文献精读
Mech. Syst. Signal. Pr. ：采用异构集成学习模型和声发射信号评估混凝土中的碱-硅反应损伤
背景介绍
混凝土是一种重要的建筑材料。确保混凝土结构在其使用寿命期间保持完整性是非常有必要的。碱-硅反应（ASR）是混凝土损坏的主要机制之一。水泥中的碱氢氧化物（NaOH，KOH）与活性骨料中的二氧化硅（SiO2）反应，产生具有易膨胀特性的吸湿性凝胶。凝胶的膨胀会对骨料和水泥基体产生压力并导致裂缝破坏的产生。一些混凝土结构，如桥梁、大坝和长期暴露于高湿度的核电设施，都可能会受到ASR的影响。传统的用于监测和评估混凝土结构中ASR损害的方法包括目视检查、取芯和岩相分析。但是，它们均有一些缺点。例如，目视检查不能用于检测早期的ASR损害，因为ASR损害通常在混凝土结构内部开始，在ASR过程的后期阶段才会出现在表面。岩相分析可以检测混凝土结构内部的早期ASR损害。然而，这种方法是破坏性检测，这点限制了其在敏感结构（如核电站）中的应用。此外，这些方法普遍很耗时而且容易出现人为错误。为了提高ASR监测的可靠性和效率，需要开发一种自动的ASR无损监测和评估方法。
研究出发点
声发射是一种物理现象，即材料在裂缝或损伤形成过程中由弹性能量的快速释放而产生应力波。声发射监测（AE）是一种通过布置声发射传感器来收集和分析应力波信号的技术，可实现非破坏性的结构健康监测，可作为监测ASR的一种选择。声发射传感器对材料内部破坏特别敏感，具有连续监测能力，因此非常适合用于混凝土结构的ASR监测。
混凝土的ASR是一个随时间变化的过程。ASR的整个发展过程也可以根据破坏机制分为几个阶段。不同破坏机制所发出的声发射信号具有不同的信号特征。因此，试样的时间性ASR损伤评估可以被转化为一个分类问题。输入是一个给定时间段的AE信号，输出是即时的ASR损伤阶段类别。目前，尚未有类似的研究发表。
全文速览
美国南卡罗来纳大学Paul Ziehl课题组开发了一个基于异构集成学习的分类算法来识别使用声发射信号，从而实现ASR损伤阶段的评估。首先制备了一个长方体的钢筋混凝土试样，在试样上布置10个声发射传感器，而后试样被密封在高温度高湿度的密室内，从而加快ASR反应速度。试样在密室中被监测了460 d，声发射信号实时接收。对声发射信号进行处理后，该课题组准备了两种类型的数据集：（1）通过将声发射信号波形转换为连续小波变换（CWT）图像，创建了一个基于图像的数据集；（2）通过从声发射波形中提取特征参数而获得的基于特征的数据集。在基于CWT图像的数据集中，每个信号波形的大部分原始信息被保留下来。卷积神经网络（CNN）可以从CWT图像的原始信息中学习有用的时间-频率特性。然而，CNN不能学习到每个信号之间的时间关系。而这种时间关系可以被特征数据集中，一个名为“活跃度”的特征体现。活跃度是通过计算当前信号前后一定时间内接收到的信号数量来计算的。为了将CWT图像的提取信息和特征数据集中的时间关系结合在一起，一个包含了数个CNN模型和机随机森林的异构集成学习框架被提出。这一集成学习框架是基于袋装法（Bagging）集成策略开发的。集成框架中多个子模型将单独工作并给出它们的各自评估结果。最终的评估结果由少数服从多数投票决定。
上述研究成果以“Developing a heterogeneous ensemble learning framework to evaluate Alkali-silica reaction damage in concrete using acoustic emission signals ”为题，于2022年发表在Mechanical Systems and Signal Processing上，第一作者为该课题组艾蠡博士后。
