□□ 路淑芳，劉祖軍，馬 帥 (.華北水利水電大學 河南 鄭州 450045； .南陽市污水凈化中心 河南 南陽 473000)

引言

現(xiàn)階段，我國經(jīng)濟已進入了中高速發(fā)展時期。為了打造便捷的交通圈和物流圈，就必須修建一大批高質(zhì)量的橋梁工程。同時，對老舊橋梁的損傷程度識別和對新建橋梁的健康狀態(tài)監(jiān)測成為當前面臨的一大問題。此外，對于超載車輛可能引發(fā)的安全事故預(yù)警機制缺乏，導(dǎo)致相關(guān)事故頻發(fā)。盡管近年來國內(nèi)外學者對橋梁結(jié)構(gòu)的損傷檢測進行了持續(xù)的研究，但沒有形成一套有效且實用的理論體系。因此，本文對橋梁結(jié)構(gòu)損傷檢測的現(xiàn)狀進行了分析，討論目前各種檢測分析方法的優(yōu)缺點，為結(jié)構(gòu)檢測領(lǐng)域的進一步發(fā)展提供理論依據(jù)。

1 國內(nèi)外研究現(xiàn)狀

1967年，美國West Virginia州的silver橋發(fā)生了坍塌事故，由此開啟了美國的橋梁檢測計劃；1971年，美國發(fā)行了《國家橋梁檢測規(guī)范》，對橋梁的健康檢測流程與專業(yè)人員的資格要求等作了嚴格的規(guī)定。此外，該規(guī)范建立了全國橋梁數(shù)據(jù)庫，主要用于記錄美國橋梁的基本信息及健康狀況，由此分析病害橋梁是否需要檢測加固或者因承載力不足而重建；2003年，美國發(fā)布了《公路橋梁技術(shù)狀況評價與承載能力評定手冊》《橋梁技術(shù)狀況評價手冊》，與之前的規(guī)范一起作為美國橋梁檢測與評估的分析標準[1]。

2013年，中國工程建設(shè)協(xié)會發(fā)布了《結(jié)構(gòu)健康監(jiān)測系統(tǒng)設(shè)計標準》。按總則、術(shù)語和符號與傳感器的選擇和布置等7個方面做出了詳細的規(guī)定；2016年，交通部頒布了《公路橋梁結(jié)構(gòu)安全監(jiān)測系統(tǒng)技術(shù)條件》，從范圍、規(guī)范性引用文件與術(shù)語和定義等9個方面做了詳細規(guī)定[2]。與2013年的標準相比，它在結(jié)構(gòu)評估方面作了更為詳細的規(guī)定。然而，橋梁健康監(jiān)測的標準化水平受行業(yè)發(fā)展水平的限制，在當前初期損傷識別或精確狀態(tài)評估等核心問題尚未解決的情況下，標準化工作中應(yīng)更偏重于對宏觀目標、基本框架的把握，而對具體的監(jiān)測手段、算法的規(guī)定不宜過細[3]。在已經(jīng)邁出了標準化第一步的基礎(chǔ)上，該方面的研究和討論將不斷深化[3]。

目前，結(jié)構(gòu)的損傷識別有不同的分類標準。近期賈明曉等[4]對損傷識別方法進行了較為全面的闡述，認為在傳統(tǒng)的結(jié)構(gòu)損傷識別領(lǐng)域中，可以按照是否進行反演，分為模型修正法與動力指紋法；并且隨著計算機算法的快速發(fā)展，提出了人工神經(jīng)網(wǎng)絡(luò)的損傷識別算法模型。此外，有較多學者利用小波變換的方法來識別橋梁損傷，其本質(zhì)在于通過有限元分析軟件得到位移時程，再對其進行小波分析；在荷載作用下對損傷梁的位移時程進行研究，通過小波灰度圖可以確定損傷位置。

