压电陶瓷传感器监测混凝土内部缺陷的可行性研究

摘要： 为监测在役混凝土结构在使用过程中的内部缺陷程度变化并定位缺陷位置,本文探索一种基于应力波的探测方法并进行试验研究,将压电传感器(PZT)以阵列形式安装在混凝土表面,将混凝土划分为不同区域,阵列中的一个传感器发射波,另一个传感器接收波,采用扫频模式和五峰值脉冲模式对混凝土不同区域进行监测。试验结果表明,当应力波通过待监测区域时,由于混凝土内部存在缺陷,应力波幅值衰减,波能降低。为了量化混凝土结构内部缺陷程度,构造基于接收信号的能量指数和损伤指数,并分别建立其与缺陷程度的函数关系,依据不同区域能量指数和损伤指数差异,确定混凝土内部缺陷存在的区域。试验结果与试件实际情况相吻合,验证了本文采用压电传感器监测混凝土内部缺陷的可行性。

关键词: 压电传感器, 应力波, 混凝土结构监测, 内部缺陷, 信号能量分析, 时域分析

0 引 言

混凝土结构因造价低、施工便利、抗压承载力好等优点,被广泛应用于建筑结构中^[1]。然而,混凝土结构在服役过程中,由施工不当或材料本身原因等造成的内部初始缺陷会不断扩展,使其承载力降低,影响建筑结构的安全性和耐久性^[2]。为减少和避免混凝土内部缺陷发展造成的经济损失,及时对其进行健康监测十分必要。

混凝土结构内部缺陷监测在文献中得到了广泛关注。目前混凝土内部缺陷的监测方法主要有超声波法^[3]、声发射法^[4]、图像处理法^[5]、雷达法^[6-8]、红外成像法^[9-11] 等。然而,上述方法大多需要专业监测设备及技术人员的参与,成本较高,费时费力,难以实时获取结构缺陷信息、预测结构健康状况,且结构复杂的建筑还存在难以检测到的位置^[12]。而基于压电传感器( piezoceramics transducer, PZT)的声发射法具有响应快、灵敏度高、具备传感和驱动双重功能等优点可逐步应用于结构健康监测领域^[13-15]。

目前,将 PZT 应用于钢筋混凝土内部损伤监测^[16-18]、混凝土内部湿度变化趋势^[19]、混凝土早期强度发展^[20]、地震作用下混凝土结构的应力分布规律[21]等的研究已有报道。此外,也有研究人员探索了 PZT 在缺陷定量和定位方面的研究。Markovic'等^[22] 提出了一种基于压电智能骨料(smart aggregate, SA)的钢筋混凝土板损伤定位方法。Xiong 等^[23]利用 PZT 对混凝土内部缺陷进行定量评价。张浩等^[24]提出了一种基于 SA的方法监测混凝土梁裂缝的损伤程度并定位裂缝区域。综上,关于混凝土梁板柱结构在使用过程中内部缺陷发展及缺陷位置的研究少见报道。

为此,本文采用 PZT,结合主动监测技术对 4 组共 7 个带内部缺陷的混凝土试件进行试验研究,探索一种混凝土缺陷监测和缺陷位置识别的方法。试验中,将不同尺寸的塑料空心球埋置在混凝土试件的不同位置,模拟混凝土内部缺陷,将压电传感器粘贴在养护好的混凝土表面,用于监测混凝土内部缺陷情况。不同大小的缺陷使传感器接收的信号幅值产生不同程度的衰减,基于时域信号构造能量指数及损伤参数,并建立其与缺陷大小的函数关系,定量分析混凝土内部缺陷程度。对比不同区域的能量指数与损伤参数,判定混凝土内存在缺陷的区域,以期探索 PZT 监测混凝土内部缺陷位置及缺陷程度的可行性。

1 压电陶瓷传感器的主动监测方法

基于 PZT 的主动监测方法是指在待测结构上安装两枚 PZT,一枚作为驱动器,另一枚作为传感器。基于PZT 的正逆压电效应,通电激励驱动器产生应力波,在混凝土内部传播,同时另一枚传感器接收通过待检测区域的应力波并将其转化为电信号,其监测原理如图 1 所示^[25]。

