当前位置：首页 > news >正文

预应力混凝土结构健康监测：DFOS与贝叶斯反演技术

news 2026/6/22 1:19:24

1. 预应力混凝土结构健康监测的挑战与机遇

在大型基础设施工程中，预应力混凝土结构因其优异的承载性能和耐久性被广泛应用于桥梁、高层建筑等关键设施。然而，预应力钢束（tendon）的断裂问题一直是困扰工程界的难题——这种内部损伤往往在表面无明显征兆，却可能导致灾难性后果。传统检测方法如人工巡检或局部传感器网络存在明显局限：要么无法及时发现隐患，要么监测覆盖范围有限。

分布式光纤传感技术（DFOS）的出现为这一困境带来了转机。通过在混凝土表面布设光纤，可以实现每米数百个测点的应变监测，分辨率达到微应变级别。当内部钢束发生断裂时，力传递路径的改变会引发混凝土表面应变场的特征性变化，这些细微变化能被DFOS精准捕捉。2016年巴塞罗那理工大学Barrias团队的研究证实，DFOS对预应力损失检测的灵敏度比传统方法高出一个数量级。

但仅有高精度传感数据还不够。如何从复杂的应变场变化中准确定位断裂位置？如何区分真实损伤与测量噪声？如何评估不同深度钢束断裂的可识别性？这些问题的解决需要将传感数据与力学模型深度融合。这正是我们开发贝叶斯不确定性框架的出发点——通过有限元建模、高斯过程代理和多项式混沌展开等计算技术，构建数据与模型之间的双向对话。

2. 技术框架设计原理

2.1 整体技术路线

我们的方法建立在一个闭环工作流上（图1），包含四个关键环节：

高保真有限元建模：建立包含钢束-混凝土相互作用的本构模型，模拟断裂后的应力重分布
不确定性嵌入：将模型误差转化为随机参数，实现可传递的不确定性表征
贝叶斯反演：利用DFOS数据校准模型参数，同时量化各类不确定性
可识别性分析：评估不同损伤场景在存在不确定性时的可区分度

graph TD A[DFOS应变数据] --> B[有限元模型] B --> C[高斯过程代理模型] C --> D[贝叶斯参数更新] D --> E[不确定性传播] E --> F[损伤可识别性评估]

2.2 模型不确定性处理创新

传统有限元分析常被诟病"过度自信"，因其未充分考虑模型简化带来的误差。我们采用参数嵌入法（Embedded MFU）将不确定性内化到本构参数中：

混凝土弹性模量E设为随机变量，服从对数正态分布
钢束粘结滑移参数引入高斯扰动
边界条件不确定性通过弹簧刚度随机化表征

这种方法相比Kennedy-O'Hagan的差异函数法具有显著优势：校准获得的参数分布可直接应用于新结构，无需重新定义差异项。如图2所示，当钢束断裂发生在不同深度时，嵌入的不确定性会自动调节预测区间的宽度。

3. 核心算法实现细节

3.1 贝叶斯反演架构

建立分层概率模型：

# 伪代码展示贝叶斯层次结构 class BayesianModel: def __init__(self): self.priors = { 'E_concrete': LogNormal(μ=30GPa, σ=5GPa), 'bond_stiffness': Normal(μ=1e5, σ=2e4) } self.likelihood = GaussianProcessLikelihood() def update(self, dfos_data): # 使用MCMC采样后验分布 self.posterior = emcee.sample(self.likelihood, self.priors)

关键创新点在于似然函数的构造：

p(y|θ) = ∫ p(y|f(x,θ)) p(f|θ) df

其中高斯过程代理模型p(f|θ)通过PCE加速计算，使万次量级的模型评估在普通工作站上可在数小时内完成。

3.2 传感器信息量分析

采用φ-散度度量各测点对后验分布的影响：

D_φ(S) = E[φ(p(θ|y_S)/p(θ|y))]

实现时采用KL散度形式，通过后验样本计算：

对每个测点子集S，计算边缘似然比
用核密度估计（KDE）拟合参数的条件分布
评估移除S前后分布的差异

图3展示了某实验中各测点的信息量热图，可见断裂位置附近测点贡献了70%以上的信息量。

3.3 可识别性量化方法

定义最小可检测变化Δλ_min为满足：

CI_{95}(λ) ∩ CI_{95}(λ+Δλ) = ∅

的极小Δλ。通过双阶段优化求解：

内层优化：固定λ，找最小可区分Δλ
外层优化：找最不利的λ使Δλ最大

实际计算采用Nelder-Mead算法，结合GP代理模型加速响应面评估。图4显示在某个梁截面中，距离表面20cm处的钢束断裂最难检测，需要≥3cm的深度变化才能可靠识别。

4. 工程验证案例

4.1 实验设置

在鲁尔大学实验室进行预应力梁断裂试验：

试件尺寸：3m×0.3m×0.4m
布设4根钢束，深度10-25cm
表面粘贴OFDR光纤，间距2cm
液压系统控制钢束断裂过程

4.2 关键结果

参数校准：
- 混凝土E的后验均值32.5GPa，CV=8%
- 粘结滑移参数不确定性贡献总方差的35%
断裂定位：
- 深度识别误差<1.5cm（实测值vs预测值）
- 水平位置误差<3cm
可识别性：
- 浅层断裂（<15cm）Δλ_min≈1cm
- 深层断裂（>20cm）Δλ_min≈3cm

表1对比了不同方法的定位性能：

方法	平均误差(cm)	计算耗时(h)
传统反分析法	5.2	0.5
确定性FEM优化	3.8	2.1
本方法	1.4	4.7

5. 实操经验与优化建议

5.1 光纤布设技巧

走向优化：沿主应力方向布设（通常与钢束走向一致）
固定方法：使用低模量胶粘剂，避免引入附加应变
温度补偿：布设参考光纤，实测中温度影响可达30με/℃

5.2 模型简化权衡

建议保留的关键细节：

钢束横向摆动效应（wobble effect）
灌浆材料的多孔塑性
混凝土收缩徐变历史

可安全简化的因素：

钢筋网片的局部影响
表面装饰层刚度
远场边界条件精确建模

5.3 计算效率提升

并行化策略：
- 任务级：各PCE节点并行计算
- 数据级：分布式评估GP似然
降阶建模：
- 断裂局部区域h-refinement
- 其他区域使用粗网格
智能采样：
- 基于信息熵的自适应DoE
- 重要测点区域加密采样

6. 典型问题排查指南

表2列出了常见问题及解决方案：

现象	可能原因	解决措施
后验分布不收敛	代理模型拟合不足	增加训练点，改用RBF核函数
可识别性分析结果振荡	GP超参数未优化	重启MLE优化，增加先验约束
断裂信号信噪比低	光纤耦合不良	检查粘接质量，增加预处理滤波
深度估计系统性偏差	本构模型缺失塑性	引入损伤塑性模型参数化