CN113702490A - 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 - Google Patents
一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 Download PDFInfo
- Publication number
- CN113702490A CN113702490A CN202111000420.6A CN202111000420A CN113702490A CN 113702490 A CN113702490 A CN 113702490A CN 202111000420 A CN202111000420 A CN 202111000420A CN 113702490 A CN113702490 A CN 113702490A
- Authority
- CN
- China
- Prior art keywords
- concrete
- heat conduction
- eddy current
- steel bar
- corrosion amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000004567 concrete Substances 0.000 title claims abstract description 59
- 230000007797 corrosion Effects 0.000 title claims abstract description 46
- 238000005260 corrosion Methods 0.000 title claims abstract description 46
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 39
- 239000010959 steel Substances 0.000 title claims abstract description 39
- 230000005284 excitation Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 29
- 238000001816 cooling Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005293 physical law Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000005674 electromagnetic induction Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 229910052755 nonmetal Inorganic materials 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001931 thermography Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/904—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents with two or more sensors
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，属于钢筋锈蚀量估计领域，包括：S1：构建绝热表面的涡流热传导混凝土内部锈蚀检测装置；S2：通过S1所述装置中的激励电源，在混凝土内的钢筋中形成涡流，涡流产生的焦耳热传到混凝土表面，构成携带锈蚀量信息的表面温度场；基于软硬件方法解决电磁兼容问题，从而去除表面温度测量误差；S3：通过四级简化法实现涡流热传导物理模型的简化，并利用此模型生成虚拟数据；S4：利用S2中得到的真实数据和S3中得到的虚拟数据，实现深层神经网络模型求解，解决涡流热传导反系数问题，估计混凝土内部钢筋锈蚀量。本发明数学表达模型简单，模型参数求取简单，提高了结果精度。
Description
技术领域
本发明属于钢筋锈蚀量估计领域，涉及一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法。
背景技术
钢筋是混凝土结构中最重要的元素之一，它直接决定了结构的抗压、抗剪、抗震、抗冲击性能，影响结构的安全性和耐久性。钢及钢筋锈蚀量的有效检测，是评定钢筋混凝土结构耐久性的重要前提，没有可靠的检测数据就无法得到可靠的评估和预测结果。混凝土结构无损检测技术就是在不影响其使用性能的前提下，利用物理方法测定与结构质量有关的某些物理量，通过测得的物理量与结构强度、尺寸及完整性等的相关性分析达到检测的目的。
中国专利CN104677943A公开的基于红外热成像的混凝土内部钢筋锈蚀度检测方法是利用红外热像仪检测温度，因此，混凝土表面必须是裸露的或者部分裸露的，以使红外热像仪可以检测到其温度，然而在实践中混凝土表面裸露会带来以下问题：(1)表面温度受环境温度以及风速影响；(2)表面存在传导、对流和辐射3种热传递方式，表面热传递过程的数学表达复杂；(3)待测钢筋相对混凝土表面两侧不对称，热传导物理模型复杂。上述问题会导致混凝土表面温度与内部钢筋锈蚀量的关系复杂，理论上需要更复杂的数学表达模型，进而造成模型参数求取困难，或者精度受限，最终导致结果精度受损。
发明内容
有鉴于此，本发明的目的在于提供一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法。
