局部随机点蚀钢构件的卷积神经网络损伤智能识别

doi:10.12141/j.issn.1000-565X.230685

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (11): 43-54.doi: 10.12141/j.issn.1000-565X.230685

局部随机点蚀钢构件的卷积神经网络损伤智能识别

强旭红¹(), 田伟潇², 姜旭¹(), 赵波森³

^1.同济大学土木工程学院，上海 200092
^2.中国路桥工程有限责任公司，北京 100011
^3.上海市建筑科学研究院有限公司，上海 200232

收稿日期:2023-11-01 出版日期:2024-11-25 发布日期:2024-06-14
通信作者: 姜旭（1982—），男，副教授，博士生导师，主要从事结构工程和智能建造研究。 E-mail:jiangxu@tongji.edu.cn
作者简介:强旭红（1984—），女，副教授，博士生导师，主要从事结构工程和智能建造研究。E-mail:qiangxuhong@tongji.edu.cn
基金资助:
国家重点研发计划重点专项(2020YFD1100403);上海市科技计划项目(20DZ2253000);同济大学中央高校基本科研业务费专项资金资助项目(22120210577)

Intelligent Method for Identifying Damage of Steel Members with Localized Random Pitting Based on Convolutional Neural Network

QIANG Xuhong¹(), TIAN Weixiao², JIANG Xu¹(), ZHAO Bosen³

^1.College of Civil Engineering，Tongji University，Shanghai 200092，China
^2.China Road and Bridge Corporation，Beijing 100011，China
^3.Shanghai Research Institute of Building Sciences Co. ，Ltd. ，Shanghai 200232，China

Received:2023-11-01 Online:2024-11-25 Published:2024-06-14
Contact: 姜旭（1982—），男，副教授，博士生导师，主要从事结构工程和智能建造研究。 E-mail:jiangxu@tongji.edu.cn
About author:强旭红（1984—），女，副教授，博士生导师，主要从事结构工程和智能建造研究。E-mail:qiangxuhong@tongji.edu.cn
Supported by:
the Key Program of the National Key Research and Development Program of China(2020YFD1100403);the Project of Shanghai Science and Technology Plan(20DZ2253000)

摘要/Abstract

摘要：

海洋等结构服役环境引起的点蚀会对钢结构的安全产生影响，而点蚀形式具有较强的多尺度多参数随机性。为在实际工程中对点蚀进行有效检测与损伤识别，基于卷积神经网络，结合试验研究、数值模拟、理论分析，对钢构件的局部随机点蚀进行系统研究。选用多参数局部随机点蚀数值模型，在遵循点蚀坑深度的分布模型、点蚀坑的直径时变模型的前提下，对点蚀坑的位置分布进行边界限制和交叉限制，利用Python实现点蚀坑在尺寸、位置和数量等方面的随机性，使Abaqus能够批量生成锈蚀位置和锈蚀率各不相同的钢板有限元模型，进行运算分析，得到各有限元模型的振型样本。之后，以有限元模型作为试验原型，将数值试验得到的大量前6阶振型样本作为数据集，用于建立、训练一种适用于损伤位置识别的卷积神经网络模型，并使用有限元数据集对模型的精度进行验证。最后，采用足尺试验的振型结果进一步验证卷积神经网络模型的精度。研究表明，该模型充分考虑了点蚀在形状参数和位置坐标等方面的随机性，参数合理，接近现实中的实际点蚀情况，识别准确率较高，在数值试验中点蚀损伤识别到真实区域及其相邻区域的准确率高达95.9%，在足尺试验中的准确率达到81.2%，能满足钢构件智能损伤识别实际应用的精度需求。

关键词: 钢结构, 局部点蚀损伤, 损伤识别, 卷积神经网络

Abstract:

Pitting induced by the marine environment has a significant impact on the safety of steel structures and its form exhibits a strong multi-scale and multi-parameter randomness. In order to effectively detect and identify damage in actual engineering, this paper systematically investigates local random pitting of steel members via experimental study, numerical simulation, and theoretical analysis based on convolutional neural networks. Firstly, under the premise of following the distribution model of pitting corrosion pit depth and the time-varying model of pitting corrosion pit diameter, the boundary and cross restrictions were imposed on the position distribution of corrosion pits using multi-parameter local random pitting numerical model. Python was utilized to generate randomness in the size, location, and number of pits, allowing Abaqus to generate a large number of finite element models of steel plates with varying rust locations and rust rates, and the mode shape samples of each finite element model were obtained. Then, the finite element model was used as a test prototype, and a large number of samples of the first six-order vibration patterns obtained from numerical tests were used to train a convolutional neural network model for identifying damage location. The accuracy of the model was verified using the finite element data set. Finally, the vibration results of the ruler test were used to further verify the accuracy of the convolutional neural network model. The study shows that the model fully considers the randomness of pitting corrosion in aspects such as shape parameters and position coordinates. The parameters are reasonable, close to the actual pitting corrosion situation in reality, and the recognition accuracy is relatively high. In numerical tests, the model achieved 95.9% accuracy in identifying pitting damage to the real area and its adjacent areas, and 81.2% accuracy in full-scale tests, meeting the requirements for the practical intelligent application of identifying steel component damage.

