CN113450333B - 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 - Google Patents

Abstract

本发明提出了基于机器学习的钢筋混凝土柱地震损伤程度评估方法，首先根据钢筋混凝土柱构件拟静力试验全过程表观损伤图像，获得表观地震损伤参数和构件参数；然后根据钢筋混凝土柱构件拟静力试验滞回曲线数据，建立一种存在固定上下限、可以准确反映构件在整体损伤发展过程的非线性加速累积现象的钢筋混凝土柱地震损伤程度综合评价指标；最后通过建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型，通过将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估，同时也克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。

Description

基于机器学习的钢筋混凝土柱地震损伤程度评估方法

技术领域

本发明属于结构工程、地震工程、人工智能、计算机视觉、机器学习等领域，具体地，涉及基于机器学习的钢筋混凝土柱地震损伤程度评估方法。

背景技术

钢筋混凝土柱是建筑、桥梁、水工等各种工程结构中最基本的竖向承重构件，其在地震作用过程中的损伤和性能退化程度影响着结构的局部及整体安全。对于钢筋混凝土柱构件的抗震设计和震后加固，建立一个合理的损伤程度量化和力学性能退化指标是抗震体系研究的重中之重。目前，各国对建筑抗震性能水准划分的标准各不相同。

传统的抗震性能水准等级划分主要依赖于构件或建筑外观病害的定性描述和专家主观经验，较少从损伤机理出发，利用强度、延性、应变等物理参数构造构件的综合力学性能指标进行量化，并且需要进行现场勘察和模型试验，高度依赖工程经验、费时费力、准确性和可靠性均不足。特别是对于震后现场破坏评估，由于存在可能的后续余震，其安全问题更为严峻。对于钢筋混凝土柱构件，Park等提出了一种基于变形项和能量项组合的双参数损伤模型，在结构地震损伤评估中得到广泛应用，表达式为：

式中，δ_m为往复荷载作用下构件的最大变形，δ_u为单调荷载作用下构件的极限变形，∫dE为累积滞回耗能，F_y为构件的屈服强度，β为变形项和能量项组合系数，由以下经验公式确定：

β＝(-0.447+0.73λ+0.24n₀+0.314ρ_t)×0.7ρ_v

式中，λ为构件的剪跨比，n₀为轴压比，ρ_t为配筋率，ρ_v为体积配箍率。

然而，该传统Park模型仍存在以下不足：

(1)该模型在往复荷载作用下存在上下界不收敛的现象：构件在弹性阶段损伤指标大于0、结构失效时损伤指标大于1，并且没有明显的界限；

(2)该模型反映出结构在地震荷载作用下的损伤是由最大位移幅值和重复循环加载效应联合作用所引起的，其变形项和能量项组合系数β只与构件配筋、剪跨比、轴压比有关；然而对于实际钢筋混凝土柱，大部分构件的β值不超过0.1，即对应能量项的系数很小；

(3)该模型不能准确反映往复地震荷载的影响，无法准确反映构件在整体损伤发展过程中的非线性加速累积现象，给地震损伤评估带来误差；

(4)对于变形项，传统Park模型考采用了最大位移幅值进行损伤评估，导致在弹性阶段损伤指标不为0；

(5)该模型通常需要通过拟静力试验获得钢筋混凝土柱构件的滞回曲线从而确定构件的力学性能参数；而在实际地震损伤程度评估过程中，往往只能获得建筑结构钢筋混凝土柱的表观病害图像，无法对构件进行原位力学性能试验来获取力学参数；

(6)即使按设计图纸重新制作试件，也需要消耗大量人力物力财力，无法实现现场评估。

发明内容

本发明针对上述问题，提出了一种基于机器学习的钢筋混凝土柱地震损伤程度评估方法，通过建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型，将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估，同时也克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。

本发明是通过以下方案实现的：

基于机器学习的钢筋混凝土柱地震损伤程度评估方法：

所述方法包括以下步骤：

步骤一：提取钢筋混凝土柱地震损伤图像参数；根据钢筋混凝土柱构件拟静力试验全过程表观损伤图像，获得表观地震损伤参数和构件参数；

步骤二：建立钢筋混凝土柱地震损伤程度综合评价指标；根据钢筋混凝土柱构件拟静力试验滞回曲线数据，建立的综合评价指标存在固定上下限，能够准确反映构件在整体损伤发展过程的非线性加速累积现象；