图文解析
（1）混凝土的ASR产生机制
水泥中的NaOH，KOH与活性骨料中SiO2反应，产生吸湿性凝胶（图1a）。凝胶倾向于吸收水分并膨胀（图1b）。凝胶的膨胀会对骨料和水泥基体产生压力，并导致开裂（图1c）。
图1 混凝土的ASR产生机制
（2）试样的结构细节
本文制备了一个由钢筋加固的混凝土块试样（图2a）。混凝土的水泥和水的比例为0.5。混合物中使用的水泥是ASTM C150 I/II型低碱水泥，含碱量0.48%。传感器布局和混凝土试样的几何尺寸见图2b。混凝土块的尺寸为305 mm×305 mm×1120 mm。钢筋的细节显示在图2c中。
图2 试样的结构细节：(a) 混凝土试样；(b)传感器布局；(c) 钢筋细节
（3）声发射信号的分析和ASR阶段的定义
图3a显示了采集到的声发射信号的振幅（显示为红点）和累积信号强度（CSS）。在130 d左右可以观察到CSS的跳跃。在200和350 d左右可以观察到另外两个明显的跳跃。CSS曲线上的跳跃可以归因于裂缝的形成或现有裂缝的扩展。图3a还显示了表面裂缝宽度随时间变化曲线。图3b中显示了269、331和438 d的裂缝的显微照片。
图3 ASR阶段的定义：(a) 声发射信号的CSS、裂纹宽度和体积应变；(b) 裂纹的显微照片
综合考虑到裂缝宽度、CSS趋势和体积应变，将整个ASR过程分为四个阶段。第一阶段是在1-130 d之间，在CSS第一次快速上升之前（微裂纹阶段）；CSS的第一个和第二个明显跳跃之间的时段（第130-200 d）被定义为第二阶段（大裂纹开始阶段）；CSS第二和第三跳跃之间的时间（第200-350 d）被定义为第三阶段（显著裂纹扩展和扩张阶段）；最后一段时间（350-460 d之间）被归为第四阶段（显著裂纹率下降）。
（4）用于评估混凝土ASR阶段的异构集成学习框架
如图4所示，本文提出的异构集成学习框架包含两个分支和四个模块。分支1包含模块1至3。分支2包含模块4。每个模块都是由5个具有相同结构的子模型组成的同构集成结构。VGG、残差网络（ResNet）和GoogLeNet等CNN结构在轴承故障诊断以及在监测桥梁拉锁等应用中效果良好。因此为了在声发射信号的分类中获得良好的性能，本文采用ResNet-18、GoogLeNet和VGG-19结构的CNN模型用作1至3模块内的子模型。随机森林模型被用作第4模块的子模型。本文提出的异构集成学习框架被命名为RGVF-HeteroESM-Net，其中RGVF由四个子模型的缩写字母组成。基于CWT图像的数据集被用作模块1至3的输入，而基于AE特征的数据集被用作模块4的输入。在训练过程中，利用自举原则（bootstrapping）来增加每个子模型的多样性。每个子模型从训练数据集中随机选择90%的样本作为真实训练数据。所有20个子模型被单独训练，并在测试数据集上进行测试。最后的结果由多数投票所得。
图4 用于评估混凝土ASR阶段的异构集成学习框架
（5）数据集制备流程
数据制备的总体流程由图5中。声发射参数特征，由快速傅里叶变换（FFT）提取的能量-频率特征，和每个信号的活跃度这三部分（26个特征）构成了基于AE特征的数据集。此外，声发射波形被用来生成CWT系数。CWT系数的Y轴随后被转换为对数坐标，以更清楚地呈现时间频率成分。CWT系数被保存为RGB图像，像素大小为224×224×3。
图5 数据集制备流程
（6）残差卷积神经网络的图像特征提取过程在四个ASR阶段的可视化