为达到上述目的，本发明提供如下技术方案：
一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，包括以下步骤：
S1：构建绝热表面的涡流热传导混凝土内部锈蚀检测装置；
S2：通过S1所述装置中的激励电源，在混凝土内的钢筋中形成涡流，涡流产生的焦耳热传到混凝土表面，构成携带锈蚀量信息的表面温度场；基于软硬件方法解决电磁兼容问题，从而去除表面温度测量误差；
S3：通过四级简化法实现涡流热传导物理模型的简化，并利用此模型生成虚拟数据；
S4：利用S2中得到的真实数据和S3中得到的虚拟数据，实现深层神经网络模型求解，解决涡流热传导反系数问题，从而，估计混凝土内部钢筋锈蚀量。
进一步，步骤S1中所述绝热表面的涡流热传导混凝土内部锈蚀检测装置包括：
贴附在混凝土表面的贴片式温度传感阵列；
用于在混凝土内部钢筋处形成强磁场的激励电源；
用于冷却激励电源的冷却系统，所述冷却系统的冷却管与激励电源连接；
用于控制贴片式温度传感阵列、激励电源和冷却系统的控制电脑；
用于为贴片式温度传感阵列、激励电源、冷却系统和控制电脑供电的供电系统；
在混凝土表面添加绝热层，实现S2所述简化的理论物理模型。
进一步，步骤S2所述电磁兼容解决方法具体包括：
硬件方法：采用非金属温度传感器和滤波电路消除电磁干扰，利用感温电路中的旁路电容去除电磁干扰；
软件方法：在接通激励电源时感温电路的输出变化量即为电磁干扰量，通过修正算法对其进行修正。
进一步，步骤S3所述四级简化法具体包括：
S31：通过等效思想实现物理简化物理过程；
S32：通过参数合并和忽略高阶无穷小量实现数学简化物理过程；
S33：通过分层处理实现分层物理建模；
S34：通过分级处理实现分级物理建模。
进一步，所述步骤S31所述等效思想具体包括以下步骤：
S311：根据Fourier定律，导出涡流热传导的一般热传导方程
式中λ表示热导率，ρ表示密度，Cp表示比热，q(x,y,z,t)表示热源强度
S312：添加原物理模型的镜像含热源RC结构，得到简捷物理模型；
S313：简捷物理模型完全对称，原物理模型与镜像添加结构在交界面处温度完全相同，无热量交换，边界条件得到简化；由于满足诺伊曼边界条件(Neumann boundaryconditions)，热传导过程遵循叠加原理，将不对称的热传导过程分解为两个轴对称热传导模型的叠加，所述简捷物理模型在柱坐标系下表示为：
S314：原物理模型与镜像添加模型结构在交界面处温度完全相同，等同在混凝土表面添加绝热层，都在界面处无热量交换，从而实现所述简捷物理模型。
进一步，步骤S33所述的分层处理实现分层物理建模，通过逐层分析物理规律并简化，降低模型简化的复杂度；其基于神经网络的思想将整个涡流热传导过程分解为工作环境参数输入层、电磁感应层、热效应层、热传导层；其中，电磁感应层的输入数据为激励电流，输出数据为感应电流；热效应层的输入数据为感应电流和其他参数，输出数据为热流；热传导层的输入数据为热流和其他参数，输出数据为表面温度场。
进一步，步骤S3所述生成虚拟数据具体包括：
步骤S3所述生成虚拟数据具体包括：
通过单因数方差分析，得到影响表面温度的关键因素及其关键点；
根据关键因素及其关键点，生成系列包括初始条件和边界条件在内的控制变量向量；
将所述控制变量向量代入式(2)，通过求解偏导数方程得到一系列表面温度场数据，获得任意多的输入-输出训练数据。
进一步，步骤S4具体包括以下步骤：
S41：定义涡流热传导反系数问题表示为：
x＝F-1(T(t),x0) (3)
F-1表示待求向量的关系表达，T(t)表示随时间变化的温度数据，x0表示影响温度的可测量参数向量；
S42：构建将物理知识与神经网络深度融合的知识融合网络来表达关系F-1，其中(T(t),x0)为知识融合网络的输入数据，x为知识融合网络的输出数据；
S43：通过S43得到的大量输入-输出虚拟数据，初步训练所述知识融合网络；
S44：通过S42得到的大量输入-输出真实数据，进一步优化所述知识融合网络；
S45：利用优化后的网络估计混凝土内部钢筋锈蚀量。
进一步，步骤S42所述深度融合物理知识与神经网络的总体研究思路为：通过实验和理论分析涡流热传导过程，得到表面温度场随锈蚀量和其他参变量的变化规律，然后，将此规律带入基于深度学习的涡流热传导反系数问题求解过程中，从而降低求解难度。
进一步，步骤S42所述深度融合物理知识与神经网络的具体实现方法：
通过时空滤波引入时空平滑性先验知识；
通过3D Fourier变换后进行频域滤波引入高频为噪声的先验知识；
通过基于帧间差分和空间差分的特征提取引入温差为重点的先验知识；
通过生成仿真数据引入物理规律；
通过统计PCA法降维引入信息不均衡性的先验知识；
通过时间平滑约束引入时间关联性的先验知识；
通过模型简化过程引入模型等效性的先验知识。
本发明的有益效果在于：本发明数学表达模型简单，模型参数求取简单，提高了结果精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为绝热表面的涡流热传导混凝土内部锈蚀检测装置；
图2为基于等效替换思想的热传导简化过程，其中(a)为涡流热成像模型；(b)为简捷物理模型；(c)为简捷模型的实现；
图3为通过求解涡流热传导反系数问题估计混凝土内部钢筋锈蚀量的基本思路；
图4为深度学习理论框架下的涡流热传导正问题(Direct problem)概念模型；
图5为涡流形成和热传导过程的四级简化方案；