2 神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)損傷識別中的應(yīng)用

2.1 概述

1955年8月31日，由John M、Marvin L M、Claude S等四位美國科學家在提交給國家的一項研究項目時首次提出人工智能,即AI。自此，作為實現(xiàn)人工智能的一條重要途徑，人工神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展。

目前為止，人工神經(jīng)網(wǎng)絡(luò)按照網(wǎng)絡(luò)的復(fù)雜程度分為淺層神經(jīng)網(wǎng)絡(luò)和深度網(wǎng)絡(luò)。在1970年之前，學者普遍認為三層的網(wǎng)絡(luò)從理論上來說能夠擬合任意的非線性函數(shù)，但是結(jié)果十分不理想。2012年以后隨著計算機硬件得到突破性的發(fā)展，深度網(wǎng)絡(luò)逐漸在各個領(lǐng)域發(fā)揮出類人類甚至超人類的分析和提取特征能力，得到了廣泛的應(yīng)用。

2.2 深度網(wǎng)絡(luò)在橋梁結(jié)構(gòu)損傷識別中的應(yīng)用

在橋梁結(jié)構(gòu)的損傷識別方面，主要分類為：一類是以圖像識別為基礎(chǔ)的結(jié)構(gòu)表面裂縫識別。陳榕峰等[5]介紹了一種適合公路與鐵路橋梁的裂縫檢測的智能橋梁檢測系統(tǒng)。該系統(tǒng)主要有特定的智能檢測車輛、能夠拍攝整個目標區(qū)域的機械手臂以及圖像處理系統(tǒng)，如圖1和圖2所示。具有代表性的是聶振華使用卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器與分類器進行結(jié)構(gòu)的損傷檢測[6]。該網(wǎng)絡(luò)可以直接從底層傳感器數(shù)據(jù)檢測到結(jié)構(gòu)的損傷，而不需要任何人工干預(yù)。在數(shù)據(jù)預(yù)處理時，采用數(shù)據(jù)增強擴大數(shù)據(jù)庫，增強數(shù)據(jù)的魯棒性。

圖1 智能檢測系統(tǒng)

圖2 數(shù)據(jù)采集系統(tǒng)

另一種直接并且廣泛應(yīng)用的方法是最大限度地激活目標隱藏神經(jīng)元以得到一個綜合信號。神經(jīng)元的激活值可以看做評估輸入信號和提取特征的相似值。換句話說，使目標神經(jīng)元最活躍的信號是最相似于學習的特征。因此，它被作為這個神經(jīng)元的直觀表達的相似值。聶振華研究表明，神經(jīng)網(wǎng)絡(luò)已經(jīng)具有了自動提取具有物理含義的量，如固有頻率、模態(tài)，并且首次提出了模態(tài)聯(lián)合的概念。

高小小、寇瀟、馬衛(wèi)飛等[7-9]先后于2017年、2018年提出了基于深度學習理論的橋梁裂縫檢測算法。其實質(zhì)在于對拍攝的橋梁表面裂縫圖進行計算機識別。局限性在于沒有對裂縫的識別結(jié)果進行進一步的分析和判斷，因為混凝土本身都是帶裂縫工作的，因此不能認為結(jié)構(gòu)一旦出現(xiàn)裂縫就意味著承載能力下降需要維修。此外，現(xiàn)階段的利用圖像來識別損傷算法中，前期訓練網(wǎng)絡(luò)用到的訓練圖像庫一般情況下都是人為的選擇少部分無裂縫圖以及較多的有裂縫圖，其網(wǎng)絡(luò)最終目的是識別出有裂縫圖中的裂縫形狀。實際上，由于環(huán)境的影響，并不是所有的裂縫都能暴露在結(jié)構(gòu)表面，這就進一步加大了此方法的局限性。

