《Mechanical Systems and Signal Processing》：Classification of concrete damage modes via probabilistic acoustic emission clustering: A moving average-Gaussian mixture approach
編輯推薦：
混凝土結構損傷機制實時監測中，傳統RA-AF方法依賴人工閾值易產生主觀偏差。本研究提出移動平均-Gaussian混合（MaGM）方法，通過移動平均算法消除聲發射信號噪聲，結合高斯混合模型實現損傷模式概率聚類，無需預設閾值。實驗采用C30、C40、C50混凝土試件，加載速率0.50-0.80 MPa/s，系統分析三個典型破壞階段（微裂紋閉合/密實化、穩定裂縫擴展、宏觀裂縫失穩融合）的聲發射特征。研究表明：MaGM可有效消除人為誤差，損傷模式比例量化精度顯著提升，C50試件剪切主導比例隨加載速率提高達19.47%，而C30試件在0.50-0.65 MPa/s速率下 tensile 主導比例穩定在64.96-66.81%。
金日濤|馬永利|彭玉環|姚琪|張曉波|楊建華|葉志偉|蔣青輝
南昌大學基礎設施工程學院，中國南昌330031
摘要
混凝土在現代基礎設施中仍然不可或缺，但容易受到逐漸加重的損傷，這威脅到結構的完整性。雖然聲發射（AE）技術能夠實時監測損傷的發展，但目前用于分類損傷模式的方法存在一些關鍵限制：RA-AF方法依賴于主觀的閾值劃分。為了解決這些問題，本研究引入了移動平均-高斯混合（MaGM）框架——一種結合了移動平均算法來去除AE信號中的噪聲以及高斯混合模型來進行概率性損傷模式分類的方法，無需預先定義閾值。該方法通過在不同強度等級（C30、C40、C50）和加載速率（0.50、0.65、0.80 MPa/s）的混凝土立方體上進行單軸壓縮試驗進行了嚴格驗證，并系統地分析了三個特征性損傷階段：第一階段（微裂紋閉合/壓實）、第二階段（穩定裂紋擴展）和第三階段（不穩定的宏觀裂紋聚合）的AE信號。結果表明，MaGM方法消除了操作者依賴的偏差，并通過簇體積分析提供了前所未有的損傷模式比例量化。關鍵發現包括：從第一階段的以拉伸為主的AE活動發展到第二階段的混合模式損傷，最終在第三階段表現為強度依賴的損傷——在C40/C50混凝土中表現為剪切占主導（0.80 MPa/s時剪切比例為73.24–92.71%），而在較低強度的C30混凝土中則表現為拉伸占主導（0.50–0.65 MPa/s時剪切比例為64.96–66.81%）。此外，加載速率對損傷機制有顯著影響，較高的加載速率會促進所有強度等級混凝土的剪切損傷（例如，C50混凝土在第三階段剪切比例從0.50 MPa/s增加到0.80 MPa/s時增加了19.47%）。通過解決高密度AE區域和低活動狀態下的信號不確定性，MaGM建立了一種無閾值的混凝土損傷診斷方法，推動了土木工程應用中的客觀結構健康監測。
引言
混凝土是現代土木工程中最廣泛使用的建筑材料之一，因為它具有易于施工、良好的可加工性、多種強度等級、優異的耐久性以及與鋼筋的兼容性等優點[1]、[2]。近幾十年來，大規模和復雜的混凝土結構建設顯著增加，包括大型水力設施、超長跨度橋梁、超高層建筑、核電站結構以及廣泛的地下工程項目。然而，混凝土結構在其使用壽命期間不可避免地會遭受不同程度的損傷。這種退化通常源于設計或施工缺陷、外部加載條件、環境因素以及材料本身的老化[3]、[4]。如果損傷超過某個臨界閾值，將嚴重威脅結構的完整性，可能導致災難性事故，造成重大人員傷亡和經濟損失。因此，研究有效的混凝土結構健康監測（SHM）技術對于確保其安全和可靠運行至關重要。
近幾十年來，聲發射（AE）監測技術已被廣泛應用于混凝土結構的健康監測[5]、[6]、[7]、[8]。其主要優勢在于能夠提供關于結構在外部參數（如載荷、溫度和時間）作用下的損傷發展的實時連續數據。聲發射是指材料在機械或熱加載下變形或損傷開始/擴展時釋放瞬態彈性應力波的現象[6]、[9]。AE技術使用專門的設備，包括傳感器、前置放大器和信號采集/處理單元，來捕捉和分析這些發射的信號[10]、[11]。這種分析可以得出表征材料變形行為的AE參數，從而評估損傷的嚴重程度和損傷源的位置[12]、[13]。Rusch等人率先在混凝土結構中應用了AE監測技術，研究了不同加載階段的AE特征，并證實了混凝土中的Kaiser效應[14]。Robinson等人利用AE研究了單軸壓縮下砂漿和混凝土試件中的微裂紋形成和擴展[15]。Green等人研究了AE參數與基本混凝土性能（包括單軸抗壓強度、抗拉強度、泊松比和彈性模量）之間的相關性，證明了AE在監測在役結構損傷過程中的適用性[16]。隨后幾十年里，全球范圍內進行了大量關于AE技術在各種類型在役混凝土結構中監測損傷發展的實驗和理論研究[17]、[18]、[19]。研究工作主要集中在三個關鍵方面：AE源損傷模式的分類（例如拉伸、剪切）[20]、[21]、[22]、AE源的定位[23]、[24]、[25]以及損傷嚴重程度的確定[26]、[27]、[28]。值得注意的是，關于AE源損傷模式的研究為理解混凝土損傷機制提供了關鍵見解，有助于優化結構設計并潛在地節省成本[20]、[21]、[22]。
