一种锈蚀梁模型修正与损伤识别方法

技术领域

本发明涉及安全风险评估技术领域，具体涉及一种锈蚀梁模型修正与损伤识别方法。

背景技术

目前混凝土结构失效的最主要原因是钢筋锈蚀。外部环境中的氯离子严重威胁其结构的耐久性，使结构容易受损破坏，严重者甚至发生坍塌，成为生命和财产安全重大隐患。随着我国跨海大桥和沿海建筑等建筑结构的不断发展，诸多桥梁以及沿海建筑长期处于海洋环境之中，同时氯盐作为我国常用的除冰剂广泛在我国严寒地区的冬季道路上使用，故国内存在大量因氯离子侵蚀导致的钢筋锈蚀现象。

锈蚀前模型修正及锈蚀后损伤评估方法为解决锈蚀前后混凝土梁的损伤提供较为客观、可行的评价方法，为损伤后的加固与修复提供更精确的加固方式，对节约成本，提高承载力都有所改善。对于混凝土锈蚀的研究，国内外有很多成果，同时也进行了大量试验及理论分析，得出了较为合理的理论及应对方案。但是对于锈蚀后构件的损伤识别的研究相对较少。

申请号为：CN201810609331.3的发明专利公开了一种基于频率-信息熵的钢筋混凝土锈蚀疲劳损伤评价方法，其技术要点为：压电传感器监测得到声发射信号；信号过滤及放大设备对声发射信号进行去噪、放大处理；数据采集设备将处理过的声发射信号进行采样并转化为数字信号存储；将数据采集设备采集到的声发射信号的时域波形转化为基于频率-信息熵的钢筋混凝土构件锈蚀疲劳损伤识别图，并根据该图的特征点判断钢筋混凝土构件是否已发生锈蚀疲劳损伤。该发明需将传感器随施工埋入待测钢筋混凝土构件内部，可对不同的钢筋混凝土建筑物的锈蚀疲劳损伤信息进行长期全面的监测，同时监测不受人工操作和环境影响。

上述专利文献存在如下缺陷：

1、该技术方案的过程比较繁琐，对试验设备有较高的要求，对于锈蚀疲劳损伤识别图特征点的判断还需要一定的学习成本，且传感器需要随施工一同埋入待测构件的内部，对于现有无内置传感器构件的监测方法并不适用。

2、对于锈蚀前模型修正，通常是将全部待修正参数同时进行修正，忽略了参数之间灵敏度的差异，可能导致修正结果背离真实的数值；锈蚀后损伤评价建议准则是通过对灾后承载能力的折减程度确定损伤等级，此时确定结果较准确，可信度较高，可是由于灾后承载力的获取难免会对构件有一定的损伤甚至是破坏，且仅靠一个指标来确定会有一定的偶然性。

3、虽然文献也通过锈蚀后的承载力、刚度和锈蚀率等客观参数给出了一套简单的各因素折减评价体系，但没有具体的求解方法，对于指标的确定具有一定的复杂度。

发明内容

为了解决上述问题，本发明提出了一种锈蚀梁模型修正与损伤识别方法，该识别方法采用SSA(麻雀搜索算法)对ELM(极限学习机)进行寻优改进，SSA将ELM初始权值和阈值最优解作为输出，然后将最优解代入ELM进行计算，有效避免了算法的盲目性，极大地提高了ELM收敛速度，解决了ELM随机生成权值和阈值的盲目性问题，使结果可靠度更高。

为了达到上述目的，本发明的技术方案为：

一种锈蚀梁模型修正与损伤识别方法，包括：步骤1、建立有限元模型，对待修正参数进行灵敏度分析，并根据灵敏度分析的结果确定最终的修正参数；步骤2、依据基于麻雀搜索算法改进的极限学习机算法对有限元模型分步修正；步骤3、依据修正后的有限元模型，依据基于麻雀搜索算法改进的极限学习机算法对锈蚀梁进行损伤识别。

