基于G-S-G的混凝土结构裂缝识别及监测方法

为解决复杂约束条件下现代混凝土结构裂缝的精准监测问题,提出基于G-S-G混凝土结构裂缝智能识别及监测方法。将灰度共生矩阵理论(GLCM)和自组织特征映射神经网络(SOM)模型结合,并通过数字图像处理技术(DIP)及数字特征筛选法(DFS)辅助分析,研究提高混凝土结构裂缝识别及监测精度的智能方法;并基于工程实例(柱的偏心受压试验),验证方法的可行性及准确性。结果表明,在有限的样本空间下,基于GLCM-SOM的裂缝识别模型,通过构建的标准特征样本集(角二阶矩(ASM)、熵(ENT)等)排除环境因素及孔洞、凹陷等缺陷的干扰,获得较高的识别精度;基于SOM-GLCM的裂缝监测数据显示,筛选出的相关(COR)和聚类阴影(CLS)损伤特性指标与裂缝的发展情况具有良好的线性关系,可作为裂缝延展趋势的敏感特性指标。提出的G-S-G裂缝检测方法,充分结合GLCM与SOM各自的独特优势,建立起精准识别裂缝损伤的网络模型,并对裂缝的发展趋势进行有效监测。研究有助于实现现代混凝土结构裂缝损伤的高精度智能化健康监测。