图 1 混凝土内部缺陷监测原理图

监测过程中,由于内部缺陷的存在,应力波在缺陷附近传播时发生反射和绕射等现象,使 PZT 接收的电信号幅值降低,信号能量衰减。基于此原理,可建立基于信号幅值、能量的相关参数:能量指数和损伤参数。并建立参数与混凝土缺陷程度的函数关系,定量描述混凝土内部缺陷程度。

2 混凝土结构内部缺陷监测方法

2. 1 损伤评定参数

针对扫频模式及五峰值模式,有学者^[24]证明基于信号能量及幅值建立的参数能较好反映混凝土裂缝损伤程度。因此可以定义基于扫频接收信号的能量指数 EI^K,基于五峰值脉冲信号的损伤参数 RA 来反映结构缺陷程度。信号能量 E^K 的表达式为

式中:x_n 为信号的离散点;n 为采样点数。计算能量指数 EI^K,并以此表征待检测结构不同区域的缺陷程度,EI^K 定义为

式中:能量指数 EI^K 表示在 PZT 监测范围内,每个 PZT 接收到的信号能量值与监测区域内所有 PZT 接收到的信号能量平均值的对比。若某一监测区域的 EI^K 小于 1,即响应信号的能量值小于监测区域内所有响应信号的能量平均值,则该区域存在缺陷的概率最大,且能量值相差越大,内部缺陷程度越大。

在五峰值脉冲模式下接收的响应信号,定义损伤参数 R_A 为

式中:x₀(t)为健康区域接收的时域信号;xj(t)为损伤区域接收的时域信号。(t₂ - t₁ )对应接收信号的一个周期。若某一区域无损伤时,R_A 值为 0,当缺陷程度越大时,R_A 值越小并趋近于 1。

2. 2 结构损伤的定位方法

采用 PZT 定位混凝土内部缺陷时,将 PZT 按照一定规律布置在结构上。此时,混凝土结构被分割成多个区域,采用一对 PZT 监测每个区域,当某一子区域产生缺陷损伤时,可根据 PZT 接收的信号变化及变化程度确定缺陷位置和缺陷程度。 分割子区域类似于有限元中划分网格,网格划分越密集,计算结果越精确,但是对计算平台要求越高,计算时间越长,而稀疏的网格又会降低其计算精度。同理,结构中布置的 PZT 数量越多,子区域的范围越小,缺陷定位越精确,相反结构中布置的 PZT 数量越少,子区域的范围越大,缺陷定位精度降低。因此,PZT 的数量需根据结构尺寸、形状及实际需求综合考虑。

根据待检测结构形状的不同,将 PZT 以一维、二维和三维的形式布置在结构中,如图 2 所示。

图 2 PZT 在不同结构中的布置形式

由图 2 可以看出每一个 PZT 在混凝土试件中的位置是固定不变的,可以依据 PZT 的相对位置和监测结果对缺陷的位置进行定位,可通过 EI^K 值和 RA 值的变化判断缺陷位置和缺陷程度。文中混凝土试件已养护完成,将压电传感器粘贴在试件表面,当其中某些压电传感器出现异常时,便于及时更换,保证监测过程实时进行。

3 混凝土结构内部缺陷监测试验

3. 1 混凝土试件及试验装置

试验中混凝土试件尺寸为 320 mm × 100 mm × 100 mm。在浇筑混凝土前,在模具内的标定位置绑扎塑料空心球,使混凝土内部出现介质不均匀的区域,以此模拟混凝土内部缺陷。将搅拌好的混凝土浇筑在设计好的模具中,在标养条件下养护 28 d,混凝土配合比见表 1。在混凝土试件表面粘贴 4 枚 PZT,压电陶瓷的型号为 PZT-5H,选用的粘合剂为上海康达公司的双组分环氧树脂,在粘贴时用手指轻轻按压 PZT,挤出多余的胶水,防止粘结层过厚降低 PZT 与试件间剪力传递效率,PZT 在混凝土试件中的布置图如图 3 所示。