步骤三：建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型；

步骤四：采用多参数网络搜索进行网络模型寻优，获得识别精度最高的深度神经网络模型，所述多参数包括网络结构参数和训练参数；将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估。

进一步地，在步骤一中，

根据钢筋混凝土柱构件的拟静力试验破坏全过程图像，将损伤参数和构件参数作为特征指标；

采用混凝土裂缝、混凝土剥落和钢筋暴露三种类型的损伤参数，所述损伤参数包括裂缝横向长度、裂缝纵向长度、裂缝数量、混凝土剥落面积和钢筋裸露面积；

所述构件参数包括剪跨比、轴压比、配箍率、配筋率、纵筋屈服强度、混凝土抗压强度、截面尺寸和柱身尺寸。

进一步地，其特征在于：

通过带有损伤类别的矩形定位边界框得到损伤参数，损伤区域的标记是通过Labelme环境下的Rectangular函数实现，将每一幅图像中的损伤区域用矩形边界框选出并分配相应损伤类别的标签

所述裂缝横向长度的计算方法为：

在试验初期和中期，在相同试验阶段的图像中，裂缝与钢筋混凝土柱的比例固定不变，通过裂缝检测框的宽度与钢筋混凝土柱检测框的比例值对裂缝长度进行标定，再根据钢筋混凝土柱的实际截面宽度将裂缝宽度转换为同一尺度衡量下的标量；

采用裂缝横向长度crack_width作为损伤程度评估指标之一，其数学表达式如下：

式中，WCrB_i表示第i个裂缝目标检测框的宽度，WCoB表示钢筋混凝土柱的目标检测框的宽度，Column_width表示钢筋混凝土柱构件真实宽度；

所述裂缝纵向长度的计算方法为：

在试验中后期裂缝的纵向总长度不断增加，裂缝纵向长度crack_height的数学表达式如下：

式中，HCrB_i表示第i个裂缝目标检测框的高度，HCoB表示钢筋混凝土柱的目标检测框的高度，Column_length表示钢筋混凝土柱构件柱身长度；

所述裂缝数量的计算方法为：

裂缝数量crack_number通过裂缝目标检测框的数目numberoftheboundingbox确定：

crack_num＝number of crack bounding box；

所述钢筋裸露面积的计算方法为：

在试验前期混凝土剥落面积为0，试验后期剥落面积开始增长且速度较快，混凝土剥落面积spalling_area通过与钢筋混凝土柱的面积比值进行标定，数学表达式如下：

式中，WSpB表示混凝土剥落目标检测框的宽度，HSpB表示混凝土剥落目标检测框的高度；

所述钢筋裸露面积的计算方法为：

式中，WRB表示钢筋裸露目标检测框的宽度，HRB表示钢筋裸露目标检测框的高度。

进一步地，在步骤二中，

建立钢筋混凝土柱地震损伤程度综合评价指标公式如下：

式中，D为地震损伤程度综合评价指标，取值范围为[0,1]；u_r为每次加载循环的残余位移，Δ_y为屈服位移，∫dE为每个加载循环的能量累积，F_y为屈服力，u_max为往复荷载作用下构件的最大位移幅值；

β为变形项和能量项组合系数，根据构件失效时的损伤指标D＝1确定；

根据构件的尺寸参数：截面宽度、截面高度和柱身长度；设计参数：剪跨比、轴压比、配筋率和配箍率；材料参数：混凝土强度和纵筋屈服强度，通过主成分分析选择累积贡献率大于90％的前六个主成分，给出了组合系数β的经验公式；

其中，F1-F6为主成分分析的前六阶主成分，λ为剪跨比，n₀为轴压比，ρ_t为配筋率，f_c为混凝土强度，ρ_w为配箍率，f_y为纵筋屈服强度，b为截面宽度，h为截面高度，l为柱身长度；