图6为多途径引入先验知识解决多耦合物理场反系数问题。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，仅是为了便于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、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图6，一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，包括：
(1)绝热表面的涡流热传导混凝土内部锈蚀检测装置
绝热表面的涡流热传导混凝土内部锈蚀检测装置如图1所示，包括贴附在混凝土表面的贴片式温度传感阵列；
用于在所述贴片式温度传感阵列处形成强磁场的激励电源；
用于冷却激励电源的冷却系统，所述冷却系统的冷却管与激励电源连接；
用于控制贴片式温度传感阵列、激励电源和冷却系统的控制电脑；
用于为贴片式温度传感阵列、激励电源、冷却系统和控制电脑供电的供电系统。
涡流热成像过程涉及半无限(Semi-infinite)介质导热和薄板导热模型，关于钢筋两侧不对称(如图2(a)所示)，且界面存在对流-辐射耦合换热问题，物理模型复杂。根据Fourier定律可以导出热传导方程：
式中λ表示热导率，ρ表示密度，Cp表示比热，q(x,y,z,t)表示热源强度。此式为热传导过程的一般方程。为简化此物理模型，提出通过添加辅助物构造出对称性物理模型的构想。
为使模型具有对称性，添加原模型的镜像含热源RC结构，如图2(b)所示。由于两结构完全对称，两者在交界面处温度完全相同，无热量交换，边界条件得到简化。并且，由于满足诺伊曼边界条件(Neumann boundary conditions)，热传导过程遵循叠加原理，从而可以将不对称的热传导过程分解为两个轴对称热传导模型的叠加，此对称模型可以在柱坐标系下表示为
可见三维偏微分方程降为二维偏微分方程，从根本上降低了数学物理方程描述和计算的难度。
对称模型边界(即混凝土表面)由于无热交换，等效于绝热边界。因而，物理模型的实现仅需要在混凝土表面添加绝热层，如图2(c)所示，温度采集设备由贴片式感温阵列构成。
(2)电磁兼容技术
温度传感器及其相应电路位于激励电源形成的强磁场下，为保证最终结果精度，必须解决好系统电磁兼容问题，既要保证温度测量精度，又要保证涡流激励效率。为解决电磁兼容问题，拟采取以下两种方法。
①基于硬件的方法
采用非金属温度传感器(如Micron Optics产OS4300)，并设计滤波电路，消除电磁干扰，因为，电磁干扰是高频交流量，感温信号为低频交流量或者直流量，所以，利用感温电路中的旁路电容可以去除干扰。
②基于软件的方法
在接通激励电源的同时立即会产生电磁干扰，但此刻混凝土表面温度基本不会变，因而，此时刻感温电路的输出变化就是电磁干扰量，为此，可以通过算法修正温度检测结果。
(3)通过求解涡流热传导反系数问题估计混凝土内部钢筋锈蚀量
混凝土内部钢筋锈蚀量估计，对本系统来说，本质上就是涡流热传导反系数问题，可以表示为
x＝F-1(T(t),x0) (3)
此处F-1表示待求向量的关系表达。这种关系很难用高等数学表达，但理论上已经证明：神经网络可以任意精度逼近任意复杂的函数。因此，我们拟用神经网络来表达关系F-1，(T(t)，x0)为网络的输入数据，x为输出数据。研究思路可用图3所示，具体包括：通过实验和理论分析涡流热传导过程，得到表面温度场随锈蚀量和其他参变量的变化规律，然后，将此规律带入基于深度学习的涡流热传导反系数问题求解过程中，从而降低求解难度。
虽然神经网络的参数求取需要大量数据(称为训练数据)，但是，这些输入-输出训练数据对可以通过(2)式计算得到。所以，训练数据量可以无限大，理论上只要F足够精确，F-1就可以足够精确。
神经网络结构包括但不限于卷积神经网络(CNN)，递归神经网络(RNN)。
(4)理论模型简化思路
涡流热传导过程是复杂的，直接用于求解涡流热传导反系数问题是困难的，因此，基于深度学习的思想提出将其分解成多层(如图4所示)，基于神经网络的思想将整个涡流热传导过程分解为：工作环境参数输入层、电磁感应层(该层的输入数据为激励电流，输出数据为感应电流)、热效应层(该层的输入数据为感应电流和其他参数，输出数据为热流)、热传导层(该层的输入数据为热流和其他参数，输出数据为表面温度场)。逐层分析物理规律并简化，降低模型简化的复杂度。
涡流形成和热传导模型是锈蚀量反演的理论基础，其直接决定着锈蚀量反演的精度甚至成败，因而简化涡流热传导模型是极其重要的。针对模型复杂问题，提出了四级简化方案，如图5所示，具体包括：
4.1通过等效思想实现物理简化物理过程；
4.2通过参数合并和忽略高阶无穷小量实现数学简化物理过程；
4.3通过分层处理实现分层物理建模；
4.4通过分级处理实现分级物理建模。
(5)多途径引入先验知识解决多耦合物理场反系数问题
因为热传导反问题是已知的严重非适定问题，包括温度场的多物理场反问题必定是非适定的，所以，涡流热传导反问题很难得到解析解，求解思路是：在参数空间搜索全局最优解。然而，最优解搜索往往落入局部最优点，为避免此问题，需要利用先验知识对搜索起点进行合理化猜测、对搜索路径科学规划、对搜索空间进行约束，涉及数据、模型和算法三个关键问题。为此，基于Wolpert和Macready提出的无免费午餐理论(No free lunchtheorems)，构建涡流热传导知识融合网络，通过多种途径将物理规律(先验知识)引入搜索过程中(如图6所示)以解决多耦合物理场反系数的非适定问题，深度融合物理知识与神经网络的具体实现方法为：通过时空滤波引入时空平滑性先验知识；
通过3D Fourier变换后进行频域滤波引入高频为噪声的先验知识；
通过基于帧间差分和空间差分的特征提取引入温差为重点的先验知识；
通过生成仿真数据引入物理规律；
通过统计PCA法降维引入信息不均衡性的先验知识；