表 1 混凝土配合比 

图 3 PZT 在混凝土试件中的布置图

混凝土试件内部缺陷监测系统包括 AFG 1022 任意函数/ 波形发生器、功率放大器、混凝土试件、NI USB-6366数据采集卡、PZT、安装 LabVIEW 软件的笔记本电脑,如图 4 所示。试验中波形发生器产生电信号,电信号经过功率放大器后激励驱动器产生应力波在混凝土中传播,数据采集系统接收传感器的响应信号。在监测过程中,信号类型有正弦线性扫频和五峰值脉冲,数据采样频率为 100 kHz。扫频波参数:起始频率 f₀ 为100 Hz,截止频率 f₁ 为 100 kHz,总时长 T 为 1 s,幅值 A 为 5 V。五波峰信号通过软件 Arb Express 调试,由信号发生器产生,其中心频率为 10 kHz,幅值为 5 V。

图 4 试验监测系统

3. 2 试验设计

试验中,浇筑四组共 7 个混凝土试件,试件内部缺陷设置情况如表 2 所示。其中 C0 作为对比试件,不埋入空心塑料球。为防止混凝土振捣过程中塑料空心球上浮,通过细铁丝将空心球固定在混凝土模具中,具体埋置情况见图 5。

表 2 混凝土试件内部缺陷情况

图 5 以塑料空心球为内部缺陷的混凝土试样示意图

在第 1 组试验中,以 PZT2 作为驱动器发射信号,以 PZT3 作为传感器接收信号,对所有试件进行监测,两枚传感器的间距为270 mm,具体工况见表3。第1 组试验目的是研究压电传感器位置固定的情况下,监测信号随试件内缺陷的位置、大小变化的规律。

表 3 第 1 组试验工况

在第 2 组试验中,通过 4 枚压电传感器将 B、C 组的混凝土试件划分为Ⅰ、Ⅱ、Ⅲ三个监测区域,并对混凝土试件的不同区域进行监测,具体工况见表 4。监测区域Ⅰ中 PZT1 发射信号,PZT2 接收信号,设为工况 3;监测区域Ⅱ中 PZT2 发射信号,PZT3 接收信号,设为工况 4;监测区域Ⅲ中 PZT3 发射信号,PZT4 接收信号,设为工况 5,各 PZT 对的间距为 90 mm。对比不同工况监测结果,确定缺陷存在区域。

表 4 第 2 组试验工况

4 结果与讨论

4. 1 第 1 组试验结果分析

采用扫频模式对混凝土试件进行监测,第 1 组试验接收到的信号时域如图 6 所示。可以看出随着试件内的缺陷程度增大,信号幅值不断减小。工况1、2 下,传感器从试件 C0 获取的时域信号幅值最大,其峰值为0. 014 V;传感器从试件 C1-50、C2-50 获取的时域信号幅值最小,其最大值均在 0. 006 V 左右。原因在于随着混凝土内部缺陷程度增大,缺陷对应力波的反射效果越明显,传感器接收到的信号幅值不断减小。

图 6 第 1 组试验扫频模式下信号时域图

为了定量分析接收到的信号强弱程度,计算同一工况下传感器接收的信号能量值,并将其平均值作为基准值,通过式(2)计算信号的能量指数 EI^K,结果如图 7 所示:在两种工况下,当混凝土试件无缺陷时,EI^K 最大,分别为 167. 8% 和 172. 1% ;随着内部缺陷程度的增大,EI^K 不断减小,最大减小幅值分别为 52. 0% 、53. 3% ,对应缺陷直径由 30 mm 变为 50 mm,即缺陷体积变化最大的情况,符合实际情况。当缺陷位置发生改变而传感器位置和缺陷程度不变时,其 EI^K 相近,各组两个试件的差值在 2. 5% 以内。这说明当 PZT 的位置固定时,其接收的信号能量只与缺陷大小有关。

