伍永靖邦 金 楠 施鐘淇 岳清瑞 鐘儒勉

超高層建筑動力特性監(jiān)測方法研究進(jìn)展*

伍永靖邦1,2,3金 楠1,2,3施鐘淇1,2,3岳清瑞1,2,3鐘儒勉1,2,3

(1. 深圳市城市公共安全技術(shù)研究院有限公司，廣東深圳 518046；2. 城市安全風(fēng)險監(jiān)測預(yù)警應(yīng)急管理部重點實驗室，廣東深圳 518038；3. 城市安全發(fā)展科技研究院（深圳），廣東深圳 518046)

隨著城市化進(jìn)程的加速，我國超高層建筑數(shù)量急劇增加，然而這些建筑在運營和維護(hù)方面存在的問題也逐漸凸顯。超高層建筑的服役安全問題引起了學(xué)者們的廣泛關(guān)注。通過對超高層建筑動力特性參數(shù)識別的理論方法和實踐應(yīng)用的總結(jié)和分析，對以時域、頻域、時頻域及新型模態(tài)識別方法為代表的超高層建筑結(jié)構(gòu)監(jiān)測技術(shù)特點進(jìn)行了歸納，然后對比了各類監(jiān)測技術(shù)和系統(tǒng)的優(yōu)勢和局限性，并總結(jié)了當(dāng)前超高層監(jiān)測技術(shù)存在的主要問題，探討了監(jiān)測技術(shù)的發(fā)展趨勢。最后對動力特性識別方法在超高層監(jiān)測中的應(yīng)用進(jìn)行了梳理，以期為提高超高層建筑的動力特性識別和監(jiān)測的準(zhǔn)確性、有效性和可靠性提供參考依據(jù)，為提高我國超高層建筑的安全運營和維護(hù)水平提供借鑒。

超高層建筑；動力特性；參數(shù)識別；健康監(jiān)測；服役安全

隨著社會經(jīng)濟(jì)的發(fā)展和城鎮(zhèn)化進(jìn)程的加速，我國的超高層建筑數(shù)量急劇增加。截至2023年7月，我國擁有150 m以上的超高層建筑共計3 090棟，300 m以上的超高層建筑達(dá)108棟，均位居世界第一。[1]然而，隨著建筑高度的不斷提高和結(jié)構(gòu)形式的日益復(fù)雜，超高層建筑在運營和維護(hù)等方面存在的問題也逐漸凸顯。美國紐約千禧大廈于2009年竣工后不久出現(xiàn)異常振動，至今仍面臨著沉降和傾斜的困擾。2021年5月18日，深圳賽格大廈的異常振動事件引起了社會的廣泛關(guān)注。2023年5月深圳百富興大廈發(fā)生的異響和振動事件受到了各界重視。超高層建筑運營中的異?，F(xiàn)象屢見不鮮，超高層建筑的服役安全問題得到了高度重視，同時也成為了學(xué)者們關(guān)注的焦點。

我國超高層建筑整體表現(xiàn)為體量大、種類多、使用壽命長、服役環(huán)境復(fù)雜。美國紐約千禧大廈因建筑結(jié)構(gòu)設(shè)計、地基沉降及外部環(huán)境影響等產(chǎn)生傾斜和振動；深圳賽格大廈異常振動是由桅桿風(fēng)致渦激共振和大廈桅桿動力特性改變的耦合效應(yīng)所引起；深圳百富興大廈長期以來受上部結(jié)構(gòu)荷載作用和周邊施工擾動，造成承載力下降，產(chǎn)生不均勻沉降，導(dǎo)致受損柱承擔(dān)的軸向力達(dá)極限值，從而發(fā)生壓屈破壞。各類超高層建筑異常振動事件的發(fā)生表明，有必要對超高層建筑動力特性采取必要的長期監(jiān)測。

鑒于此，將對目前超高層建筑動力特性參數(shù)識別的理論方法和實踐應(yīng)用進(jìn)行總結(jié)，分析各類監(jiān)測技術(shù)與系統(tǒng)的優(yōu)勢和局限性，總結(jié)當(dāng)前超高層監(jiān)測技術(shù)存在的主要問題和發(fā)展趨勢，為進(jìn)一步提高超高層建筑的監(jiān)測水平提供有益的幫助。

