《Ultrasonics》：High-resolution ultrasonic waveform analysis for decoupling physical effects in multi-damaged and healing in concrete using vibro-acoustic feature engineering and machine learning
编辑推荐：
阿里·A·沙克里（Ali A. Shakeri）| 阿里·卡德科达伊（Ali Kadkhodaei）| 萨德格·达尔达伊（Sadegh Dardaei）| 法里博兹·M·特赫拉尼（Fariborz M. Tehrani）
伊朗德黑兰塔比亚特莫达雷斯大学（Tarbiat Modar
阿里·A·沙克里（Ali A. Shakeri）| 阿里·卡德科达伊（Ali Kadkhodaei）| 萨德格·达尔达伊（Sadegh Dardaei）| 法里博兹·M·特赫拉尼（Fariborz M. Tehrani）
伊朗德黑兰塔比亚特莫达雷斯大学（Tarbiat Modares University, TMU）跨学科科学与技术学院，现代工程技术系，智能材料与结构专业，邮编111-14115
摘要
在混凝土等异质介质中表征复杂的微观结构变化是一个重大挑战：多种物理效应（如热微裂纹、材料孔隙率、含水量以及随后的修复机制）会产生重叠的声学现象，而传统的分析方法无法区分和量化这些现象。具体来说，依赖单一描述指标（如飞行时间（Time-of-Flight, TOF）会忽略传播超声波波形的全部信息内容。本研究介绍了一种先进的超声波信号处理方法，旨在实现对这些多参数效应的高分辨率、定量评估，包括热损伤、水分效应和材料修复情况的评估。其核心创新在于振动声学特征工程（Vibro-Acoustic Feature Engineering），该方法通过专门的脚本从时间域、频率域和时间-频率域中提取79个独特的信号特征，以捕捉整个55 kHz波形中的细微变化。为了解释驱动这些信号变化的物理机制，研究人员将XGBoost模型与SHapley Additive exPlanations（SHAP）相结合。这种方法实现了定量解耦，即能够区分多个物理参数对观察到的信号特征的相对影响，包括材料孔隙率、热损伤、含水量和修复进程。SHAP分析不仅证实了该方法的分析能力，还通过量化每个参数对关键信号特征（如高频衰减、时间-频率能量分布和信号熵）的具体影响，提供了更深入的物理声学见解。此外，将基于深度学习的裂纹量化技术（自适应裂纹剖面网络，Adaptive Crack Profiling Network）与基于机器学习的特征解释相结合，形成了一个全面的损伤评估和修复效果验证框架。这项工作为数据驱动的超声波技术和物理声学领域做出了重要贡献，提高了超声波工具在复杂材料表征和监测修复效果方面的灵敏度和解释能力。
引言
混凝土是全球使用最广泛的建筑材料，在恶劣环境和热条件下保持长期耐久性和性能方面面临重大挑战[1]。高温环境（如火灾或工业过程中的高温）会导致微观结构恶化、强度下降、孔隙率增加和广泛裂纹[2][3][4]。这些损伤通常需要昂贵的修复或更换措施，因此迫切需要可持续且高效的修复监测策略[5]。最近的研究提出了将自修复剂（通常用于自主修复系统）作为热损伤混凝土的外部修复材料[6][7][8][9]。其中，微生物诱导的碳酸钙沉淀[10]和结晶外加剂（如硅酸钠[11]）已成为高温暴露后恢复材料完整性的有希望的候选方案。
评估此类复杂修复机制效果的一个核心挑战是缺乏一种能够准确捕捉内部微观结构变化的可靠定量超声波方法。尽管传统的破坏性方法对于机械评估很有价值，但它们具有侵入性、耗时且不适合连续监测[12][13][14]。超声波脉冲速度（Ultrasonic Pulse Velocity, UPV）测试提供了一种基于波的诊断方法，因为它对内部密度、裂纹和粘结条件的变化具有高敏感性[15][16][17]。然而，测得的声学响应反映了多种相互作用物理因素的复杂组合，包括含水量[18]、轻质骨料（Lightweight Aggregate, LWA）分布[19]、热裂纹[20][21][22]、界面过渡区（Interfacial Transition Zone, ITZ）内的变化[23]以及修复材料的微观尺度声学影响[24]。因此，将声学信号的任何变化简单地归因于特定原因（如损伤或修复过程的声学特征）往往是不可靠的[25][26][27]。此外，试样的水化阶段和内部含水量也会影响超声波响应[28]。这种无法分离重叠声学影响的情况是目前非破坏性定量评估修复后异质系统研究中的一个关键缺陷。