屈服力F_y和屈服位移Δ_y采用等效能量法确定，构件的屈服位移Δ_y与具有相同耗能能力的等效弹塑性系统的屈服位移相等；

根据最大荷载确定水平线位置，之后根据骨架曲线与两折线所包围的两段面积相等的方法确定等效屈服点，两折线折点的垂线与骨架曲线相交点的荷载值即为等效屈服点。

在往复循环荷载作用下，构件的屈服力F_y和屈服位移Δ_y取正向和负向加载的平均值：

进一步地，在步骤三中，

通过记录的每一次往复加载荷载和位移滞回曲线以及全过程图像所对应的加载循环次数匹配，得到钢筋混凝土柱地震损伤图像所对应的损伤指标真实值，获得地震损伤图像和损伤指标真实值的数据对；

通过搭建深度神经网络模型来实现钢筋混凝土柱地震损伤程度的智能评估，输入为外观损伤参数和构件参数，输出为步骤二确定的地震损伤程度；对数据集中的数据进行线性归一化处理，各输入特征参数均归一化至0-1范围内，数学公式如下：

式中，x为深度神经网络的输入层参数；x_min为该参数在训练集中的最小值；x_max为该参数在训练集中的最大值。

进一步地，在步骤四中，

损失函数采用最小平方和回归损失与L2范数正则项之和，参数更新方法采用Adam算法；深度神经网络训练过程采用了超参数优化，待优化的超参数包括结构参数和训练参数，基于多参数网络搜索进行网络模型寻优，隐藏层数由3增加至11、步长为1，每层隐藏层单元数由3增加至25、步长为1，学习率由0.05增加至0.3、步长为0.05，惩罚因子由0增加至0.02、步长为0.005，得到训练过程中每轮的目标函数损失值，取训练过程中验证集目标函数损失值最小的训练结果作为最优模型；

对于待评估的钢筋混凝土柱损伤图像，首先根据目标检测的结果提取外观损伤参数，结合构件参数作为输入，将损伤指标作为网络输出进行端到端的有监督训练，根据每个构件挑选出的图像序列经过深度神经网络预测的损伤趋势评估网络的预测效果。

本发明有益效果

(1)本发明可以适应钢筋混凝土柱在弹性阶段的损伤值应为0的情况：即弹性变形可恢复、损伤程度只需考虑塑性残余变形，所提出模型的变形项采用残余位移与屈服位移的比值，在弹性阶段残余位移为零，且在地震损伤前期该参数较小；

(2)本发明可以反映地震损伤的非线性加速累积效应：对于变形和能量控制的两个损伤项，分别引入系数进行修正，能量项的分母采用屈服力与往复荷载作用下构件的最大位移幅值的乘积，从而反映由能量控制的损伤项反映地震往复荷载在构件损伤发展过程中的累积效应；

(3)本发明提出的钢筋混凝土柱地震损伤程度评价指标取值范围为0-1，初始无损伤状态为0，完全破坏失效为1，期间随着非线性损伤加速累积变化速度越来越快，符合地震损伤的破坏模式；

(4)本发明可以直接根据地震破坏图像评估出力学性能退化程度，避免了现场测试或费时费力的力学性能试验：首先对采集到的图像进行特征参数提取，然后输入机器学习模型评估出取值范围为0-1的损伤指标，再根据分类标准评估出基本完好、轻微破坏、中等破坏、严重破坏、毁坏倒塌五个破坏类别；

(5)本发明自动、智能、准确、高效，提升了实际钢筋混凝土柱地震损伤评估的效率以及准确度，整个过程均为自动化处理，显著降低了传统方法中的人工参与度；

(6)本发明还能满足地震灾后现场的在线安全预警需求，结果输出延迟可低至1秒内；

(7)本发明解决了传统方法速度慢、实时性差、费时费力、需要人工巡检、依赖专家经验的不足，提高了地震灾后快速评估的自动化、智能化程度和准确性。

附图说明

图1为本发明过程的整体流程图；

图2为部分钢筋混凝土柱图像的损伤区域标记结果,其中a为柱身标记(获得柱子的长度和宽度)，b为混凝土裂缝标记，c为混凝土剥落标记，d为钢筋暴露标记；

图3为往复循环荷载作用下构件的屈服位移和屈服力确定示意图，其中(a)为滞回曲线，(b)为骨架曲线；

图4为基于主成分分析的变形项和能量项组合系数β回归结果与真实值比较图；

图5为采用改进模型与传统Park模型评估钢筋混凝土柱地震损伤程度的对比结果，其中(a)剪跨比4，轴压比0.10，配筋率0.0151，混凝土强度46.5MPa；(b)剪跨比4，轴压比0.20，配筋率0.0157，混凝土强度25.6MPa；(c)剪跨比2，轴压比0.153，配筋率0.0265，混凝土强度29.9MPa；(d)剪跨比1，轴压比0.801，配筋率0.0222，混凝土强度19.8MPa；(e)剪跨比1，轴压比0.699，配筋率0.0177，混凝土强度34MPa；(f)剪跨比2.5，轴压比0.4，配筋率0.038，混凝土强度85.7MPa；(g)剪跨比2.86，轴压比0.131，配筋率0.0321，混凝土强度37.3MPa；(h)剪跨比3，轴压比0.211，配筋率0.0193，混凝土强度65.5MPa；

图6为钢筋混凝土柱五个损伤阶段的损伤指标范围；

图7为钢筋混凝土柱试件的损伤指标真实值标记过程；

图8为钢筋混凝土柱地震损伤程度智能评估的深度神经网络模型示意图；

图9为最佳地震损伤程度评估深度神经网络模型的寻优过程；

图10为地震损伤程度评估深度神经网络模型的识别效果，其中(a)模型在训练集上的预测效果，(b)模型在验证集上的预测效果，(c)模型的总体预测效果；

图11为一些代表性钢筋混凝土柱构件的地震损伤程度预测值和真实值比较图；

图12为某一个钢筋混凝土柱构件部分地震破坏图像与损伤指标预测值的匹配结果；

图13为地震破坏图像损伤指标预测结果的混淆矩阵。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明过程的整体流程图如图1所示：

基于机器学习的钢筋混凝土柱地震损伤程度评估方法：

所述方法包括以下步骤：

步骤一：提取钢筋混凝土柱地震损伤图像参数；根据钢筋混凝土柱构件拟静力试验全过程表观损伤图像，获得表观地震损伤参数和构件参数；

步骤二：建立钢筋混凝土柱地震损伤程度综合评价指标；根据钢筋混凝土柱构件拟静力试验滞回曲线数据，建立的综合评价指标存在固定上下限，能够准确反映构件在整体损伤发展过程的非线性加速累积现象；

步骤三：建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型；

步骤四：采用多参数网络搜索进行网络模型寻优，获得识别精度最高的深度神经网络模型，所述多参数包括网络结构参数和训练参数；将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估。

在步骤一中，

根据钢筋混凝土柱构件的拟静力试验破坏全过程图像，将损伤参数和构件参数作为特征指标；

采用混凝土裂缝、混凝土剥落和钢筋暴露三种类型的损伤参数，所述损伤参数包括裂缝横向长度、裂缝纵向长度、裂缝数量、混凝土剥落面积和钢筋裸露面积；

所述构件参数包括剪跨比、轴压比、配箍率、配筋率、纵筋屈服强度、混凝土抗压强度、截面尺寸和柱身尺寸。

由于试验初期裂缝较短且宽度较小导致通过图片很难直接观察到，实验人员通常沿着裂缝用黑色马克笔进行标识，因此在标记时将黑色马克笔标识也视为裂缝。部分图像的损伤区域标记结果如图2所示。

通过带有损伤类别的矩形定位边界框得到损伤参数，损伤区域的标记是通过Labelme环境下的Rectangular函数实现，将每一幅图像中的损伤区域用矩形边界框选出并分配相应损伤类别的标签；

所述裂缝横向长度的计算方法为：

在试验前期，构件基本完好，此时柱身的裂缝主要为少量的弯曲裂缝，且具有裂缝长度小、离散程度小的特点。而在试验中后期，此时柱身主要存在较多贯通的横向裂缝和纵向裂缝，钢筋混凝土柱主要通过混凝土剥落、钢筋屈曲等方式进行能量的耗散。因此，裂缝的平均长度在这两个过程中的变化幅度不大，而裂缝总长度在试验过程中的总体趋势是不断增长的，裂缝的横向总长度主要体现了试验前期横向裂缝的发展。

由于试验图像由不同的人员以通过多种视角记录、具有多尺度的特征、并且不受试验柱与相机之间的物距、焦距以及拍摄时的角度、高度等条件的限制，裂缝的目标检测结果具有不同的分辨率。由于在不同分辨率的图像中，裂缝与钢筋混凝土柱的比例固定不变，通过裂缝检测框的宽度与钢筋混凝土柱检测框的比例值对裂缝长度进行标定，再根据钢筋混凝土柱的实际截面宽度将裂缝宽度转换为同一尺度衡量下的标量；