通过时间平滑约束引入时间关联性的先验知识；
通过模型简化过程引入模型等效性的先验知识。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：包括以下步骤：
S1：构建绝热表面的涡流热传导混凝土内部锈蚀检测装置；
S2：通过S1所述装置中的激励电源，在混凝土内的钢筋中形成涡流，涡流产生的焦耳热传到混凝土表面，构成携带锈蚀量信息的表面温度场；基于软硬件方法解决电磁兼容问题，从而去除表面温度测量误差；
S3：通过四级简化法实现涡流热传导物理模型的简化，并利用此模型生成虚拟数据；
S4：利用S2中得到的真实数据和S3中得到的虚拟数据，实现深层神经网络模型求解，解决涡流热传导反系数问题，从而，估计混凝土内部钢筋锈蚀量。
2.根据权利要求1所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S1中所述绝热表面的涡流热传导混凝土内部锈蚀检测装置包括：
贴附在混凝土表面的贴片式温度传感阵列；
用于在混凝土内部钢筋处形成强磁场的激励电源；
用于冷却激励电源的冷却系统，所述冷却系统的冷却管与激励电源连接；
用于控制贴片式温度传感阵列、激励电源和冷却系统的控制电脑；
用于为贴片式温度传感阵列、激励电源、冷却系统和控制电脑供电的供电系统；
在混凝土表面添加绝热层，实现S2所述简化的理论物理模型。
3.根据权利要求1所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S2所述电磁兼容解决方法具体包括：
硬件方法：采用非金属温度传感器和滤波电路消除电磁干扰，利用感温电路中的旁路电容去除电磁干扰；
软件方法：在接通激励电源时感温电路的输出变化量即为电磁干扰量，通过修正算法对其进行修正。
4.根据权利要求1所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S3所述四级简化法具体包括：
S31：通过等效思想实现物理简化物理过程；
S32：通过参数合并和忽略高阶无穷小量实现数学简化物理过程；
S33：通过分层处理实现分层物理建模；
S34：通过分级处理实现分级物理建模。
5.根据权利要求4所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：所述步骤S31所述等效思想具体包括以下步骤：
S311：根据Fourier定律，导出涡流热传导的一般热传导方程
式中λ表示热导率，ρ表示密度，Cp表示比热，q(x,y,z,t)表示热源强度；
S312：添加原物理模型的镜像含热源RC结构，得到简捷物理模型；
S313：简捷物理模型完全对称，原物理模型与镜像添加结构在交界面处温度完全相同，无热量交换，边界条件得到简化；由于满足诺伊曼边界条件，热传导过程遵循叠加原理，将不对称的热传导过程分解为两个轴对称热传导模型的叠加，所述简捷物理模型在柱坐标系下表示为：
S314：原物理模型与镜像添加模型结构在交界面处温度完全相同，等同在混凝土表面添加绝热层，都在界面处无热量交换，从而实现所述简捷物理模型。
6.根据权利要求4所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S33所述的分层处理实现分层物理建模，通过逐层分析物理规律并简化，降低模型简化的复杂度；
其基于神经网络的思想将整个涡流热传导过程分解为工作环境参数输入层、电磁感应层、热效应层、热传导层；
其中，电磁感应层的输入数据为激励电流，输出数据为感应电流；热效应层的输入数据为感应电流和其他参数，输出数据为热流；热传导层的输入数据为热流和其他参数，输出数据为表面温度场。
7.根据权利要求5所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S3所述生成虚拟数据具体包括：
通过单因数方差分析，得到影响表面温度的关键因素及其关键点；
根据关键因素及其关键点，生成系列包括初始条件和边界条件在内的控制变量向量；
将所述控制变量向量代入式(2)，通过求解偏导数方程得到一系列表面温度场数据，获得任意多的输入-输出训练数据。
8.根据权利要求1所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S4具体包括以下步骤：
S41：定义涡流热传导反系数问题表示为：
x＝F-1(T(t)，x0) (3)
F-1表示待求向量的关系表达，T(t)表示随时间变化的温度数据，x0表示影响温度的可测量参数向量；
S42：构建将物理知识与神经网络深度融合的知识融合网络来表达关系F-1，其中(T(t)，x0)为知识融合网络的输入数据，x为知识融合网络的输出数据；
S43：通过S43得到的大量输入-输出虚拟数据，初步训练所述知识融合网络；
S44：通过S42得到的大量输入-输出真实数据，进一步优化所述知识融合网络；
S45：利用优化后的网络估计混凝土内部钢筋锈蚀量。
9.根据权利要求8所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S42所述深度融合物理知识与神经网络的总体研究思路为：通过实验和理论分析涡流热传导过程，得到表面温度场随锈蚀量和其他参变量的变化规律，然后，将此规律带入基于深度学习的涡流热传导反系数问题求解过程中，从而降低求解难度。
10.根据权利要求9所述的基于涡流热传导的混凝土内部钢筋锈蚀量估计方法，其特征在于：步骤S42所述深度融合物理知识与神经网络的具体实现方法为：
通过时空滤波引入时空平滑性先验知识；
通过3D Fourier变换后进行频域滤波引入高频为噪声的先验知识；
通过基于帧间差分和空间差分的特征提取引入温差为重点的先验知识；