1 超高層建筑動力特性參數(shù)識別方法

通過對近二十年來以“結(jié)構(gòu)健康監(jiān)測”為關(guān)鍵詞的論文進(jìn)行了檢索，結(jié)果表明：損傷識別、動力特性、模態(tài)參數(shù)等關(guān)鍵詞為高頻詞（圖1），準(zhǔn)確地識別和監(jiān)測這些結(jié)構(gòu)模態(tài)參數(shù)成為近年來的熱門研究方向，也為超高層建筑結(jié)構(gòu)損傷識別、健康監(jiān)測與安全評價提供了重要的參考依據(jù)。[2-4]

針對超高層建筑的動力特性識別和監(jiān)測問題，國內(nèi)外專家學(xué)者已進(jìn)行了大量的研究[5-6]，并提出和發(fā)展了多種模態(tài)參數(shù)識別方法。當(dāng)結(jié)構(gòu)受到損傷時，其動力特性會發(fā)生變化。[7]監(jiān)測模態(tài)參數(shù)的變化為結(jié)構(gòu)健康監(jiān)測提供了重要參考，對結(jié)構(gòu)的安全運行和維持結(jié)構(gòu)的使用性能具有重大意義。大型工程結(jié)構(gòu)的動力學(xué)參數(shù)識別理論和方法已逐漸得到廣泛應(yīng)用，這些方法主要包括時域、頻域和時頻域方法。[8]

1.1 頻域識別方法

頻域識別方法通過傅里葉變換從時域信號中提取頻域信號，進(jìn)而對結(jié)構(gòu)的頻域響應(yīng)信號進(jìn)行分析和處理，得到結(jié)構(gòu)的振動特性參數(shù)?；谡駝舆M(jìn)行損傷檢測的頻域法主要包括[9]、復(fù)模態(tài)指示函數(shù)法[10]和最小二乘復(fù)頻域法[11]。

圖1 近二十年以結(jié)構(gòu)健康監(jiān)測為主題的論文突現(xiàn)關(guān)鍵詞

峰值拾取法（PP）是最經(jīng)典也是最簡單的結(jié)構(gòu)頻率識別方法。PP假設(shè)結(jié)構(gòu)阻尼較小、模態(tài)易分離，可從結(jié)構(gòu)的頻譜響應(yīng)中識別環(huán)境激勵下結(jié)構(gòu)的頻率，然而當(dāng)結(jié)構(gòu)復(fù)雜或模態(tài)間隔緊密時，該方法對頻率的識別精度會受到影響，尤其對于高階頻率的識別影響較大。為了突破這一限制，學(xué)者提出了頻域分解法（FDD）[12]。FDD作為PP的延伸，解決了PP無法識別密集模態(tài)的問題，其基本原理為利用輸出響應(yīng)的功率譜密度矩陣奇異值分解的峰值來識別固有頻率和振型。FDD具有一定的抗噪聲干擾和密集模態(tài)分辨能力，但無法識別阻尼比。因此，學(xué)者們對FDD進(jìn)行了改進(jìn)，如Pioldi等提出的增強FDD技術(shù)[13-14]，可對地震激勵下的結(jié)構(gòu)模態(tài)特性進(jìn)行有效監(jiān)測。為更適用于高層建筑等復(fù)雜結(jié)構(gòu)的模態(tài)分析，Kim等提出了模態(tài)分析過程中三種測量分析條件的下界和上界準(zhǔn)則作為增強FDD方法的最小條件[15]，通過對某35層建筑的結(jié)構(gòu)響應(yīng)驗證，該方法得到了可靠的模型參數(shù)結(jié)果。通過現(xiàn)有的PP或FDD技術(shù)得到的頻率和振型具有較高識別精度，然而，阻尼比的識別仍然是一個待解決的問題，這兩類方法用來計算阻尼仍然存在一定偏差。[16]