采用裂缝横向长度crack_width作为损伤程度评估指标之一，其数学表达式如下：

式中，WCrB_i表示第i个裂缝目标检测框的宽度，WCoB表示钢筋混凝土柱的目标检测框的宽度，Column_width表示钢筋混凝土柱构件真实宽度；

所述裂缝纵向长度的计算方法为：

裂缝的纵向总长度的增加主要为试验中后期纵向裂缝和剪切斜裂缝的不断发展，在试验中后期裂缝的纵向总长度不断增加，裂缝纵向长度crack_height的数学表达式如下：

式中，HCrB_i表示第i个裂缝目标检测框的高度，HCoB表示钢筋混凝土柱的目标检测框的高度，Column_length表示钢筋混凝土柱构件柱身长度；

所述裂缝数量的计算方法为：

裂缝数量的增长同样代表着损伤程度的不断增大，将裂缝数量作为损伤程度评估指标之一；

裂缝数量crack_number通过裂缝目标检测框的数目numberoftheboundingbox确定：

crack_num＝number of crack bounding box；

所述钢筋裸露面积的计算方法为：

混凝土剥落的主要在试验的后期，在试验前期混凝土剥落面积为0，试验后期剥落面积开始增长且速度较快，体现了损伤程度严重且发展迅速，混凝土剥落面积spalling_area通过与钢筋混凝土柱的面积比值进行标定，数学表达式如下：

式中，WSpB表示混凝土剥落目标检测框的宽度，HSpB表示混凝土剥落目标检测框的高度；

所述钢筋裸露面积的计算方法为：

钢筋裸露面积体现损伤在后期的发展特点，将钢筋裸露面积作为损伤程度评估指标之一；

式中，WRB表示钢筋裸露目标检测框的宽度，HRB表示钢筋裸露目标检测框的高度。

在步骤二中，

建立钢筋混凝土柱地震损伤程度综合评价指标公式如下：

式中，D为地震损伤程度综合评价指标，取值范围为[0,1]；u_r为每次加载循环的残余位移，Δ_y为屈服位移，∫dE为每个加载循环的能量累积，F_y为屈服力，u_max为往复荷载作用下构件的最大位移幅值；

β为变形项和能量项组合系数，根据构件失效时的损伤指标D＝1确定；

根据构件的尺寸参数：截面宽度、截面高度和柱身长度；设计参数：剪跨比、轴压比、配筋率和配箍率；材料参数：混凝土强度和纵筋屈服强度，通过主成分分析选择累积贡献率大于90％的前六个主成分，给出了组合系数β的经验公式；

其中，F1-F6为主成分分析的前六阶主成分，λ为剪跨比，n₀为轴压比，ρ_t为配筋率，f_c为混凝土强度，ρ_w为配箍率，f_y为纵筋屈服强度，b为截面宽度，h为截面高度，l为柱身长度；

屈服力F_y和屈服位移Δ_y采用等效能量法确定，构件的屈服位移Δ_y与具有相同耗能能力的等效弹塑性系统的屈服位移相等；

根据最大荷载确定水平线位置，之后根据骨架曲线与两折线所包围的两段面积相等的方法确定等效屈服点，两折线折点的垂线与骨架曲线相交点的荷载值即为等效屈服点。

在往复循环荷载作用下，构件的屈服力F_y和屈服位移Δ_y取正向和负向加载的平均值：如图3所示；

通过前六个主成分对β进行回归分析的结果如图4所示，可以看出，通过经验公式(10)得到的β值与真实值较为均匀地分布在拟合直线两侧，通过线性回归得到的相关系数为0.92，绝大多数样本都落在置信度为95％的回归区间内。因此，通过主成分回归得到的经验公式与β的真实值基本吻合。

图5为采用改进模型与传统Park模型评估钢筋混凝土柱地震损伤程度的对比结果，可以看出改进模型在以下四方面优于传统模型：

(1)对于剪跨比小于3的长柱以及剪跨比小于2的短柱，传统Park模型的损伤发展过程几乎为线性增长，在前期损伤发展速度甚至大于后期；改进后模型对于不同剪跨比的钢筋混凝土柱，损伤指标在前期增长较为缓慢，进入屈服阶段以后，损伤指标逐渐增大，从而体现了损伤在后期的非线性加速累积的过程；