Key words: steel structure, local pitting damage, damage identification, convolutional neural network

中图分类号:

TU392

强旭红, 田伟潇, 姜旭, 等. 局部随机点蚀钢构件的卷积神经网络损伤智能识别[J]. 华南理工大学学报(自然科学版), 2024, 52(11): 43-54.

QIANG Xuhong, TIAN Weixiao, JIANG Xu, et al. Intelligent Method for Identifying Damage of Steel Members with Localized Random Pitting Based on Convolutional Neural Network[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(11): 43-54.

图/表 18

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

图17

图18

参考文献 27

1	罗立胜，陈志华．锈蚀钢构件时变可靠度的重要抽样法研究［J］．工业建筑，2019，49（8）：1-5，107．
	LUO Lisheng， CHEN Zhihua ．Time-dependent reliability analysis of corroded steel members based on the important sampling method［J］．Industrial Construction，2019，49（8）：1-5，107.
2	罗立胜，陈志华，赵小龙，等．大气腐蚀环境下钢构件抗力退化模型［J］．结构工程师，2019，35（2）：52-58.
	LUO Lisheng， CHEN Zhihua， ZHAO Xiaolong，et al ．Deterioration model for resistance of steel member in atmospheric environment［J］．Structural Engineers，2019，35（2）：52-58.
3	BHANDARI J， KHAN F， ABBASSI R，et al ．Modelling of pitting corrosion in marine and offshore steel structures—a technical review［J］．Journal of Loss Prevention in the Process Industries，2015，37：39-62.
4	WANG Y， WHARTON J A， SHENOI R A ．Ultimate strength analysis of aged steel-plated structures exposed to marine corrosion damage：a review［J］．Corrosion Science，2014， 86：42-60.
5	PIDAPARTI R M， PALAKAL P J， FANG L ．Cellular automation approach to model aircraft corrosion pit damage growth［J］．AIAA Journal，2004，42（12）：2562-2569.
6	张新燕．腐蚀坑对圆棒构件应力集中及腐蚀疲劳寿命的影响研究［D］．兰州：兰州理工大学，2013.
7	Standard Guide for Examination and Evaluation of Pitting Corrosion：［S］．
8	王波，袁迎曙，李富民，等．氯盐锈蚀钢筋的屈服强度退化分析及其概率模型［J］．建筑材料学报，2011，14（5）：597-603.
	WANG Bo， YUAN Ying-shu， LI Fu-min，et al ．Deterioration analysis of yield strength and its probabilistic model of steel bar corroded by chloride［J］．Journal of Building Materials，2011，14（5）：597-603.
9	王雪飞，郭耀杰，孙云，等．随机点蚀对Q460等边角钢抗拉性能的影响［J］．科学技术与工程，2021，21（12）：4882-4890.
	WANG Xue-fei， GUO Yao-jie， SUN Yun，et al ．Effect of random pitting corrosion on the tensile properties of Q460 equilateral angle steel［J］．Science Technology and Engineering，2021，21（12）：4882-4890.
10	ZHANG X Z， LIU R， CHEN K Y，et al ．Pitting Corrosion characterization of wrought stellite alloys in green death solution with immersion test and extreme value analysis model［J］．Journal of Materials Engineering and Performance，2014，23（5）：1718-1725.
11	梁彩凤，侯文泰．钢的大气腐蚀预测［J］．中国腐蚀与防护学报，2006，26（3）：129-135.
	LIANG Caifeng， HOU Wentai ．Prediction of atmospheric corrosion for steels［J］．Journal of Chinese Society for Corrosion and Protection，2006，26（3）：129-135.
12	RIVAS D， CALEYO F， VALOR A，et al ．Extreme value analysis applied to pitting corrosion experiments in low carbon steel：comparison of block maxima and peak over threshold approaches［J］．Corrosion Science，2008，50（11）：3193-3204.
13	OSSAI C I， BOSWELL B， DAVIES I ．Markov chain modelling for time evolution of internal pitting corrosion distribution of oil and gas pipelines［J］．Engineering Failure Analysis，2016，60：209-228.
14	MELCHERS R E ．Pitting corrosion of mild steel in marine immersion environment-Part 2：Variability of maximum pit depth［J］．Corrosion，2004，60（10）：937-944.
15	王燕舞，吴晓源，张雨华，等．船舶结构钢海洋环境点蚀模型研究之二：实船蚀坑形态与径深比时变模型［J］．船舶力学，2007，11（5）：735-743．
	WANG Yan-wu， WU Xiao-yuan， ZHANG Yu-hua，et al ．Pitting corrosion model of mild and low-alloy steel in marine environment—part 2：the shape of corrosion pits［J］．Journal of Ship Mechanics，2007，11（5）：735-743.
16	CAWLEY P， ADAMS R D ．Assessment of large engineering structures using data collected during in-service loading［J］．Journal of Strain Analysis for Engineering Design，1979，14（2）：49-57.
17	CREED S ．Assessment of large engineering structures using data collected during in-service loading［M］．London：Butterworths，1987.
18	SALAWU O S ．Detection of structural damage through changes in frequency：A review［J］．Engineering Structures，1997，19（9）：718-723.
19	万小朋，李小聪，鲍凯，等．利用振型变化进行结构损伤诊断的研究［J］．航空学报，2003，39（5）：422-426.
	WAN Xiao-peng， LI Xiao-cong， BAO Kai，et al ．Structure damage diagnosis based on analyzing changes of vibration mode［J］．Acta Aeronautica et Astronautica Sinica，2003，39（5）：422-426.
20	PANDEY A K， BISWAS M， SAMMAN M M.Damage detection from changes in curvature mode shapes［J］．Journal of Sound and Vibration，1991，145（2）：321-332.
21	RATCLIFFE C P ．Damage detection using a modified Laplacian operator on mode shape data［J］．Journal of Sound and Vibration，1997，204（3）：505-517.
22	SHI Z Y， LAW S S， ZHANG L M ．Structural damage localization from modal strain energy change［J］．Journal of Sound and Vibration，1998，218（5）：825-844.
23	史治宇，罗绍湘，张令弥．结构破损定位的单元模态应变能变化率法［J］．振动工程学报，1998，12（3）：109-113.
	SHI Zhiyu， LUO Shaoxiang， ZHANG Lingmi ．Determination of structural damage location based on element modal strain energy change［J］．Journal of Vibration Engineering，1998，12（3）：109-113.
24	姚南，张天申，王元清，等．在役桥梁钢结构的损伤检测与安全评估［C］∥第八届全国现代结构工程学术研讨会．天津：天津大学，2008：1638-1645.
25	任克亮，吕国志，张有宏．腐蚀结构分析中腐蚀坑的随机布置和计算机模拟［J］．航空学报，2006，42（3）：459-462.
	REN Ke-liang， Guo-zhi LÜ， ZHANG You-hong ．Stochastic arrange and computer simulation of corrosion pitting in damage structure［J］．Astronautica Sinica，2006，42（3）：459-462．
26	王海权．基于模态的网架结构损伤识别模糊系统研究［D］．北京：北京建筑大学，2021.
27	滕志强．基于卷积神经网络与振动信号的结构损伤识别［D］．广州：广东工业大学，2021.

