日本桥梁和建筑结构监测的研究与实施综述丨Engineering(24)

图21 使用装有GPR的车辆评估混凝土桥面板状况。（a）GPR测量车；（b）钢筋混凝土桥面板内部的水平裂缝和“沙状”损坏（偏析）；（c）利用GPR信号的最大互相关函数得出的结果（上部）与通过锤击测试检测出的异常声音获取的结果（下部）之间的比较（白色虚线框表示整个桥面板；红色实心框表示受损桥面板的位置，受损桥面板是经锤击测试检测出的）；（d）在潮湿条件下对含有混凝土人为损伤的钢筋混凝土桥面板样本进行GPR测试的最大互相关函数的颜色图；（e）施加阈值后，在潮湿条件下对含有混凝土人为损伤的钢筋混凝土桥面板样本进行GPR测试的结果（黑色区域：低于阈值；白色区域：高于阈值；红色虚线框：人为损坏的位置）。经J-STAGE许可，转载自参考文献，2017
手动检查图像是一项既费体力又费时间的工作。因此，有研究者已经提出了一种从GPR信号中自动检测损坏的算法。该算法首先估算了来自未损坏区域的信号（被称为“参考信号”）与来自目标区域的信号之间的互相关值。如果目标区域没有被损坏，则GPR信号的波形与参考信号的相似度很高，从而导致较大的互相关值。相反，受损区域的互相关值较小。混凝土桥面板内部的典型损坏类型包括水平裂缝和图21（b）所示的“沙状”损坏（偏析）。通过将某个阈值应用到互相关，可以确定损坏和未损坏的区域。图21（c）显示了锤击测试结果与从GPR信号获得的最大互相关函数之间的比较。结果表明它们之间有很好的一致性。为了验证损伤检测算法，我们准备了含有人为损伤的全尺寸桥面板，并采用了该算法[图21（b）]。人为的水平裂缝的宽度约为1 mm、5 mm和10 mm。
受损的桥面板内部通常含有水，这会加速损坏的进程。水的存在还可以提高损坏检测的准确性。我们在干燥和潮湿条件下分别进行了损坏检测，结果如图21（c）和（d）所示。在干燥条件下，我们发现了宽度为10 mm的裂缝。在潮湿条件下，我们在人为裂缝处发现了较小的互相关值。但是，在应用阈值后，我们在所有裂缝宽度区域识别出了裂缝区域。该算法现已被应用于许多实际桥梁，并与锤击测试结果保持了良好的一致性。