(2)改进后模型对于不同混凝土强度的构件都可以较为准确地反映损伤发展规律，损伤发展总体上呈现出前期损伤增长速度慢、后期速度快的特点；

(3)改进后模型对于不同配筋率的构件都具有更高的普适性和准确性，可以较好地表征损伤的发展规律；

(4)改进后模型具有明显的上下界：在弹性阶段损伤指标为0、表示构件处于无损伤状态，结构失效时损伤指标为1；损伤指标的增大代表结构损伤的不断积累，可恢复能力下降以及结构抗震能力不断减小。

现有规范将地震破坏程度分为五个阶段：基本完好、轻微破坏、中等破坏、严重破坏、毁坏倒塌。类似地，根据大量试件在五个损伤阶段内的损伤指标累积频率大于95％这一准则，确定各个损伤阶段损伤指标的范围，结果如图6所示。

在步骤三中，

通过记录的每一次往复加载荷载和位移滞回曲线以及全过程图像所对应的加载循环次数匹配，得到钢筋混凝土柱地震损伤图像所对应的损伤指标真实值，获得地震损伤图像和损伤指标真实值的数据对；图7展示了钢筋混凝土柱试件的损伤指标真实值标记过程；

通过搭建深度神经网络模型来实现钢筋混凝土柱地震损伤程度的智能评估，输入为外观损伤参数和构件参数，输出为步骤二确定的地震损伤程度；对数据集中的数据进行线性归一化处理，各输入特征参数均归一化至0-1范围内，数学公式如下：

式中，x为深度神经网络的输入层参数；x_min为该参数在训练集中的最小值；x_max为该参数在训练集中的最大值。

在步骤四中，采用的深度神经网络模型示意图如图8所示，

损失函数采用最小平方和回归损失与L2范数正则项之和，参数更新方法采用Adam算法。样本集共包括24个钢筋混凝土柱试件拟静力试验全过程的256幅图像，随机抽取数据集内80％的样本作为训练集，其余20％的样本作为验证集。为了训练得到预测效果最好的、泛化能力最佳的深度神经网络模型，深度神经网络训练过程采用了超参数优化。待优化的超参数包括结构参数(隐藏层数由3增加至11、步长为1，每层隐藏层单元数由3增加至25、步长为1)和训练参数(学习率由0.05增加至0.3、步长为0.05，惩罚因子由0增加至0.02、步长为0.005)。优化流程如图9所示。训练次数统一设置为1000次，得到训练过程中每轮的目标函数损失值，取训练过程中验证集目标函数损失值最小的训练结果作为最优模型。经过超参数优化后，所选取的最优网络设置为：隐藏层数为10，每层隐藏层单元数为10，学习率为0.25，正则项系数为0.015。

对于待评估的钢筋混凝土柱损伤图像，首先根据目标检测的结果提取外观损伤参数，结合构件参数作为输入，层层向前递进实现前向预测过程。训练得到的神经网络在训练集和验证集上的表现如图10所示，在训练集和验证集上的预测值与真实值的相关系数都在0.98以上，且都较为均匀地分布在在直线y＝x两侧，数据集内96％的样本落在置信度为95％的回归区间内。模型具有良好的预测能力。

通过钢筋混凝土柱拟静力试验中每个加载量级的试验现象描述在先后拍摄的试验现象图片序列中匹配相应的图像和对应的损伤指标，将图像中通过目标检测框提取的钢筋混凝土柱外观损伤参数和构件参数作为网络输入，将损伤指标作为网络输出进行端到端的有监督训练。根据每个构件挑选出的图像序列经过深度神经网络预测的损伤趋势评估网络的预测效果。图11给出了一些代表性钢筋混凝土柱构件全过程图像序列的损伤指标预测值和真实值对比结果。从图中可以看出，根据试验报告的加载阶段位移、加载力和试验现象描述匹配得到的图像通过所建立的神经网络模型可以较为准确地反映钢筋混凝土柱拟静力试验过程中损伤的发展趋势，随着图片序列的增大(即拟静力试验加载过程的不断进行)，构件的损伤指标总体上呈现不断增大的趋势，并与真实值吻合较好。

图12给出了某一个钢筋混凝土柱构件部分地震破坏图像与损伤指标预测值的匹配结果。可以看出，随着构件从前期出现混凝土裂缝、横向裂缝发展、出现纵向裂缝、裂缝交汇发生混凝土剥落、钢筋暴露屈曲这一地震破坏全过程，预测损伤指标由近似0逐渐增加至接近1。结果表明，本发明所提出的钢筋混凝土柱地震损伤程度评估方法可以直接由破坏图像获得力学性能退化程度，并且符合地震损伤发展的演化规律。

由模型输出的地震损伤指标预测值和图6规定的五个地震破坏阶段范围，可以判断钢筋混凝土柱地震损伤程度的分级评价结果。图13给出了对于256幅图像所对应的损伤指标预测结果的混淆矩阵。结果表明对五个损伤阶段的分类召回率分别为82.35％、82.09％、98.24％、93.65％、95.45％，分类准确率分别为73.68％、93.22％、87.50％、96.72％、93.33％，基于召回率和准确率得到综合指标F1-score分别为77.78％、87.30％、92.56％、95.16％、94.38％。第一阶段为基本完好状态、样本数量较少、并且试验前期主要为微小裂缝的发展，因此识别准确率相对稍低；随着试验进行和损伤发展，出现了混凝土剥落和钢筋裸露等显著的特征，模型的综合预测性能也随之提升，由钢筋混凝土柱破坏图像评估最严重地震损伤程度(第五阶段)的综合准确性指标(F1-score)超过了94％。

以上对本发明所提出的基于机器学习的钢筋混凝土柱地震损伤程度评估方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.基于机器学习的钢筋混凝土柱地震损伤程度评估方法，其特征在于：

所述方法包括以下步骤：

步骤一：提取钢筋混凝土柱地震损伤图像参数；根据钢筋混凝土柱构件拟静力试验全过程表观损伤图像，获得表观地震损伤参数和构件参数；

步骤二：建立钢筋混凝土柱地震损伤程度综合评价指标；根据钢筋混凝土柱构件拟静力试验滞回曲线数据，建立的综合评价指标存在固定上下限，能够准确反映构件在整体损伤发展过程的非线性加速累积现象；

在步骤二中，

建立钢筋混凝土柱地震损伤程度综合评价指标公式如下：

式中，D为地震损伤程度综合评价指标，取值范围为[0,1]；u_r为每次加载循环的残余位移，Δ_y为屈服位移，∫dE为每个加载循环的能量累积，F_y为屈服力，u_max为往复荷载作用下构件的最大位移幅值；

β为变形项和能量项组合系数，根据构件失效时的损伤指标D＝1确定；

根据构件的尺寸参数：截面宽度、截面高度和柱身长度；设计参数：剪跨比、轴压比、配筋率和配箍率；材料参数：混凝土强度和纵筋屈服强度，通过主成分分析选择累积贡献率大于90％的前六个主成分，给出了组合系数β的经验公式；

β＝0.121F1+0.0202×F2×F3+0.0491sin(F4)-0.0661sin(F5)+0.204sin(F6)+0.614

其中，F1-F6为主成分分析的前六阶主成分，λ为剪跨比，n₀为轴压比，ρ_t为配筋率，f_c为混凝土强度，ρ_w为配箍率，f_y为纵筋屈服强度，b为截面宽度，h为截面高度，l为柱身长度；

屈服力F_y和屈服位移Δ_y采用等效能量法确定，构件的屈服位移Δ_y与具有相同耗能能力的等效弹塑性系统的屈服位移相等；

根据最大荷载确定水平线位置，之后根据骨架曲线与两折线所包围的两段面积相等的方法确定等效屈服点，两折线折点的垂线与骨架曲线相交点的荷载值即为等效屈服点；

在往复循环荷载作用下，构件的屈服力F_y和屈服位移Δ_y取正向和负向加载的平均值：

步骤三：建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型；

步骤四：采用多参数网络搜索进行网络模型寻优，获得识别精度最高的深度神经网络模型，所述多参数包括网络结构参数和训练参数；将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估。