ResNet-18的特征提取过程如图6所示，第一个卷积层（Conv1）学习了诸如时频成分的轮廓，形状等基本特征。更复杂的特征是在更深的卷积层比如Res2b_branch2b和Res4a_branch2b中学习的。最后一个FC层的4×1向量显示了不同ASR阶段的颜色组合。可以明显观察到，在不同的ASR阶段，FC向量的色彩组合也大不相同。这些向量被转移到SoftMax层进行分类。
图6残差卷积神经网络的图像特征提取过程在四个ASR阶段的可视化
（7）卷积神经网络所提取特征图的t-SNE分布可视化
通过使用t分布随机邻域嵌入（t-SNE）将CNN提取的特征图降低到两个维度。t-SNE是一种无监督降维算法，该方法可以将高维数据嵌入到低维空间，从而在一个直角坐标系中实现数据的可视化。图7展示了降维后的数据。图中的每个数据点能和一个声发射信号相对应，并根据相应的信号所属ASR阶段进行了着色。在第一个卷积层中，四个阶段的数据点被分散且杂糅。随着特征在更深层的提取，数据点变得更加集中。最后，数据点在最后一层（FC层）可以肉眼可见的被分为四个类别。
图7卷积神经网络所提取特征图的t-SNE分布可视化
（8）异构集成框架的混淆矩阵
本文对异构集成学习框架的ASR评估性能进行了检验。测试结果在图8中以混淆矩阵的形式呈现。总体准确率为93.0%。矩阵的主对角线上显示了正确分类到相应ASR阶段的信号的数量。本文测试了四个同构集合框架，包括：第3模块的五个ResNet-18，第2模块的五个GoogLeNet，第1模块的五个VGG-19，以及第4模块的五个随机森林。他们的测试准确率分别为87.5%、86.2%、84.4和85.3%（表5）。本文还测试了四个单一子模型的准确率，分别为80.4%、82.1%、82.8和82.9%。可以看出，同构集合框架的准确率高于相应的单一模型，使用异构集合策略的模型性能有进一步显著提高。另外两种浅层机器学习方法，支持向量机（SVM）和K近邻算法（KNN）也被测试并与所提出的框架进行了比较。经验证，SVM（63.7%）和KNN（57.1%）的准确性远远低于本文所提出的异构集成框架（93%）。
图8异构集成框架的混淆矩阵
总结
本文提出了一个基于声发射监测和集成学习框架的碱-硅反应（ASR）破坏阶段评估方法。根据实验收集的声发射信号创建了两种类型的输入数据集，包括CWT图像数据集和声发射特征数据集，开发了一个由ResNet-18、GoogLeNet、VGG-19和随机森林组成的异构集合学习框架，将声发射信号高准确率地实时分类到ASR破坏阶段。提出的方法在测试数据集上显示了良好的分类性能。主要结论总结如下：
（1）测试了ResNet-18、GoogLeNet、VGG-19和随机森林等单一模型的分类性能。结果显示，ResNet-18和随机森林模型比其他模型更准确；
（2）活跃度是ASR AE数据的机器学习方法中需要考虑的一个重要特征。然而，这一特征是基于不少于24 h的监测时间计算的。在不包含活跃度的情况下训练随机森林模型，得到的分类精度很低；
（3）对集合网络的分类性能进行了研究。结果表明，集合结构比单一模型更准确。在所有的集成结果中，异构集成的性能最好；
（4）所提出的异构集成框架可以通过使用AE信号有效地区分ASR损伤的阶段。该模型有望适用于受ASR影响（或将受影响）的混凝土结构，以相对较高的可靠性确定当前的ASR破坏阶段，但是在现场应用之前，该框架应该针对从不同试样收集的数据进行验证和改进。
本期编者简介
翻译：
艾 蠡 博士后 南卡罗来纳大学
审核：
何 闯 博士后 深圳大学
排版：
颜文韬 硕士生 深圳大学
本期学术指导
艾 蠡 博士后 南卡罗来纳大学
何 闯 博士后 深圳大学
龙武剑 教 授 深圳大学
文献链接：
https://doi.org/10.1016/j.ymssp.2022.108981
联系客服