通过生成仿真数据引入物理规律；
通过统计PCA法降维引入信息不均衡性的先验知识；
通过时间平滑约束引入时间关联性的先验知识；
通过模型简化过程引入模型等效性的先验知识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000420.6A CN113702490B (zh) | 2021-08-27 | 2021-08-27 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000420.6A CN113702490B (zh) | 2021-08-27 | 2021-08-27 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113702490A true CN113702490A (zh) | 2021-11-26 |
| CN113702490B CN113702490B (zh) | 2024-04-30 |
Family
ID=78656415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111000420.6A Active CN113702490B (zh) | 2021-08-27 | 2021-08-27 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113702490B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003106806A (ja) * | 2001-09-28 | 2003-04-09 | Univ Nihon | 鉄筋の検査方法 |
| US20070120559A1 (en) * | 2005-11-30 | 2007-05-31 | Yuri Plotnikov | Pulsed eddy current pipeline inspection system and method |
| US20120126803A1 (en) * | 2010-11-16 | 2012-05-24 | Jentek Sensors, Inc. | Method and apparatus for non-destructive evaluation of materials |
| US20120321759A1 (en) * | 2007-01-05 | 2012-12-20 | Myskin, Inc. | Characterization of food materials by optomagnetic fingerprinting |
| US20130214771A1 (en) * | 2012-01-25 | 2013-08-22 | Radiation Monitoring Devices, Inc. | Systems and methods for inspecting structures including pipes and reinforced concrete |
| CN104677943A (zh) * | 2015-03-12 | 2015-06-03 | 重庆交通大学 | 基于红外热成像的混凝土内部钢筋锈蚀度检测方法 |
| US20160274060A1 (en) * | 2013-10-22 | 2016-09-22 | Jentek Sensors, Inc. | Method and Apparatus for Measurement of Material Condition |
| CN107870147A (zh) * | 2017-12-15 | 2018-04-03 | 北京科技大学 | 一种混凝土内钢筋初始锈蚀时间预测方法 |
| CN108614032A (zh) * | 2018-01-31 | 2018-10-02 | 江苏大学 | 一种基于改进神经网络的混凝土内部钢筋无损检测系统及控制方法 |
| DE102018002714A1 (de) * | 2017-04-18 | 2018-10-18 | Gabriele Trinkel | Memristor Effekt System Netzwerk und Verfahren mit funktionalem Werkstoff |
| CN110067220A (zh) * | 2019-05-06 | 2019-07-30 | 重庆邮电大学 | 一种基于磁流变胶的旋转式防撞护栏 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| US20190376785A1 (en) * | 2017-01-18 | 2019-12-12 | Zhong Te Jian Technology & Development (Beijing) Co. Ltd | Method, Apparatus, System and Sensor For Detecting Multi-Mode Electromagnetic Acoustic and Magnetic Flux Leakage |
| CN110672714A (zh) * | 2019-11-14 | 2020-01-10 | 重庆红岩建设机械制造有限责任公司 | 一种非接触式桥梁腐蚀钢筋磁感应检测方法 |
| US20200188660A1 (en) * | 2017-06-08 | 2020-06-18 | Neuronoff, Inc. | Electrode cured and manufactured in the body, and related methods and devices |