图 7 第 1 组试验扫频模式下能量指数 EI^K 值变化图

以两种工况下缺陷程度相同时测得的信号能量指数 EI^K 的均值作为因变量,缺陷直径 D 作为自变量,建立两者间的函数关系。

式中:EI^K 单位为% 。式(4)对 D 求导后结果为

可以看出,能量指数与混凝土梁构件内部缺陷的直径呈负相关。在无损伤情况下,能量指数 EI^K 值最大,随着缺陷程度增大,EI^K 值逐渐趋近于 0。因此采用能量指数能较好地反映混凝土内部缺陷程度。

五峰值脉冲信号的监测结果如图 8 和图 9 所示,图 8 表示采用五峰值脉冲信号对 C0 进行监测的结果。由图 8 可见响应信号的周期为 1 ms,因此对五峰值脉冲模式下的响应信号截取 1 ms 进行分析。图 9 中(a)、(b)分别表示工况 1、2 下的信号时域图。从图中可以看出,在五峰值模式下,传感器测得的信号幅值也可以反映混凝土缺陷程度变化。当试件内无缺陷时,其幅值最大为 0. 69 V,随着缺陷程度增大,信号幅值减小。

图 8 五峰值脉冲模式下无缺陷状态的信号时域图

图 9 第 1 组试验五峰值脉冲模式下信号时域图

为了定量描述混凝土缺陷程度与信号幅值的大小,采用式(3)计算不同缺陷程度下的损伤指数 R_A,如图 10所示。可知缺陷直径不变时,缺陷位置的改变不会影响损伤指数 R_A,此结果与扫频信号的监测结果一致。

图 10 第 1 组试验五峰值脉冲模式下损伤指数 R_A 变化图

以两种工况,同一缺陷程度下的损伤指数 R_A 为因变量,以缺陷直径 D 为自变量,建立 R_A 与 D 间的函数关系,如式(6)所示。

第 1 组试验五峰值脉冲模式下损伤指数 R_A 变化如图 10 所示,可以看出,缺陷直径与损伤指数 R_A 近似呈指数关系,随着混凝土缺陷直径的增大,损伤指数逐渐增大并趋近于 1,且其拟合度为 0. 98,因此可根据定义的损伤指数确定混凝土内部缺陷程度。

通过上述两种模式对混凝土内部缺陷监测试验的结果表明:本文所采用的两种信号波形及对应的两种参数均能较好反映混凝土内部缺陷大小。在某一监测区域内,压电传感器布置的位置固定,混凝土缺陷程度不变时,缺陷位置变化对 EI^K 和 R_A 的影响很小。

4. 2 混凝土内部缺陷位置探测试验

图 11 给出了第二组试验在工况 3、4、5 下,扫频模式的响应信号。由图可见,同一试件,传感器在健康区域接收的时域信号幅值明显大于缺陷区域。且随着缺陷增大,健康区域和缺陷区域的信号幅值相差越大。此外,不同试件的健康区域时域信号峰值接近,但波形存在差异,而同一试件无缺陷的两个监测单元时域信号波形相似,原因在于混凝土为非均质材料,不同试块的粗骨料数量和排布方式、振捣密实程度均有差别,但同一试块,混凝土内部情况接近,因此接收的时域信号波形相似。

图 11 第 2 组试验在扫频模式下信号时域图

图 12 给出了试件在不同工况下的能量指数 EI^K 值变化图。由图 12(a)可以看出,各试件在工况 3 下的EI^K 值明显小于其余两种工况,而工况 4、5 下的 EI^K 值接近,由此可以判断缺陷只发生在区域Ⅱ,监测区域Ⅱ和Ⅲ未发生缺陷。由图 12(b)可以看出,与监测区域Ⅰ和Ⅲ相比,内部存在缺陷,这与实际缺陷情况吻合。对比不同试块在健康区域的 EI^K 值后发现其离散型较大,为了减小不同试块测得数据的离散型,说明不同缺陷程度对测试结果的影响,对试块三个区域求得的 EI^K 值进行归一化处理:以三个区域 EI^K 值的和为基数,求解缺陷区域 EI^K 值所占比例,其结果如图 13 所示。可以看出,随着缺陷直径的增加,缺陷区域的归一化指数减少,且混凝土缺陷程度相同时,得到的归一化指数接近,证明能量指数可以较好地反映混凝土缺陷程度变化。

