混凝土结构在服役期内不可避免地会产生微裂纹，而对早期微损伤的准确识别与定位，直接关系到维护时机的判断与结构寿命的延长。近日，河海大学雷冬教授团队在中国工程院Engineering集群分刊ENGINEERING Structure and Civil Engineering上发表了题为“Concrete multi-crack identification and location using back-propagation neural network and digital image correlation”的研究论文。

该研究将轻量级反向传播（BP）神经网络与数字图像相关技术相结合，在不依赖大规模标注数据的前提下，实现了对混凝土表面多条微裂纹的准确识别与空间定位，为结构健康监测提供了一种高效、实用的新思路。

图1.三点弯曲试件及加载尺寸

DIC图像采集系统

比云图更早的预警

数字图像相关（DIC）技术已在混凝土开裂监测中广泛应用，能够通过全场应变云图捕捉肉眼难以察觉的早期应变集中带。然而，DIC的局限同样明显：一次试验动辄产生数万张图像、百万级数据点，人工分析效率极低，且容易受到噪声干扰，难以捕捉非线性演化特征。与此同时，以卷积神经网络为代表的深度学习方法虽在图像识别中表现突出，却高度依赖大量人工标注的裂纹数据集，训练成本高、计算资源消耗大，且在捕捉长而连续的全局裂纹时性能不佳。如何在无需海量标签的前提下，从DIC输出的高维数据中自动、准确地提取裂纹信息，成为当前结构损伤识别领域亟待解决的现实问题。

轻量网络撬动海量数据

针对上述挑战，研究团队提出了一种基于BP神经网络的解决方案。研究首先通过素混凝土三点弯曲试验，系统比较了不同隐含层数与神经元数量对网络性能的影响，确定了双隐含层、每层3个神经元的最优轻量结构——训练仅需约110轮、0.53秒，精度仍保持在94%以上。随后，团队将DIC输出的应变与位移数据作为输入向量，发现仅凭第一主应变即可有效反映损伤演化，而融合全部物理量（CO1组合）则使网络输出更为稳定。关键在于，当网络输出阈值设为0.8时，其预警时刻（位移0.974mm）显著早于DIC云图可识别时刻（1.078mm）及载荷-位移曲线的突降点（1.006mm），证明了该方法的超前预警能力。

图3.CO1组合BP神经网络损伤识别点A、载荷突降点B与DIC应变云图损伤识别点C

在多裂纹定位层面，研究将钢筋混凝土梁四点弯曲试验的DIC应变云图划分为8×16个子区域，利用db10小波包提取各子区域信号能量作为训练标签，仅用54组样本（含48组健康样本与6组损伤样本）便训练出可预测全图裂纹分布的BP模型。预测结果与实际裂纹带高度吻合，且能识别出部分小波包能量变化率（ECR）方法漏判或误判的子区域（如图4中8-1、4-2等），展现出更全面的全局识别能力。

图4.载荷13.0kN下钢筋混凝土梁试件应变云图的区域划分

图5.BP神经网络模型对试件裂纹位置的预测

轻量方案的工程价值与局限

该研究的价值在于提供了一条“轻量、少标签、可迁移”的技术路径。相比动辄需要数千张标注图像的CNN，本方法仅需数十组能量特征样本即可完成训练，且训练时间以秒计算，极大降低了工程应用的门槛。同时，该方法在预警时效性和多裂纹空间定位精度上均优于传统DIC云图目视判别和ECR经验阈值法，为混凝土结构的日常巡检与健康评估提供了一个可落地的工具。

当然，BP神经网络本质上是黑箱模型，对裂纹物理机制的解释性略显不足，而引入物理信息神经网络（PINN）有望弥补这一缺憾，实现“数据驱动”与“机理驱动”的融合。整体而言，该工作并非试图取代现有方法，而是在复杂方法与工程实用之间找到了一个值得关注的平衡点。（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fsce/EN/10.1007/s11709-026-1328-2