模態(tài)指示函數(shù)法（CMIF）也可以視為PP法的延伸方法，CMIF通過對每條譜線上的正常頻響矩陣進(jìn)行奇異值分解來計算得到結(jié)構(gòu)的頻率、振型和模態(tài)參和向量等參數(shù)。CMIF在很大程度上突破了PP無法識別緊密間隔模態(tài)的瓶頸，可較為精準(zhǔn)識別復(fù)雜結(jié)構(gòu)的頻率和相應(yīng)振型，但與PP、FDD技術(shù)在阻尼比估計上存在同樣的限制。[17]

最小二乘復(fù)頻域法（LSCF）是一種快速且準(zhǔn)確的頻域模態(tài)估計方法。LSCF基于振動響應(yīng)的功率譜，將系統(tǒng)的傳遞函數(shù)轉(zhuǎn)換為多項式表達(dá)式，并利用最小二乘估計求解系數(shù)矩陣來求解模態(tài)參數(shù)。LSCF適用于大阻尼和密集模態(tài)情況，具有較快的識別速度。為了進(jìn)一步提高LSCF的識別精度和抗干擾能力，多參考LSCF[18]被提出，該法可提高模態(tài)識別處理時間和精度，特別對阻尼估計準(zhǔn)確性有極大提高。[19-20]

頻域法計算快速，不同的頻域模態(tài)識別方法在針對某些特定情況下的結(jié)構(gòu)具有較高識別精度，但傳統(tǒng)的頻域法在分析非線性和非平穩(wěn)信號時的精度可靠性較低，在低頻范圍內(nèi)或合并模態(tài)數(shù)量較少的分辨率時，頻域法所識別出的模態(tài)參數(shù)效果也較差。[21]此外，非參數(shù)頻域法估計的阻尼比并不準(zhǔn)確。[22]

1.2 時域識別方法

時域法通過結(jié)構(gòu)的時程響應(yīng)得到結(jié)構(gòu)的振動特性，可用于反映結(jié)構(gòu)的瞬態(tài)響應(yīng)和非線性響應(yīng)等動態(tài)特性，對于處于非穩(wěn)態(tài)信號的結(jié)構(gòu)分析具有一定的適用性。用于結(jié)構(gòu)健康監(jiān)測的時域法分為三大類：自然激勵法[23]、自回歸移動平均線法[24]和隨機子空間法[25]。

自然激勵法（NExT）是最早的模態(tài)分析方法之一。NExT利用平穩(wěn)激勵下結(jié)構(gòu)兩點之間的互相關(guān)函數(shù)來代替結(jié)構(gòu)的脈沖響應(yīng)函數(shù)，具有一定的抗干擾能力，但在實際應(yīng)用中仍存在計算成本較高、精度有限等問題。因此NExT通常與特征系統(tǒng)實現(xiàn)算法（ERA）[26]結(jié)合來提取模態(tài)參數(shù)，如NExT-ERA[27]、ERA-NExT-AVG[28]、VFRF-ERA[29]等改進(jìn)的算法被提出。除ERA法外，NExT與擴展Ibrahim時域法[30]、多參考復(fù)指數(shù)[31]等任何多輸入多輸出時域算法相結(jié)合都適用于緊密間隔甚至重復(fù)模態(tài)的復(fù)雜結(jié)構(gòu)[32]，然而與SSI和FDD算法相比，NExT所獲得的阻尼比結(jié)果的準(zhǔn)確性較低。

自回歸移動平均線法（ARMA）是一種基于自回歸模型的時間序列分析方法，其中自回歸部分旨在對線性函數(shù)時間歷史進(jìn)行建模，移動平均部分用于確定時間序列的移動平均。ARMA模型是受白噪聲激勵的線性非時變系統(tǒng)的廣義模型，假定被識別系統(tǒng)的輸出響應(yīng)信號是平穩(wěn)的。ARMA在土木工程結(jié)構(gòu)健康監(jiān)測中的應(yīng)用廣泛，為識別不同形式的損傷特征，ARMA存在大量的改進(jìn)方法，如ARMAV用于識別結(jié)構(gòu)固有頻率的變化[33]，TV-ARMAV用于識別結(jié)構(gòu)的所有模態(tài)參數(shù)[34]，TARMA用于識別固有頻率[35]等。ARMA獲取模態(tài)參數(shù)的魯棒性強于其他時域法，但在實際應(yīng)用中存在高計算時間的限制，且阻尼比的計算誤差較大。