图 12 第 2 组试验不同工况下的能量指数 EI^K 值变化图

图 13 混凝土试件缺陷区域归一化指数变化图

图 14 给出了第 2 组试验在五峰值脉冲下传感器的响应信号。由图可知各试件在健康区域接收的信号最大幅值在 0. 1 V 左右,随着缺陷直径增大,信号时域幅值减小。还可以看出试件 C1-20、C1-30、C1-50 在工况 3 下信号幅值明显低于工况 4、5 下的信号幅值,试件 C2-20、C2-30、C2-50 在工况 4 下的信号幅值明显低于工况 3、5 下的信号幅值。

图 14 第 2 组试验在五峰值脉冲模式下信号时域图 

提取信号幅值较大的两个工况下的时域信号,并将健康区域的两组信号的平均值作为基准值,求得各试件在不同工况下的 R_A 值并绘制变化曲线,如图 15所示。试件 C1-20、C1-30、C1-50 在工况 4、5 下的损伤指数相近且小于工况 3,试件 C2-20、C2-30、C2-50 在工况 3、5 下的损伤指数相近且小于工况 4,由此可确定试件 C1-20、C1-30、C1-50 的缺陷存在于监测区域Ⅰ,试件 C2-20、C2-30、C2-50 的缺陷存在于监测区域Ⅱ。试验证明,可通过五峰值波定位混凝土试件中存在缺陷的损伤区域。

图 15 第 2 组试验不同工况下 R_A 值

通过扫频波和五峰值波对混凝土梁中缺陷位置探测的试验表明,本文采用的波形以及提出的参数能够较好确定混凝土内存在缺陷的区域。需注意,这种缺陷定位方式只是一种近似方法,缺陷位置的准确度与压电传感器在结构中布置的数量有关。

5 结 论

针对以往方法对混凝土结构缺陷监测的不足,本文探索一种基于应力波理论的压电传感器主动监测技术,对混凝土内部缺陷程度进行判定和损伤区域确定的方法。主要的结论如下:

(1)混凝土内部缺陷监测试验结果表明,基于扫频信号和五峰值脉冲信号建立的能量指数 EI^K 与损伤指数 R_A 对混凝土内部缺陷程度变化敏感。当缺陷程度增加时,EI^K 值较小并趋近于 0,RA 值越大并趋近于1。因此,可通过 EI^K、R_A 判定内部缺陷程度。且当传感器位置固定、缺陷程度相同时,缺陷位置的变化不会影响 EI^K 和 R_A 值。
(2)采用压电传感器阵列的方式对混凝土结构不同区域进行监测,由于内部缺陷的存在,应力波在该区域传播过程中幅值衰减,能量降低,通过 EI^K 值和 R_A 值的变化定位其缺陷区域。