| WO2021070204A1 (en) * | 2019-10-12 | 2021-04-15 | INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) | Machine learning, deep learning and artificial intelligence for physical transport phenomenon in thermal management |
| CN213024763U (zh) * | 2020-09-04 | 2021-04-20 | 国网河南省电力公司巩义市供电公司 | 微波/激光测距预防电力线路外力破坏的监控报警系统 |
| WO2021098197A1 (zh) * | 2019-11-22 | 2021-05-27 | 青岛理工大学 | 混凝土中钢筋检测装置及其方法 |
| US20210231611A1 (en) * | 2018-03-20 | 2021-07-29 | Industry-University Cooperation Foundation Hanyang University Erica Campus | Construction structure corrosion measurement sensor assembly and method for measuring corrosion by using same |
| CN113219048A (zh) * | 2021-07-09 | 2021-08-06 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
-
2021
- 2021-08-27 CN CN202111000420.6A patent/CN113702490B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003106806A (ja) * | 2001-09-28 | 2003-04-09 | Univ Nihon | 鉄筋の検査方法 |
| US20070120559A1 (en) * | 2005-11-30 | 2007-05-31 | Yuri Plotnikov | Pulsed eddy current pipeline inspection system and method |
| US20120321759A1 (en) * | 2007-01-05 | 2012-12-20 | Myskin, Inc. | Characterization of food materials by optomagnetic fingerprinting |
| US20120126803A1 (en) * | 2010-11-16 | 2012-05-24 | Jentek Sensors, Inc. | Method and apparatus for non-destructive evaluation of materials |
| US20130214771A1 (en) * | 2012-01-25 | 2013-08-22 | Radiation Monitoring Devices, Inc. | Systems and methods for inspecting structures including pipes and reinforced concrete |
| US20160274060A1 (en) * | 2013-10-22 | 2016-09-22 | Jentek Sensors, Inc. | Method and Apparatus for Measurement of Material Condition |
| CN104677943A (zh) * | 2015-03-12 | 2015-06-03 | 重庆交通大学 | 基于红外热成像的混凝土内部钢筋锈蚀度检测方法 |
| US20190376785A1 (en) * | 2017-01-18 | 2019-12-12 | Zhong Te Jian Technology & Development (Beijing) Co. Ltd | Method, Apparatus, System and Sensor For Detecting Multi-Mode Electromagnetic Acoustic and Magnetic Flux Leakage |
| DE102018002714A1 (de) * | 2017-04-18 | 2018-10-18 | Gabriele Trinkel | Memristor Effekt System Netzwerk und Verfahren mit funktionalem Werkstoff |
| US20200188660A1 (en) * | 2017-06-08 | 2020-06-18 | Neuronoff, Inc. | Electrode cured and manufactured in the body, and related methods and devices |
| CN107870147A (zh) * | 2017-12-15 | 2018-04-03 | 北京科技大学 | 一种混凝土内钢筋初始锈蚀时间预测方法 |
| CN108614032A (zh) * | 2018-01-31 | 2018-10-02 | 江苏大学 | 一种基于改进神经网络的混凝土内部钢筋无损检测系统及控制方法 |