有两个研究领域为解决这一问题奠定了基础：(i) 极端条件下的材料物理声学；(ii) 先进的基于波的健康监测[29][30][31][32]。利用UPV的研究表明，热暴露显著改变了超声波的传播特性，揭示了基于波的诊断方法对微观结构退化的敏感性[20]。同时，多项研究验证了生物矿化和结晶处理在裂纹修复和微观结构恢复中的有效性[10][11]。然而，修复机制的精确声学表现仍缺乏定量描述。此外，机器学习（Machine Learning, ML）在物理声学中的日益应用使得从复杂数据集中提取隐藏模式成为可能，将微观结构参数与可测量的声学响应联系起来[33][34]。
尽管超声波测试的声学敏感性已被广泛认可，但目前大多数研究仍依赖于基本的时间域描述指标，如飞行时间（TOF）、第一峰幅度或全局频率偏移[35][36]。这些低维声学特征容易受到环境噪声和成分变化的干扰，限制了其诊断的稳健性和物理分辨率[37][38][39]。为了充分利用超声波信号的信息内容，特征工程必须扩展到时间和频率两个域，以便识别与微裂纹或修复剂引起的矿物沉淀等现象相关的独特振动声学特征[40][41][42][43]。缺乏这种高维的、基于物理的信号解释方法仍然是开发可靠的结构健康监测框架（尤其是针对混凝土等复杂异质材料）的主要技术障碍。
为了解决这一挑战，本研究提出了一个综合的实验和分析框架，将先进的超声波信号处理与可解释的人工智能相结合，用于评估热损伤后的混凝土修复情况。十六种混凝土混合物（包括含有轻质膨胀粘土骨料（Lightweight Expanded Clay Aggregates, LECA）和含钙外加剂的混合物）被暴露在高达900°C的热循环中，随后用Bacillus spizizenii或硅酸钠溶液进行处理。通过详细的超声波振动声学分析，从UPV信号的时间域和频率域表示中提取了79个数值特征，生成了超过60,000条记录的完整数据集。分析阶段采用混合SHAP-XGBoost模型来解释特征的重要性，并建立声学信号属性与混凝土状态之间的物理关联；同时引入了一种定制的深度学习架构——自适应裂纹剖面网络（Adaptive Crack Profiling Network, ACPN），用于从微观图像中进行定量裂纹评估。所提出的框架能够分离超声波诊断中的多因素声学影响，提供了一种数据驱动的、可解释的、定量的方法，用于评估损伤和修复效果，对超声波工业质量控制和结构健康监测应用具有广泛意义。
章节摘录
材料系统制备和实验程序
本节详细介绍了材料、混合设计、试样制备以及全面的实验程序。这些程序经过精心设计，以确保研究的可重复性，并为后续章节中的多参数分析提供坚实的基础。
超声波测试和信号处理方法
本节描述了UPV测试的详细方法、为本研究开发的先进振动分析方法以及全面的数据采集策略。从超声波信号中提取大量特征的过程是本研究的重要方面，也在本节中进行了详细解释。
基于数据的声学现象解释框架
本章的主要目标是详细介绍一种基于数据的方法，能够对从异质介质中记录的复杂声学特征进行物理解释。该目标不仅限于传统的结果预测，还侧重于建立一个稳健且可解释的系统，用于声学敏感性分析。这对于准确解卷积混凝土的各种内部物理参数（损伤、孔隙率和修复）的影响至关重要。
结果、声学解释和物理讨论
本章展示了实验程序的结果，从初步的传统测试开始，最终对一年龄的试样进行了高级分析。详细讨论了传统和高级超声波分析的发现，全面了解了混凝土在热损伤和修复过程中的行为。
结论
所提出的全波形超声波分析建立了一个严格的数据驱动声学信号处理框架，从根本上提高了对复杂介质中多参数物理效应的定量评估能力。该方法整合了高保真度的实验数据（包括不同的材料状态，如孔隙率、损伤和修复情况）和先进的计算解释工具，并通过严格的验证（包括自举稳定性分析）得到了支持。
手稿准备过程中生成式AI和AI辅助技术的声明
在准备本作品时，作者使用了Gemini工具来生成简洁的图形摘要图标，以提高手稿的结构清晰度和语法流畅性。使用该服务后，作者根据需要对内容进行了审查和编辑，并对发表文章的内容负全责。
CRediT作者贡献声明
阿里·A·沙克里（Ali A. Shakeri）：撰写——原始草稿、可视化、软件、方法论、调查、正式分析、数据整理。阿里·卡德科达伊（Ali Kadkhodaei）：撰写——审阅与编辑、软件、资源管理、调查。萨德格·达尔达伊（Sadegh Dardaei）：撰写——审阅与编辑、验证、项目管理、正式分析、概念化。法里博兹·M·特赫拉尼（Fariborz M. Tehrani）：撰写——审阅与编辑、验证、项目管理、正式分析、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
