分类评估。通过改变随机白噪声的幅值(5%～50%),每种灌浆工况获得300个数据,获得包含3 000个数据的总数据集,并按照7∶1∶2的比例划分训练集、验证集和测试集。卷积神经网络深度学习模型的输入为16×2 000的矩阵,各层卷积核的大小和数量见表1所列。

表1 卷积神经网络模型结构设置

训练方法采用自适应矩估计算法,采用网格搜索算法优化超参数,最终得到初始学习率为0.001(每5个训练轮次后,学习率降低20%),随机丢弃率为0.5,批量数为32,训练轮次为216。

模型参数的训练过程如图11所示。从图11可以看出,模型损失函数值在经过20轮次的学习后迅速降低,最终到达稳定。模型测试的平均正确率达到94.0%,测试结果的混淆矩阵如图12所示。研究结果表明,将小波包分量的系数矩阵作为输入的卷积神经网络深度学习模型能够有效地识别出不同灌浆工况,解决了不同工况之间时域信号能量混叠的问题,对灌浆缺陷的分类识别具有更高的准确率。

图11 卷积神经网络模型训练过程

图12 灌浆工况识别混淆矩阵

4 结 论

现有的利用PZT超声波进行预应力管道灌浆密实度检测的研究仅关注个别截面,检测范围较小,对不同类型灌浆缺陷的影响关注较少,无法满足实际工程中预应力管道的检测需求。本文通过有限元数值分析,研究不同程度的部分灌浆和不同尺寸、位置的空洞缺陷等10种(C1～C10)灌浆工况的波场分布复杂、超声信号的时域幅值交叠,提出基于超声信号深度学习的预应力管道灌浆密实度检测方法。作为预处理,利用小波包变换算法对超声信号进行多尺度时频分析,增强不同灌浆工况超声信号的辨识度,然后建立卷积神经网络深度学习模型,自动提取灌浆缺陷相关的时频特征,实现不同灌浆工况的分类评估。结果表明,以超声信号小波包分量的系数矩阵作为输入的卷积神经网络模型能够准确地识别出不同类型的灌浆缺陷,验证了本文所提出的预应力管道灌浆密实度检测方法的可行性和有效性。该方法可应用于桥梁关键构件预应力管道多排布置、弯起位置等部位的密实度精准检测。