| US20210231611A1 (en) * | 2018-03-20 | 2021-07-29 | Industry-University Cooperation Foundation Hanyang University Erica Campus | Construction structure corrosion measurement sensor assembly and method for measuring corrosion by using same |
| CN110067220A (zh) * | 2019-05-06 | 2019-07-30 | 重庆邮电大学 | 一种基于磁流变胶的旋转式防撞护栏 |
| CN110470729A (zh) * | 2019-07-31 | 2019-11-19 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| WO2021070204A1 (en) * | 2019-10-12 | 2021-04-15 | INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) | Machine learning, deep learning and artificial intelligence for physical transport phenomenon in thermal management |
| CN110672714A (zh) * | 2019-11-14 | 2020-01-10 | 重庆红岩建设机械制造有限责任公司 | 一种非接触式桥梁腐蚀钢筋磁感应检测方法 |
| WO2021098197A1 (zh) * | 2019-11-22 | 2021-05-27 | 青岛理工大学 | 混凝土中钢筋检测装置及其方法 |
| CN213024763U (zh) * | 2020-09-04 | 2021-04-20 | 国网河南省电力公司巩义市供电公司 | 微波/激光测距预防电力线路外力破坏的监控报警系统 |
| CN113219048A (zh) * | 2021-07-09 | 2021-08-06 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
Non-Patent Citations (7)
| Title |
|---|
| HONGJUN ZHU 等: "An experimental study on the corrosion amount using a statistical analysis", 《CORROSION ENGINEERING, SCIENCE AND TECHNOLOGY》, vol. 53, no. 1, 23 August 2017 (2017-08-23), pages 26 - 35 * |
| JING XIE 等: "Detection of internal defects in CFRP strengthened steel structures using eddy current pulsed thermography", 《CONSTRUCTION AND BUILDING MATERIALS》, vol. 282, 31 May 2021 (2021-05-31), pages 122642 * |
| TAKASHI MIWA: "Non-Destructive and Quantitative Evaluation of Rebar Corrosion by a Vibro-Doppler Radar Method", 《SENSORS》, vol. 21, no. 7, 5 April 2021 (2021-04-05), pages 2546 * |
| 严斌: "桥梁结构基于电涡流热成像的内部钢筋锈蚀度检测应用技术", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 5, 15 May 2020 (2020-05-15), pages 034 - 158 * |
| 姜楠: "基于涡流热成像的桥梁内部钢筋锈蚀度量化分析方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 6, 15 June 2021 (2021-06-15), pages 034 - 359 * |
| 杨效中: "《建筑工程监理基础知识》", vol. 1, 30 June 2013, 中国建筑工业出版社, pages: 118 - 120 * |
| 谢峻 等: "服役混凝土桥梁内部缺损无损可视化检测技术及装备研发", 《科技成果登记表》, 31 December 2016 (2016-12-31), pages 1 - 8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113702490B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Choi et al. | Bayesian inference for thermal response test parameter estimation and uncertainty assessment | |
| Sun et al. | Nondestructive identification of multiple flaws using XFEM and a topologically adapting artificial bee colony algorithm | |