另一類深度學習模型的方法是不需要圖像作為原始輸入，用橋梁的動力響應(yīng)作為網(wǎng)絡(luò)的輸入項。徐鵬[10]首先提出了損傷檢測方法的評價指標，將基于殘差模塊的卷積神經(jīng)網(wǎng)絡(luò)用于橋梁的健康監(jiān)測?？紤]到加速度響應(yīng)具有時序特征，而循環(huán)神經(jīng)網(wǎng)絡(luò)對于處理時間序列數(shù)據(jù)具有良好特性，因此將其引入了循環(huán)神經(jīng)網(wǎng)絡(luò)提取時域特征，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對其進行監(jiān)測。

譚超英[11]提出利用多個RBM(非全連接的玻爾茲曼機)堆疊構(gòu)建深度置信網(wǎng)絡(luò)和利用多個AE(自編碼模型)來構(gòu)建損傷識別的模型。其中，模型的輸入為結(jié)構(gòu)健康狀態(tài)和損傷狀態(tài)的撓度數(shù)據(jù)，模型輸出則為對應(yīng)樣本，經(jīng)判斷后橋梁為正?；驌p傷的概率。

李貴鳳[12]提出了多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，用于橋梁結(jié)構(gòu)的損傷識別。把橋梁結(jié)構(gòu)振動的加速度、應(yīng)力應(yīng)變、穩(wěn)定、傾斜角度作為源數(shù)據(jù)，在歸一化處理后結(jié)合主成分分析法進行降維。試驗測試結(jié)果表明，損傷識別的準確率能夠穩(wěn)定在0.79左右。

謝祥輝[13]將堆棧降噪自動編碼器應(yīng)用在橋梁的損傷識別上。結(jié)合斜拉橋索塔地震模型的試驗數(shù)據(jù)，損傷位置識別正確率為100%，且識別結(jié)果的置信概率普遍在90%以上。王宇鑫[14]利用了先進的深度學習平臺Keras，搭建了用于結(jié)構(gòu)損傷檢測的自編碼神經(jīng)網(wǎng)絡(luò)模型，可以通過捕捉信號的奇異性來識別損傷的發(fā)生；本質(zhì)在于分析移動荷載的速度和橋梁的整體長度，然后根據(jù)局部信號突變的位置分析橋結(jié)構(gòu)損傷的位置。結(jié)果表明，超完備的神經(jīng)網(wǎng)絡(luò)模型在學習數(shù)據(jù)特征方面有更高的準確率，損傷情況識別效果也比傳統(tǒng)方法效率高。

3 結(jié)語

隨著科技的進一步發(fā)展，無人機、機器人等新一批的高科技已經(jīng)在橋梁結(jié)構(gòu)損傷識別領(lǐng)域得到了重視和應(yīng)用。此外，算法模型的高速更新都會提高橋梁結(jié)構(gòu)損傷識別準確率和泛化力。但目前人工智能在橋梁結(jié)構(gòu)損傷識別方面還存在較大的局限性。主要表現(xiàn)在以下方面：

(1)現(xiàn)有的數(shù)值仿真模型不能很好的模擬結(jié)構(gòu)損傷，數(shù)值仿真結(jié)果與結(jié)構(gòu)損傷情況相差較大，并且對具體的損傷位置識別精度較低。

(2)數(shù)值模型的魯棒性較低。某種神經(jīng)網(wǎng)絡(luò)模型只適用于特定的橋梁結(jié)構(gòu)，并且對大跨度橋梁的損傷還缺乏深入研究。

(3)目前階段僅限于對橋梁的上部結(jié)構(gòu)損傷識別，對于在受力更重要的橋墩和基礎(chǔ)部分缺乏重視。

(4)大部分損傷識別方法都不能正確分析缺陷是影響正常使用極限狀態(tài)還是影響承載力極限狀態(tài)。欠缺對分析結(jié)果的進一步評估、預(yù)警以及維修養(yǎng)護決算機制。

因此，橋梁結(jié)構(gòu)損失識別領(lǐng)域仍然是一個重大的社會難題，需要學者們進行進一步的模擬和分析。