常用的AE源損傷模式分類方法包括簡化格林函數矩張量分析（SiGMA）方法和RA值-平均頻率（RA-AF）方法[29]、[30]、[31]、[32]、[33]。SiGMA方法通過計算AE波形反演得到的矩張量特征值中的剪切分量比率來識別AE源的裂紋類型，利用了簡化的格林函數[34]、[35]。然而，這種方法對實驗要求較高，需要高保真的AE波形和至少六個最佳位置的傳感器數據來確保準確的矩張量反演[34]、[35]。這些限制大大限制了其廣泛應用。相比之下，RA-AF方法利用拉伸和剪切損傷機制之間的特征波形差異來定義兩個AE特征參數——RA值和平均頻率（AF），從而簡化了損傷模式的分類[36]、[37]。然而，RA-AF方法的一個關鍵局限性是目前缺乏一個普遍標準化的判別閾值標準（通常表示為RA/AF比率）來進行客觀的損傷模式分類。這種缺乏標準化引入了操作者偏見和隨之而來的分析主觀性的風險[36]、[37]。為了解決傳統基于閾值方法的主觀性問題，最近的研究越來越多地轉向數據驅動和機器學習技術進行AE分析，旨在實現自動化和無監督的損傷模式分類。Li等人[38]提出了一種結合灰狼優化與支持向量機（SVM）和層次聚類的模型來評估混凝土中的損傷。Yu等人[39]引入了一種使用半參數聚類與SVM相結合的分類方法來提高裂紋模式的區分度。此外，概率方法也取得了顯著進展，Vishwakarma和Ray[40]開發了一種基于概率的預測框架，用于使用AE預測輕配筋混凝土梁中的裂紋擴展。這些研究反映了基于AE數據的智能、自動化損傷評估解決方案的明確趨勢。
鑒于現有基于AE的損傷識別技術的局限性和數據驅動方法日益增長的潛力，本研究提出了一種改進的方法，稱為移動平均-高斯混合（MaGM）方法。在傳統的RA-AF方法基礎上，MaGM結合了移動平均算法進行信號處理和高斯混合模型（GMM）進行聚類分析。這種整合減少了信號分散，增強了AE源特征的可區分性，并消除了與手動閾值選擇相關的錯誤。為了驗證所提出的方法，對不同強度等級的混凝土立方體試件在不同加載速率下進行了單軸壓縮試驗。在整個損傷過程中監測AE信號，并使用MaGM方法分析這些信號，以跟蹤逐步加載階段中損傷模式的演變。
RA-AF方法
AE測量系統記錄了從檢測到的波形信號中得出的關鍵特征參數。這些參數與被監測結構內的損傷狀況和進展密切相關[6]、[9]。圖1示意性地展示了典型AE波形信號的特征參數，包括計數、持續時間、幅度和上升時間。這些基本參數是后續損傷分析的基礎。表1提供了這些參數的正式定義
混凝土試樣的制備
為了驗證所提出的基于AE的損傷模式分類方法的有效性，對不同強度等級（C30、C40和C50，分別稱為A組、B組和C組）的混凝土立方體試件進行了單軸壓縮試驗，加載速率各不相同。混凝土混合物的設計遵循中國國家標準GB/T 50010-2010（混凝土結構設計規范）[53]，具體比例詳見表2。使用普通波特蘭水泥（P.O. 42.5）
應力-應變和AE監測結果
本研究系統地監測了所有九個試件（A組（C30）、B組（C40）和C組（C50）在0.50、0.65和0.80 MPa/s加載速率下的機械響應和相應的AE活動。圖7展示了代表性的應力-應變曲線及其對應的累積AE衰減計數（CARC）。所有試件都表現出準脆性材料在單軸壓縮下的特征性壓縮應力-應變行為。
結論
本研究提出了一種先進的基于聲發射（AE）的方法，稱為移動平均-高斯混合（MaGM）方法，用于分類混凝土損傷模式。主要發現和貢獻總結如下：
(a)方法創新：MaGM方法結合了移動平均算法來抑制信號噪聲和高斯混合模型（GMM）來進行AE衍生參數（RA和AF）的概率性聚類。這種方法消除了
CRediT作者貢獻聲明
金日濤：撰寫——原始草稿、驗證、研究。馬永利：撰寫——審稿與編輯、方法論、研究、資金獲取。彭玉環：監督。姚琪：驗證、監督。張曉波：資源、正式分析。楊建華：撰寫——審稿與編輯、方法論。葉志偉：驗證、資源。蔣青輝：撰寫——審稿與編輯、監督。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文所述的工作。
致謝
本研究得到了國家自然科學基金[項目編號：52409130]、江西省自然科學基金[項目編號：20242BAB25317和20232BAB214083]、江西省研究生創新專項基金[項目編號：YC2024-S067]、國家重點研發計劃[項目編號：2023YFC3012200]、水資源工程與管理國家重點實驗室開放研究基金[項目編號：2023SGG03]等的支持