优选的，所述的步骤1中，通过ABAQUS软件建立有限元模型，并通过ABAQUS软件自带的优化模块进行灵敏度分析，并最终选定混凝土弹性模量、混凝土密度、粘结弹簧刚度、弹性支座竖向刚度为待修正参数。

优选的，所述的步骤2中，利用MATLAB软件将基于麻雀搜索算法改进的极限学习机算法开发为软件模块，该软件模块设有基于麻雀优化EML回归预测的交互界面，并通过交互界面进行模型修正。

优选的，所述的步骤2中，分步修正包括如下具体步骤：

具体步骤A1、根据有限元模型计算模态数值组，在模型频率结果中加入10％的高斯白噪声后作为基于麻雀搜索算法改进的极限学习机算法的输入；

具体步骤A2、将待修正参数分为材料参数和边界条件，首先将材料参数作为基于麻雀搜索算法改进的极限学习机算法的输出，得到修正后的材料参数，将该结果代入有限元模型重新获取模态参数；

具体步骤A3、将重新获取的模态参数加入白噪声后再次作为输入，然后将边界条件作为SSA-ELM算法的输出，得到修正后的边界条件。

优选的，所述的具体步骤A2中，材料参数包括混凝土弹性模量和混凝土密度；边界条件包括粘结弹簧刚度和左右两个弹性支座竖向刚度。

优选的，所述的步骤3中，通过交互界面进行损伤识别，并包括如下具体步骤：

具体步骤B1、锈蚀率损伤识别；

具体步骤B2、残余抗弯承载力损伤识别；

具体步骤B3、残余刚度损伤识别。

优选的，所述的具体步骤B1中，对有限元模型进行锈蚀梁模态分析，得到锈蚀前后的模态参数；进行锈蚀梁模态分析时，对有限元模型中的钢筋截面面积和钢筋与混凝土之间弹簧的刚度按锈蚀钢筋本构关系进行相应折减，由能量等值原理按锈蚀钢筋本构关系确定弹簧刚度后，采用ABAQUS自带的Lanczos法进行模态分析，得出不同锈蚀率状态的有限元锈蚀梁模型的模态参数。

优选的，所述的具体步骤B1中，选取锈蚀率范围为0％和2％～20％，以锈蚀率以1％为间隔构造训练样本，依次变更钢筋锈蚀后的截面面积和锈蚀后的弹簧刚度，计算20组不同锈蚀率状态锈蚀梁的模态并将得到的模态参数，同时添加10％的高斯白噪音作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，20组对应的锈蚀率数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对锈蚀率的损伤识别结果。

优选的，所述的具体步骤B2中，对模型施加静载力，在上述有限元模型的基础上，将分析步从“频率”变更为“静力，通用”以静力分析；然后施加静载，静力作用点位于锈蚀梁计算跨度的2个1/3点处；同时，在锈蚀梁静载作用点处添加垫块，并在垫块中心点建立新的节点与垫块耦合，然后将静载作用于与垫块耦合后的节点上；然后，以1％的锈蚀率为间隔，依次对不同锈蚀率状态下的锈蚀梁进行静载模拟计算，得到的20组锈蚀梁的残余承载力以及挠度数值；同样，以20组添加了10％高斯白噪音后的不同锈蚀率状态下锈蚀梁的模态参数作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，20组对应锈蚀率的残余承载力折减系数数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，同样将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对残余抗弯承载力的损伤识别结果。

优选的，所述的具体步骤B3中，以1％的锈蚀率为间隔，将20组添加了10％高斯白噪音后的不同锈蚀率状态下锈蚀梁的模态参数作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，将20组对应锈蚀率的残余刚度折减系数数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对残余抗弯承载力的损伤识别结果。

本发明一种锈蚀梁模型修正与损伤识别方法的有益效果为：

1、本发明为解决锈蚀后混凝土梁的损伤提供较为客观、可行的评价方法，为损伤后的加固与修复提供更精确的加固方式，对节约成本，提高承载力都有所改善。

2、利用基于麻雀搜索算法改进的极限学习机算法(SSA-ELM)开发了软件交互界面，使评估结果更加直观，同时操作更加方便直接，简单易学。

3、采用基于麻雀搜索算法改进的极限学习机算法(SSA-ELM)，将训练集误差设计为适应度函数，得到最后的最优解，有效减小了误差。

4、基于极限学习机算法(ELM)的不足，通过麻雀搜索算法对其权值和阈值的寻优进行改进，避免了极限学习机算法(ELM)随机生成上述两者的盲目性，极大的提高了收敛速度。

5、开发的软件模块和交互界面适用于无内置传感器的构件，只需通过设备采集构件的模态，监测模态数据变化并记录，将数据作为训练数据方可对待测构件进行测试。

附图说明

图1、本发明基于麻雀搜索算法改进的极限学习机算法的流程图；

图2、本发明开发的软件模块的基于麻雀优化EML回归预测的交互界面；

图3、本发明实施例中混凝土梁B1-B13的试件尺寸及详细配筋图；

图4、本发明实施例中混凝土梁B14-B17的试件尺寸及详细配筋图；

具体实施方式

以下所述，是以阶梯递进的方式对本发明的实施方式详细说明，该说明仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

本发明的描述中，需要说明的是，术语“上”“下”“左”“右”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作，因此不能理解为对本发明的限制。

一种锈蚀梁模型修正与损伤识别方法，包括：步骤1、建立有限元模型，对待修正参数进行灵敏度分析，并根据灵敏度分析的结果确定最终的修正参数；步骤2、依据基于麻雀搜索算法改进的极限学习机算法对有限元模型分步修正；步骤3、依据修正后的有限元模型，依据基于麻雀搜索算法改进的极限学习机算法对锈蚀梁进行损伤识别；

所述的步骤1中，通过ABAQUS软件建立有限元模型，并通过ABAQUS软件自带的优化模块进行灵敏度分析，并最终选定混凝土弹性模量、混凝土密度、粘结弹簧刚度、弹性支座竖向刚度为待修正参数；

如图2所示，所述的步骤2中，利用MATLAB软件将基于麻雀搜索算法改进的极限学习机算法开发为软件模块，该软件模块设有基于麻雀优化EML回归预测的交互界面，并通过交互界面进行模型修正；

如图2所示，所述的步骤2中，分步修正包括如下具体步骤：

具体步骤A1、根据有限元模型计算模态数值组，为更好的模拟实际试验过程中环境因素的干扰，在模型频率结果中加入10％的高斯白噪声后作为基于麻雀搜索算法改进的极限学习机算法的输入；

具体步骤A2、将待修正参数分为材料参数和边界条件，首先将材料参数作为基于麻雀搜索算法改进的极限学习机算法的输出，得到修正后的材料参数，将该结果代入有限元模型重新获取模态参数；

具体步骤A3、将重新获取的模态参数加入白噪声后再次作为输入，然后将边界条件作为SSA-ELM算法的输出，得到修正后的边界条件；

所述的具体步骤A2中，材料参数包括混凝土弹性模量和混凝土密度；边界条件包括粘结弹簧刚度和左右两个弹性支座竖向刚度；

如图1、2所示，所述的步骤3中，通过交互界面进行损伤识别，并包括如下具体步骤：

具体步骤B1、锈蚀率损伤识别；

具体步骤B2、残余抗弯承载力损伤识别；

具体步骤B3、残余刚度损伤识别；

如图1、2所示，所述的具体步骤B1中，对有限元模型进行锈蚀梁模态分析，得到锈蚀前后的模态参数；锈蚀梁在进行模态分析时，要充分考虑锈蚀对模态的影响。在钢筋锈蚀后，纵向钢筋的截面面积减小，同时钢筋表面锈蚀物的不断增加，导致其与混凝土之间的粘结强度不断降低；进行锈蚀梁模态分析时，对有限元模型中的钢筋截面面积和钢筋与混凝土之间弹簧的刚度按锈蚀钢筋本构关系进行相应折减，由能量等值原理按锈蚀钢筋本构关系确定弹簧刚度后，采用ABAQUS自带的Lanczos法进行模态分析，得出不同锈蚀率状态的有限元锈蚀梁模型的模态参数；

如图1、2所示，所述的具体步骤B1中，因为锈蚀率在0～2％之间时，粘结强度呈先略微增大后减小的趋势较为复杂，且该锈蚀率范围不在本发明锈蚀率重点研究范围内，故选取的选取锈蚀率范围为0％和2％～20％，以锈蚀率以1％为间隔构造训练样本，依次变更钢筋锈蚀后的截面面积和锈蚀后的弹簧刚度，计算20组不同锈蚀率状态锈蚀梁的模态并将得到的模态参数，同时添加10％的高斯白噪音作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，20组对应的锈蚀率数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对锈蚀率的损伤识别结果；

如图1、2所示，所述的具体步骤B2中，为研究锈蚀后的数值模型承载力变化情况，需对模型施加静载力，在上述有限元模型的基础上，将分析步从“频率”变更为“静力，通用”以静力分析；然后施加静载，静力作用点位于锈蚀梁计算跨度的2个1/3点处；为避免出现应力集中现象，同时，在锈蚀梁静载作用点处添加垫块，并在垫块中心点建立新的节点与垫块耦合，然后将静载作用于与垫块耦合后的节点上；然后，以1％的锈蚀率为间隔，依次对不同锈蚀率状态下的锈蚀梁进行静载模拟计算，得到的20组锈蚀梁的残余承载力以及挠度数值；同样，以20组添加了10％高斯白噪音后的不同锈蚀率状态下锈蚀梁的模态参数作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，20组对应锈蚀率的残余承载力折减系数数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，同样将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对残余抗弯承载力的损伤识别结果；

如图1、2所示，所述的具体步骤B3中，以1％的锈蚀率为间隔，将20组添加了10％高斯白噪音后的不同锈蚀率状态下锈蚀梁的模态参数作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输入，将20组对应锈蚀率的残余刚度折减系数数值作为基于麻雀搜索算法改进的极限学习机算法损伤识别的输出，将待预测锈蚀梁试件作为测试样本，其余数据作为训练样本对其训练，输出结果即为基于麻雀搜索算法改进的极限学习机算法对残余抗弯承载力的损伤识别结果。

附录：实验梁相关数据：

钢筋混凝土简支梁设计尺寸为3m，其中有效长度为2.4m，梁截面尺寸为150mm×300mm。本试验试件采用C40混凝土浇筑，其中梁B1-B13的保护层厚度采用20mm，梁B14-B17的保护层厚度采用30mm。为研究保护层厚度对试件的影响，梁B1-B13的保护层厚度采用20mm，其余试件保护层厚度为30mm。试验设计参数见下表，混凝土梁的试件尺寸及详细配筋图如图3、4所示。

试验设计参数表

试验梁锈蚀后各指标量测结果

利用基于麻雀优化EML回归预测的交互界面，各试件分步进行模型修正结果如下：

表5.1分步修正前后模态变化结果对比(单位：Hz)

利用基于麻雀优化EML回归预测的交互界面，各试件分别进行不同损伤参数识别的结果如下：

锈蚀率损伤识别结果

承载力折减系数损伤识别结果

残余刚度折减系数识别结果：

刚度折减系数损伤识别结果

由此可见，通过使用基于麻雀优化EML回归预测的交互界面进行分步模型修正，前三阶实测频率与计算频率间的误差显著降低，误差范围由修正前的6％～20％减小到修正后5％～9％；同时前三阶振型的MAC也有较好的提升，计算结果均达到了0.995以上，说明试验梁与修正后的模型振型相关性较好，试验梁的动力特性能够得到较好的反映。

使用SSA算法改进的ELM损伤识别算法后误差范围减小到5％～10％，预测误差显著降低。通过使用麻雀优化EML回归预测的交互界面对锈蚀梁的锈蚀率、承载力折减系数、刚度折减系数进行损伤识别，均能得到较好的识别结果，验证了基于麻雀搜索算法改进的极限学习机算法的可行性和有效性。