2.根据权利要求1所述方法，其特征在于：在步骤一中，

根据钢筋混凝土柱构件的拟静力试验破坏全过程图像，将损伤参数和构件参数作为特征指标；

采用混凝土裂缝、混凝土剥落和钢筋暴露三种类型的损伤参数，所述损伤参数包括裂缝横向长度、裂缝纵向长度、裂缝数量、混凝土剥落面积和钢筋裸露面积；

所述构件参数包括剪跨比、轴压比、配箍率、配筋率、纵筋屈服强度、混凝土抗压强度、截面尺寸和柱身尺寸。

3.根据权利要求2所述方法，其特征在于：

通过带有损伤类别的矩形定位边界框得到损伤参数，损伤区域的标记是通过Labelme环境下的Rectangular函数实现，将每一幅图像中的损伤区域用矩形边界框选出并分配相应损伤类别的标签

所述裂缝横向长度的计算方法为：

在试验初期和中期，在相同试验阶段的图像中，裂缝与钢筋混凝土柱的比例固定不变，通过裂缝检测框的宽度与钢筋混凝土柱检测框的比例值对裂缝长度进行标定，再根据钢筋混凝土柱的实际截面宽度将裂缝宽度转换为同一尺度衡量下的标量；

采用裂缝横向长度crack_width作为损伤程度评估指标之一，其数学表达式如下：

式中，WCrB_i表示第i个裂缝目标检测框的宽度，WCoB表示钢筋混凝土柱的目标检测框的宽度，Column_width表示钢筋混凝土柱构件真实宽度；

所述裂缝纵向长度的计算方法为：

在试验中后期裂缝的纵向总长度不断增加，裂缝纵向长度crack_height的数学表达式如下：

式中，HCrB_i表示第i个裂缝目标检测框的高度，HCoB表示钢筋混凝土柱的目标检测框的高度，Column_length表示钢筋混凝土柱构件柱身长度；

所述裂缝数量的计算方法为：

裂缝数量crack_number通过裂缝目标检测框的数目numberoftheboundingbox确定：

crack_num＝number of crack bounding box；

所述混凝土剥落面积的计算方法为：

在试验前期混凝土剥落面积为0，试验后期剥落面积开始增长且速度较快，混凝土剥落面积spalling_area通过与钢筋混凝土柱的面积比值进行标定，数学表达式如下：

式中，WSpB表示混凝土剥落目标检测框的宽度，HSpB表示混凝土剥落目标检测框的高度；

所述钢筋裸露面积的计算方法为：

式中，WRB表示钢筋裸露目标检测框的宽度，HRB表示钢筋裸露目标检测框的高度。

4.根据权利要求1所述方法，其特征在于：在步骤三中，

通过记录的每一次往复加载荷载和位移滞回曲线以及全过程图像所对应的加载循环次数匹配，得到钢筋混凝土柱地震损伤图像所对应的损伤指标真实值，获得地震损伤图像和损伤指标真实值的数据对；

通过搭建深度神经网络模型来实现钢筋混凝土柱地震损伤程度的智能评估，输入为外观损伤参数和构件参数，输出为步骤二确定的地震损伤程度；对数据集中的数据进行线性归一化处理，各输入特征参数均归一化至0-1范围内，数学公式如下：

式中，x为深度神经网络的输入层参数；x_min为该参数在训练集中的最小值；x_max为该参数在训练集中的最大值。

5.根据权利要求1所述方法，其特征在于：在步骤四中，

损失函数采用最小平方和回归损失与L2范数正则项之和，参数更新方法采用Adam算法；深度神经网络训练过程采用了超参数优化，待优化的超参数包括结构参数和训练参数，基于多参数网络搜索进行网络模型寻优，隐藏层数由3增加至11、步长为1，每层隐藏层单元数由3增加至25、步长为1，学习率由0.05增加至0.3、步长为0.05，惩罚因子由0增加至0.02、步长为0.005，得到训练过程中每轮的目标函数损失值，取训练过程中验证集目标函数损失值最小的训练结果作为最优模型；

对于待评估的钢筋混凝土柱损伤图像，首先根据目标检测的结果提取外观损伤参数，结合构件参数作为输入，将损伤指标作为网络输出进行端到端的有监督训练，根据每个构件挑选出的图像序列经过深度神经网络预测的损伤趋势评估网络的预测效果。

Images