| Dino et al. | Image-based construction of building energy models using computer vision | |
| Golparvar-Fard et al. | Automated diagnostics and visualization of potential energy performance problems in existing buildings using energy performance augmented reality models | |
| CN105205818A (zh) | 一种电气设备红外图像和可见光图像配准的方法 | |
| CN116720438A (zh) | 基于多源矿山数据的数字孪生矿山生产系统及构建方法 | |
| CN111428407A (zh) | 一种基于深度学习的电磁散射计算方法 | |
| Pena et al. | Application of the topological derivative to post-processing infrared time-harmonic thermograms for defect detection | |
| CN113702490B (zh) | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 | |
| CN118224552A (zh) | 一种施工现场室外管道保温效果监测系统 | |
| Zhu et al. | Transient temperature fields of the tank vehicle with various parameters using deep learning method | |
| Lin et al. | Reconstructing 2-D gas temperature distribution with deep neural networks | |
| Imani et al. | Image-guided multi-response modeling and characterization of design defects in metal additive manufacturing | |
| Chen et al. | The inverse heat transfer problem of Malan loess based on machine learning with finite element solver as the trainer | |
| Jiang et al. | Applications of finite difference‐based physics‐informed neural networks to steady incompressible isothermal and thermal flows | |
| Yoon et al. | Three-dimensional density estimation of flame captured from multiple cameras | |
| Lu et al. | Robust battery lifetime prediction with noisy measurements via total-least-squares regression | |
| Liu | Building Crack Detection Based on Digital Image Processing Technology and Multiscale Feature Analysis Automatic Detection Algorithm | |
| Du et al. | Gear fault diagnosis based on small channel convolutional neural network under multiscale fusion attention mechanism | |
| Zhang et al. | Image registration with position and similarity constraints based on genetic algorithm | |
| Wei et al. | 3-D temperature reconstruction of the flame field in a tangentially fired furnace | |
| Xu et al. | The effect of 3D image virtual reconstruction based on visual communication | |
| CN117454708B (zh) | 一种基于热感知神经网络的钢轨内部缺陷检测方法 | |
| Deolmi et al. | Numerical algorithms for an inverse problem of corrosion detection | |
| Bao | Data-driven concrete damage diagnosis with thermal imaging and vibration testing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |