《Mechanical Systems and Signal Processing》：Classification of concrete damage modes via probabilistic acoustic emission clustering: A moving average-Gaussian mixture approach
编辑推荐：
混凝土结构损伤机制实时监测中，传统RA-AF方法依赖人工阈值易产生主观偏差。本研究提出移动平均-Gaussian混合（MaGM）方法，通过移动平均算法消除声发射信号噪声，结合高斯混合模型实现损伤模式概率聚类，无需预设阈值。实验采用C30、C40、C50混凝土试件，加载速率0.50-0.80 MPa/s，系统分析三个典型破坏阶段（微裂纹闭合/密实化、稳定裂缝扩展、宏观裂缝失稳融合）的声发射特征。研究表明：MaGM可有效消除人为误差，损伤模式比例量化精度显著提升，C50试件剪切主导比例随加载速率提高达19.47%，而C30试件在0.50-0.65 MPa/s速率下 tensile 主导比例稳定在64.96-66.81%。
金日涛|马永利|彭玉环|姚琪|张晓波|杨建华|叶志伟|蒋青辉
南昌大学基础设施工程学院，中国南昌330031
摘要
混凝土在现代基础设施中仍然不可或缺，但容易受到逐渐加重的损伤，这威胁到结构的完整性。虽然声发射（AE）技术能够实时监测损伤的发展，但目前用于分类损伤模式的方法存在一些关键限制：RA-AF方法依赖于主观的阈值划分。为了解决这些问题，本研究引入了移动平均-高斯混合（MaGM）框架——一种结合了移动平均算法来去除AE信号中的噪声以及高斯混合模型来进行概率性损伤模式分类的方法，无需预先定义阈值。该方法通过在不同强度等级（C30、C40、C50）和加载速率（0.50、0.65、0.80 MPa/s）的混凝土立方体上进行单轴压缩试验进行了严格验证，并系统地分析了三个特征性损伤阶段：第一阶段（微裂纹闭合/压实）、第二阶段（稳定裂纹扩展）和第三阶段（不稳定的宏观裂纹聚合）的AE信号。结果表明，MaGM方法消除了操作者依赖的偏差，并通过簇体积分析提供了前所未有的损伤模式比例量化。关键发现包括：从第一阶段的以拉伸为主的AE活动发展到第二阶段的混合模式损伤，最终在第三阶段表现为强度依赖的损伤——在C40/C50混凝土中表现为剪切占主导（0.80 MPa/s时剪切比例为73.24–92.71%），而在较低强度的C30混凝土中则表现为拉伸占主导（0.50–0.65 MPa/s时剪切比例为64.96–66.81%）。此外，加载速率对损伤机制有显著影响，较高的加载速率会促进所有强度等级混凝土的剪切损伤（例如，C50混凝土在第三阶段剪切比例从0.50 MPa/s增加到0.80 MPa/s时增加了19.47%）。通过解决高密度AE区域和低活动状态下的信号不确定性，MaGM建立了一种无阈值的混凝土损伤诊断方法，推动了土木工程应用中的客观结构健康监测。
引言
混凝土是现代土木工程中最广泛使用的建筑材料之一，因为它具有易于施工、良好的可加工性、多种强度等级、优异的耐久性以及与钢筋的兼容性等优点[1]、[2]。近几十年来，大规模和复杂的混凝土结构建设显著增加，包括大型水力设施、超长跨度桥梁、超高层建筑、核电站结构以及广泛的地下工程项目。然而，混凝土结构在其使用寿命期间不可避免地会遭受不同程度的损伤。这种退化通常源于设计或施工缺陷、外部加载条件、环境因素以及材料本身的老化[3]、[4]。如果损伤超过某个临界阈值，将严重威胁结构的完整性，可能导致灾难性事故，造成重大人员伤亡和经济损失。因此，研究有效的混凝土结构健康监测（SHM）技术对于确保其安全和可靠运行至关重要。
近几十年来，声发射（AE）监测技术已被广泛应用于混凝土结构的健康监测[5]、[6]、[7]、[8]。其主要优势在于能够提供关于结构在外部参数（如载荷、温度和时间）作用下的损伤发展的实时连续数据。声发射是指材料在机械或热加载下变形或损伤开始/扩展时释放瞬态弹性应力波的现象[6]、[9]。AE技术使用专门的设备，包括传感器、前置放大器和信号采集/处理单元，来捕捉和分析这些发射的信号[10]、[11]。这种分析可以得出表征材料变形行为的AE参数，从而评估损伤的严重程度和损伤源的位置[12]、[13]。Rusch等人率先在混凝土结构中应用了AE监测技术，研究了不同加载阶段的AE特征，并证实了混凝土中的Kaiser效应[14]。Robinson等人利用AE研究了单轴压缩下砂浆和混凝土试件中的微裂纹形成和扩展[15]。Green等人研究了AE参数与基本混凝土性能（包括单轴抗压强度、抗拉强度、泊松比和弹性模量）之间的相关性，证明了AE在监测在役结构损伤过程中的适用性[16]。随后几十年里，全球范围内进行了大量关于AE技术在各种类型在役混凝土结构中监测损伤发展的实验和理论研究[17]、[18]、[19]。研究工作主要集中在三个关键方面：AE源损伤模式的分类（例如拉伸、剪切）[20]、[21]、[22]、AE源的定位[23]、[24]、[25]以及损伤严重程度的确定[26]、[27]、[28]。值得注意的是，关于AE源损伤模式的研究为理解混凝土损伤机制提供了关键见解，有助于优化结构设计并潜在地节省成本[20]、[21]、[22]。
常用的AE源损伤模式分类方法包括简化格林函数矩张量分析（SiGMA）方法和RA值-平均频率（RA-AF）方法[29]、[30]、[31]、[32]、[33]。SiGMA方法通过计算AE波形反演得到的矩张量特征值中的剪切分量比率来识别AE源的裂纹类型，利用了简化的格林函数[34]、[35]。然而，这种方法对实验要求较高，需要高保真的AE波形和至少六个最佳位置的传感器数据来确保准确的矩张量反演[34]、[35]。这些限制大大限制了其广泛应用。相比之下，RA-AF方法利用拉伸和剪切损伤机制之间的特征波形差异来定义两个AE特征参数——RA值和平均频率（AF），从而简化了损伤模式的分类[36]、[37]。然而，RA-AF方法的一个关键局限性是目前缺乏一个普遍标准化的判别阈值标准（通常表示为RA/AF比率）来进行客观的损伤模式分类。这种缺乏标准化引入了操作者偏见和随之而来的分析主观性的风险[36]、[37]。为了解决传统基于阈值方法的主观性问题，最近的研究越来越多地转向数据驱动和机器学习技术进行AE分析，旨在实现自动化和无监督的损伤模式分类。Li等人[38]提出了一种结合灰狼优化与支持向量机（SVM）和层次聚类的模型来评估混凝土中的损伤。Yu等人[39]引入了一种使用半参数聚类与SVM相结合的分类方法来提高裂纹模式的区分度。此外，概率方法也取得了显著进展，Vishwakarma和Ray[40]开发了一种基于概率的预测框架，用于使用AE预测轻配筋混凝土梁中的裂纹扩展。这些研究反映了基于AE数据的智能、自动化损伤评估解决方案的明确趋势。
鉴于现有基于AE的损伤识别技术的局限性和数据驱动方法日益增长的潜力，本研究提出了一种改进的方法，称为移动平均-高斯混合（MaGM）方法。在传统的RA-AF方法基础上，MaGM结合了移动平均算法进行信号处理和高斯混合模型（GMM）进行聚类分析。这种整合减少了信号分散，增强了AE源特征的可区分性，并消除了与手动阈值选择相关的错误。为了验证所提出的方法，对不同强度等级的混凝土立方体试件在不同加载速率下进行了单轴压缩试验。在整个损伤过程中监测AE信号，并使用MaGM方法分析这些信号，以跟踪逐步加载阶段中损伤模式的演变。
RA-AF方法
AE测量系统记录了从检测到的波形信号中得出的关键特征参数。这些参数与被监测结构内的损伤状况和进展密切相关[6]、[9]。图1示意性地展示了典型AE波形信号的特征参数，包括计数、持续时间、幅度和上升时间。这些基本参数是后续损伤分析的基础。表1提供了这些参数的正式定义
混凝土试样的制备
为了验证所提出的基于AE的损伤模式分类方法的有效性，对不同强度等级（C30、C40和C50，分别称为A组、B组和C组）的混凝土立方体试件进行了单轴压缩试验，加载速率各不相同。混凝土混合物的设计遵循中国国家标准GB/T 50010-2010（混凝土结构设计规范）[53]，具体比例详见表2。使用普通波特兰水泥（P.O. 42.5）
应力-应变和AE监测结果
本研究系统地监测了所有九个试件（A组（C30）、B组（C40）和C组（C50）在0.50、0.65和0.80 MPa/s加载速率下的机械响应和相应的AE活动。图7展示了代表性的应力-应变曲线及其对应的累积AE衰减计数（CARC）。所有试件都表现出准脆性材料在单轴压缩下的特征性压缩应力-应变行为。
结论
本研究提出了一种先进的基于声发射（AE）的方法，称为移动平均-高斯混合（MaGM）方法，用于分类混凝土损伤模式。主要发现和贡献总结如下：
(a)方法创新：MaGM方法结合了移动平均算法来抑制信号噪声和高斯混合模型（GMM）来进行AE衍生参数（RA和AF）的概率性聚类。这种方法消除了
CRediT作者贡献声明
金日涛：撰写——原始草稿、验证、研究。马永利：撰写——审稿与编辑、方法论、研究、资金获取。彭玉环：监督。姚琪：验证、监督。张晓波：资源、正式分析。杨建华：撰写——审稿与编辑、方法论。叶志伟：验证、资源。蒋青辉：撰写——审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金[项目编号：52409130]、江西省自然科学基金[项目编号：20242BAB25317和20232BAB214083]、江西省研究生创新专项基金[项目编号：YC2024-S067]、国家重点研发计划[项目编号：2023YFC3012200]、水资源工程与管理国家重点实验室开放研究基金[项目编号：2023SGG03]等的支持