[1]	杜启亮, 汪益民, 田联房. 基于特征相似性和特征规范化的注意力模块[J]. 华南理工大学学报(自然科学版), 2024, 52(7): 62-71.
[2]	刘微容, 张志强, 张宁, 孟家豪, 张敏, 刘婕. 基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法[J]. 华南理工大学学报(自然科学版), 2024, 52(7): 29-38.
[3]	杨春玲, 陈文俊, 刘嘉惠. 用于视频压缩感知的特征域优化启发及多假设交叉注意力重构神经网络[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 9-21.
[4]	马晓亮, 安玲玲, 邓从健, 等. 基于行业词表的自动语音转写后优化技术[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 118-125.
[5]	朱铮宇, 罗超, 贺前华, 等. 基于唇重构与三维耦合CNN的多视角音唇一致性判别[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 70-77.
[6]	叶峰, 陈彪, 赖乙宗. 基于特征空间嵌入的对比知识蒸馏算法[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 13-23.
[7]	罗玉涛, 高强. 基于通道注意力和特征增强的交通标志检测[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 64-72.
[8]	邱志斌, 卢祖文, 王海祥, 等. 基于Mel频谱图和CNN的电网涉鸟故障鸟声识别[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 129-136.
[9]	张香竹, 张立家, 宋逸凡, 等. 基于深度学习的无人机单目视觉避障算法[J]. 华南理工大学学报(自然科学版), 2022, 50(1): 101-108, 131.
[10]	康澜洪书涛. Q690D高强钢的疲劳性能试验研究[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 35-42.
[11]	黄敏齐海涛蒋春林. 基于注意力机制的耦合协同过滤模型[J]. 华南理工大学学报(自然科学版), 2021, 49(7): 59-65.
[12]	刘奇, 于斌, 孟祥成, 等. 基于转置卷积神经网络的路面裂缝识别算法[J]. 华南理工大学学报(自然科学版), 2021, 49(12): 124-132.
[13]	李波饶浩波. 复杂场景下特征增强的显著性目标检测方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(11): 135-144.
[14]	谢康, 陈晓斌, 尧俊凯, 等. 基于机器视觉的建筑垃圾填料物质组分图像分析方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(10): 50-58,69.
[15]	杜启亮, 黄理广, 田联房, 等. 基于视频监控的手扶电梯乘客异常行为识别[J]. 华南理工大学学报（自然科学版）, 2020, 48(8): 10-21.

局部随机点蚀钢构件的卷积神经网络损伤智能识别

Intelligent Method for Identifying Damage of Steel Members with Localized Random Pitting Based on Convolutional Neural Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价