论文发表 || 工程风险研究团队发表混凝土应力状态识别研究新成果

近日，同济大学工程风险研究团队朱帅达博士生、张东明教授、周鸣亮副教授、关霈暄博士生、黄宏伟教授等在人工智能顶级期刊《Advanced Engineering Informatics》上发表了题为“AI-driven non-destructive concrete stress state identification: A novel approach based on time–frequency analysis of active acoustic emission signals”的研究论文，报道了基于主动声发射时频分析的AI驱动混凝土应力状态识别新方法。

准确快速识别隧道衬砌应力状态对于隧道结构安全的有效维护至关重要。传统的应力监测方法主要通过安装应变计或应力计来测量应变和应力变化，但这种方法存在安装复杂、测点有限、长期稳定性差等问题，且无法测定混凝土结构的绝对应力。因此，开发混凝土应力测量的无损检测方法对于解决当前混凝土结构应力评估技术的局限性具有重要意义。

本研究提出了一种基于主动声发射（AE）波信号时频分析的智能无损混凝土应力状态识别方法（见图1）。研究采用斑马优化算法（ZOA）优化的自适应阈值小波去噪方法来增强信号质量（见图2）。使用动态时间规整（DTW）距离度量的K-Medoids聚类算法将应力状态分为四个等级：压密阶段（0-3 MPa）、弹性阶段（3-24 MPa）、稳定裂缝扩展阶段（24-39 MPa）和非稳定裂缝扩展阶段（39-48 MPa）（见图3）。开发了双分支深度卷积神经网络（DB-DCNN）模型，整合了快速傅里叶变换（FFT）和变分模态分解（VMD）进行应力状态分类。DB-DCNN模型在测试集上达到了99.36%的整体准确率，交叉验证显示模型在不同数据分区上表现出稳健的性能（见图4）。现场验证表明了实际应用性，应力状态预测结果与传统监测数据和数值模拟结果一致（见图5）。该方法能够实现混凝土应力状态的准确分类和评估，为混凝土服役状态可视化和智能结构健康监测的实施提供了有力支持。

图1 人工智能驱动的混凝土应力状态识别过程流程图。

图2 去噪前后的波形和STFT频谱图

图3 MDS降维后的聚类结果及对应密度分布

图4 DB-DCNN 模型的5折交叉验证的性能指标

图5 现场混凝土结构中钢筋应力和混凝土应变的监测数据以及相应的应力计算结果

第一作者：

朱帅达博士生 邮箱：dadaajoo@tongji.edu.cn

第二作者和通讯作者：

张东明教授 邮箱：09zhang@tongji.edu.cn

第三作者和通讯作者

周鸣亮副教授 邮箱：zhoum@tongji.edu.cn

第四作者

关霈暄博士生 邮箱：2330991@tongji.edu.cn

第五作者

黄宏伟教授 邮箱：huanghw@tongji.edu.cn

文章链接:https://doi.org/10.1016/j.aei.2025.103757

文献引用格式：

Zhu S, Zhang D, Zhou M, et al. AI-driven non-destructive concrete stress state identification: A novel approach based on time–frequency analysis of active acoustic emission signals[J]. Advanced Engineering Informatics, 2025, 68: 103757.

撰稿人：朱帅达