隨機子空間法（SSI）是一種基于子空間分解的信號處理方法。土木工程領(lǐng)域所使用的SSI主要包括數(shù)據(jù)驅(qū)動SSI和協(xié)方差SSI兩類，[36]協(xié)方差驅(qū)動SSI在識別精度和速度上均優(yōu)于數(shù)據(jù)驅(qū)動SSI。SSI被廣泛用于結(jié)構(gòu)損傷和故障的檢測，具有計算效率高、對噪聲和干擾的抗干擾能力強等優(yōu)點，較于NExT和ARMA所估計阻尼比的誤差更小。[37]然而在實際應(yīng)用中，SSI可能會產(chǎn)生虛假模態(tài)和真實模態(tài)遺漏等問題，因此須要進(jìn)一步提高模態(tài)識別的準(zhǔn)確性和效率。許多學(xué)者為提高SSI法模態(tài)識別的準(zhǔn)確性和效率，提出了大量改進(jìn)方法，包括基于蒙特卡洛穩(wěn)定圖的SSI[38-39]、針對耦合時變系統(tǒng)的短時SSI[40]、雙折疊穩(wěn)定圖的改進(jìn)SSI[41]等。

相較于頻域分析，時域分析方法更適合于結(jié)構(gòu)的連續(xù)監(jiān)測，特別是當(dāng)復(fù)雜高層結(jié)構(gòu)存在大量模態(tài)或大頻率范圍時，時域方法提取的信息比頻域方法更完整，但通常計算效率較低。

1.3 時頻域識別方法

時域和頻域識別方法通常要求環(huán)境激勵是平穩(wěn)白噪聲，但由于建筑環(huán)境的復(fù)雜性，很難保證環(huán)境激勵總是滿足這一要求。為了解決這個問題，學(xué)者們提出了以小波變換[42]和希爾伯特黃變換[43]為代表的時頻分析方法。時頻法兼有時域法和頻域法的優(yōu)點，可運用于颶風(fēng)和地震等極端災(zāi)害情況下高層建筑結(jié)構(gòu)模態(tài)識別。[44]

小波變換直接根據(jù)頻率對信號進(jìn)行分解，并在時域中將其表示為頻域分布狀態(tài)，同時保留了信號的時間和頻率信息。小波變換理論定義明確，但信號干擾、邊界失真和能量耗散等限制了其在大數(shù)據(jù)分析中的應(yīng)用。[45]希爾伯特黃變換是一種處理非線性非平穩(wěn)數(shù)據(jù)的經(jīng)驗性方法，由經(jīng)驗?zāi)B(tài)分解和希爾伯特變換組成，其中經(jīng)驗?zāi)B(tài)分解可將任何復(fù)雜的數(shù)據(jù)集分解為有限的數(shù)據(jù)集，該方法效率高、自適應(yīng)性強，適用于處理大規(guī)模數(shù)據(jù)。[46-47]

時頻分析方法的信號分辨率通常低于傳統(tǒng)的時域和頻域分析方法，因此可能會出現(xiàn)信號混疊或漏失的情況，且時頻分析方法的分析結(jié)果受到分析窗口的選擇和參數(shù)設(shè)置的影響較大，計算復(fù)雜度較高，這會對結(jié)果的準(zhǔn)確性、可靠性和時效性產(chǎn)生一定影響。因此在實際應(yīng)用中，時頻分析方法須要在選擇分析方法、參數(shù)設(shè)置和結(jié)果解釋等方面進(jìn)行仔細(xì)考慮和評估。

