在建筑领域，混凝土结构就像建筑物的 “骨骼”，支撑着整个建筑的稳定与安全。然而，腐蚀这个 “隐藏的杀手” 却时刻威胁着混凝土结构的寿命。传统评估混凝土结构腐蚀的方法，比如靠眼睛观察锈迹或者用锤子敲击听声音来判断，都存在明显的不足。前者主观性强，容易受到观察者经验的影响；后者在腐蚀初期检测效果不佳，无法及时发现潜在问题。而探地雷达（Ground Penetrating Radar，GPR）作为一种无损检测（Non-Destructive Testing，NDT）技术，虽然有一定优势，但现有的 GPR 数据解读方法大多只依赖钢筋反射强度的绝对值，在面对复杂因素时很容易误判。为了解决这些问题，香港理工大学等机构的研究人员开展了一项关于基于 GPR 频域分析评估混凝土结构腐蚀性的研究。他们的研究成果发表在《Heliyon》上，为混凝土结构的维护和安全评估带来了新的思路和方法。
研究人员用到的主要关键技术方法包括：数据采集与预处理，对 4 个有腐蚀和分层问题的钢筋混凝土墙进行扫描，并通过钢筋暴露和锤击测试获取真实腐蚀情况；采用带通滤波、去除直流偏移等手段对 GPR 原始信号进行预处理。利用深度学习（Deep Learning，DL）算法 YOLOv8 实现钢筋自动定位，提高检测效率。运用短时间傅里叶变换（Short-Time Fourier Transform，STFT）进行时频域分析，关注钢筋反射小波的频率变化。通过对频率数据进行归一化和深度校正，优化 GPR 条件映射阈值，使评估结果更准确。
研究结果如下：

1. 自动钢筋拾取性能：使用 i7 - 12700H CPU 和 RTX 3060 6GB GPU 的笔记本电脑训练基于 YOLOv8 的 DL 模型，在 10125 个钢筋注释上进行训练和验证。模型在识别腐蚀区域的钢筋特征时表现出较高精度，训练和验证过程中精度、召回率和 mAP50 指标都有良好提升。
2. 阈值优化结果
   • GPR 条件映射：对 GPR 数据进行滤波处理后，通过 STFT 分析钢筋反射信号。研究发现，腐蚀环境会使钢筋反射信号的中心频率降低，且信号幅度也与腐蚀程度相关。根据中心频率变化，结合归一化和深度校正，确定两个阈值用于 GPR 条件映射。
   • 地面真实条件映射：通过锤击测试和钢筋暴露获取地面真实的腐蚀和分层情况。在锤击测试中，采用网格配置，记录反射声波，通过分段分析和视觉检查去除噪声，根据声波反射特征判断混凝土结构状况，生成地面真实条件映射。
   • GPR 阈值优化：将 GPR 条件映射与地面真实条件映射进行对比，优化阈值 T1 和 T2。T1 用于区分有腐蚀和无腐蚀区域，T2 用于识别可能存在腐蚀诱导分层的严重腐蚀区域。最终确定 T1 为 10、T2 为 16 时，GPR 条件映射与地面真实情况最吻合。
   
   
3. 模型验证：用该方法对另外 3 个钢筋混凝土墙进行条件映射，并与传统的基于幅度的方法对比。结果显示，该方法检测活性腐蚀的平均准确率为 0.80，检测严重腐蚀（腐蚀诱导分层）的准确率为 0.84，优于传统方法。传统方法在评估混凝土墙时表现较差，是因为混凝土墙与桥面板存在差异，如面积小、保护层薄等，会影响幅度分析的准确性。
   研究结论和讨论部分指出，该研究提出的基于 GPR 时频域分析的方法在混凝土结构腐蚀性评估方面具有显著优势。它能够更准确地检测腐蚀情况，为混凝土结构的维护和干预决策提供可靠依据。同时，该方法在浅保护层深度的混凝土结构评估中表现良好。然而，研究也存在一定局限性，如只使用了 1.6GHz 的 GPR 天线，未单独评估氯化物、水分和腐蚀副产物的影响等。未来研究可以拓展到更多类型的混凝土结构和 GPR 频率，运用 DL 和机器学习（Machine Learning，ML）方法深入分析各种因素的影响，结合其他无损检测技术提高检测精度，从而进一步完善混凝土结构腐蚀性评估体系，保障建筑结构的安全与稳定。

閹垫捁绁�

娑撳娴囩€瑰宓庢导锔炬暩鐎涙劒鍔熼妴濠団偓姘崇箖缂佸棜鍎禒锝堥樋閹活厾銇氶弬鎵畱閼筋垳澧块棃鍓佸仯閵嗗甯扮槐銏狀洤娴ｆ洟鈧俺绻冩禒锝堥樋閸掑棙鐎芥穱鍐箻閹劎娈戦懡顖滃⒖閸欐垹骞囬惍鏃傗敀

10x Genomics閺傛澘鎼isium HD 瀵偓閸氼垰宕熺紒鍡氬劒閸掑棜椴搁悳鍥╂畱閸忋劏娴嗚ぐ鏇犵矋缁屾椽妫块崚鍡樼€介敍锟�

濞嗐垼绻嬫稉瀣祰Twist閵嗗﹣绗夐弬顓炲綁閸栨牜娈慍RISPR缁涙盯鈧鐗哥仦鈧妴瀣暩鐎涙劒鍔�

閸楁洜绮忛懗鐐寸ゴ鎼村繐鍙嗛梻銊ャ亣鐠佹彃鐖� - 濞ｅ崬鍙嗘禍鍡毿掓禒搴ｎ儑娑撯偓娑擃亜宕熺紒鍡氬劒鐎圭偤鐛欑拋鎹愵吀閸掔増鏆熼幑顔垮窛閹貉傜瑢閸欘垵顫嬮崠鏍掗弸锟�

娑撳娴囬妴濠勭矎閼崇偛鍞撮摂瀣鐠愩劋绨版担婊冨瀻閺嬫劖鏌熷▔鏇犳暩鐎涙劒鍔熼妴锟