参考文献：

[1] MEYER C. The greening of the concrete industry[J]. Cement and Concrete Composites, 2009, 31(8): 601-605.
[2] 陈姣姣,蔡 新.水工混凝土损伤研究综述[J].混凝土,2016(10):139-142.
[3] LEI B, WANG N, XU P, et al. New crack detection method for bridge inspection using UAV incorporating image processing[J]. Journal of aerospace engineering, 2018, 31(5):4018058.1-4018058.13.
[4] SAGAR R V. Acoustic emission characteristics of reinforced concrete beams with varying percentage of tension steel reinforcement under flexural loading[J]. Case Studies in Construction Materials, 2017, 6: 162-176.
[5] LIU Y F, CHO S, SPENCER B, et al. Concrete crack assessment using digital image processing and 3D scene reconstruction[J]. Journal of Computing in Civil Engineering, 2016, 30(1):04014124.
[6] ROBERTS R, CORCORAN K, SCHUTZ A. Insulated concrete form void detection using ground penetrating radar[J]. Structural Faults and Repair Conference, 2010, 17: 1-12.
[7] JANKUŮ M, CIKRLE P, GROŠEK J, et al. Comparison of infrared thermography, ground-penetrating radar and ultrasonic pulse echo for detecting delaminations in concrete bridges[J]. Construction and Building Materials, 2019, 225: 1098-1111.
[8] CASSIDY N J, EDDIES R, DODS S. Void detection beneath reinforced concrete sections: the practical application of ground-penetrating radar and ultrasonic techniques[J]. Journal of Applied Geophysics, 2011, 74(4): 263-276.
[9] 朱 珊,周文杰,李晓莹.混凝土健康监测技术综述[J].建筑结构,2022,52(s1):2248-2252.
[10] COTIČ P, KOLARIČ D, BOSILJKOV V B, et al. Determination of the applicability and limits of void and delamination detection in concrete structures using infrared thermography[J]. NDT & E International, 2015, 74: 87-93.
[11] XIE J, WU C W, GAO L M, et al. Detection of internal defects in CFRP strengthened steel structures using eddy current pulsed thermography[J]. Construction and Building Materials, 2021, 282: 122642.
[12] 刘红玲,苗剑魁.大型土木结构健康监测系统[J].建筑结构,2013,43(s2):337-340.
[13] 孙 威,阎 石,焦 莉,等.基于压电波动法的混凝土裂缝损伤监测技术[J].工程力学,2013,30(s1):206-211.
[14] LU Y Y, MA H Y, LI Z J. Ultrasonic monitoring of the early-age hydration of mineral admixtures incorporated concrete using cement-based piezoelectric composite sensors[J]. Journal of Intelligent Material Systems and Structures, 2015, 26(3): 280-291.
[15] LI L, XU D Y, HUANG S F, et al. Investigation of piezoelectric composite transducer in ultrasonic monitoring of cement hydration[J]. Advances in Cement Research, 2015, 27(7): 424-432.
[16] ERVIN B L, REIS H. Longitudinal guided waves for monitoring corrosion in reinforced mortar[J]. Measurement Science and Technology, 2008, 19(5): 055702.
[17] HU B, KUNDU T, GRILL W, et al. Embedded piezoelectric sensors for health monitoring of concrete structures[J]. ACI Materials Journal, 2013, 110(2): 149-158.
[18] LIAO W I, WANG J X, SONG G, et al. Structural health monitoring of concrete columns subjected to seismic excitations using piezoceramic-based sensors[J]. Smart Materials and Structures, 2011, 20(12): 125015.
[19] LIU T J, HUANG Y C, ZOU D J, et al. Exploratory study on water seepage monitoring of concrete structures using piezoceramic based smart aggregates[J]. Smart Materials and Structures, 2013, 22(6): 065002.
[20] SONG G B, GU H C, MO Y L. Smart aggregates: multi-functional sensors for concrete structures: a tutorial and a review[J]. Smart Materials and Structures, 2008, 17(3): 033001.
[21] HOU S, ZHANG H B, OU J P. A PZT-based smart aggregate for compressive seismic stress monitoring[J]. Smart Materials and Structures, 2012, 21(10): 105035.
[22] MARKOVIĆ N, NESTOROVIĆ T, STOJIĆ D, et al. Hybrid approach for two dimensional damage localization using piezoelectric smart aggregates[J]. Mechanics Research Communications, 2017, 85: 69-75.
[23] XIONG Y L, ZHANG S Q, CHEN C, et al. Experiments and finite element analysis for detecting the embedded defects in concrete using PZT transducers[J]. Construction and Building Materials, 2021, 292: 123318.
[24] 张 浩,李俊杰,康 飞.基于压电智能骨料的混凝土梁裂缝损伤监测研究[J].振动与冲击,2021,40(21):215-222.
[25] GAO W H, HUO L S, LI H N, et al. An embedded tubular PZT transducer based damage imaging method for two-dimensional concrete structures[J]. IEEE Access, 2018, 6: 30100-30109.