1.4 新型模態(tài)識別方法

近年來，以數(shù)據(jù)驅(qū)動為核心的機器學(xué)習(xí)和深度學(xué)習(xí)成為結(jié)構(gòu)健康監(jiān)測熱門研究方向（圖2）。Rafiei等提出了一種基于無監(jiān)督機器學(xué)習(xí)的高層建筑結(jié)構(gòu)健康監(jiān)測方法，該方法通過提取不同樓層傳感器所記錄的頻域隱藏特征來對整體結(jié)構(gòu)健康狀況進(jìn)行評估，并在38層鋼筋混凝土建筑結(jié)構(gòu)的縮尺模型上驗證了所提出的方法。[48]Zhou等提出了一種基于極致梯度提升分類模型的SSI法，通過5自由度模型的數(shù)值模擬研究和195 m高建筑物的現(xiàn)場測量，驗證了所提方法的準(zhǔn)確性和有效性，并揭示了該建筑的固有頻率和阻尼比的概率分布特征。[49]Georgioudakis等使用不同機器學(xué)習(xí)算法對多層剪力墻結(jié)構(gòu)的動力響應(yīng)進(jìn)行了評估，結(jié)果表明基于類別增強的機器學(xué)習(xí)算法可以成功地預(yù)測響應(yīng)。[50]但上述結(jié)果成立的前提為建筑結(jié)構(gòu)的剛度和質(zhì)量沿高度保持不變。各類研究表明模態(tài)識別的準(zhǔn)確性在很大程度上取決于結(jié)構(gòu)本身，以及傳感器的位置和環(huán)境，同時機器學(xué)習(xí)算法的準(zhǔn)確性依賴于專家對監(jiān)測對象已有數(shù)據(jù)的特征選擇。

圖2 近二十年以結(jié)構(gòu)健康監(jiān)測為主題的論文突現(xiàn)關(guān)鍵詞

貝葉斯方法[51]在模態(tài)參數(shù)識別領(lǐng)域備受關(guān)注，貝葉斯方法是一種基于概率統(tǒng)計分析原理的機器學(xué)習(xí)優(yōu)化方法，將模態(tài)參數(shù)識別問題轉(zhuǎn)優(yōu)化問題，從而計算出模態(tài)參數(shù)的后驗概率分布，并通過最大化后驗概率來確定最優(yōu)的模態(tài)參數(shù)估計值。貝葉斯方法的優(yōu)勢在于對模型參數(shù)的不確定性進(jìn)行量化和分析，提供了更加嚴(yán)格的方法來評估模態(tài)參數(shù)識別的可靠性和準(zhǔn)確性。貝葉斯方法經(jīng)過改進(jìn)已逐漸應(yīng)用于大尺度結(jié)構(gòu)的模態(tài)參數(shù)識別。[52-54]貝葉斯方法為實際工程的模態(tài)識別提供了重要應(yīng)用價值，但該法仍受先驗數(shù)據(jù)、識別精度與建模誤差等限制，這些問題須要在未來投入大量的研究工作。[55]深度學(xué)習(xí)可與貝葉斯方法結(jié)合以降低計算的復(fù)雜性。[56-57]

深度學(xué)習(xí)較于機器學(xué)習(xí)具有更強的特征學(xué)習(xí)能力，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛應(yīng)用于振動損傷檢測和基于振動的參數(shù)識別任務(wù)，其基本結(jié)構(gòu)為輸入層、隱藏層與輸出層，多層反向傳播網(wǎng)絡(luò)是模態(tài)分析中最常用的網(wǎng)絡(luò)。Chang等首先通過SSI法得到結(jié)構(gòu)的頻率和振型，然后推導(dǎo)了該結(jié)構(gòu)的簡化模型，通過改變剛度來構(gòu)建數(shù)據(jù)集，最后建立CNN模型，用于研究地震作用后的建筑剛度折減，并以雙塔鋼框架建筑為例進(jìn)行了振動臺試驗，驗證了該方法的有效性。[58]Oh等提出了一種基于CNN的高層建筑結(jié)構(gòu)健康監(jiān)測模型，將時域和頻域中的頂層風(fēng)致位移以及頻率域中的風(fēng)速數(shù)據(jù)作為輸入，以反映高層建筑因風(fēng)荷載而引起的建筑動力特性變化。[59]Yun等提出了一種自適應(yīng)SSI長短期記憶方法，用于在實時測量的結(jié)構(gòu)響應(yīng)時程數(shù)據(jù)中評估模態(tài)參數(shù)，估計隨建筑物因老化和損壞而導(dǎo)致固有頻率的變化，并以55層高層建筑為例，驗證了該方法的實用性（圖3）。[60]CNN無須進(jìn)行數(shù)據(jù)預(yù)處理或手工特征提取，可以直接從原始數(shù)據(jù)中學(xué)習(xí)并提取特征，但CNN模型的選擇依然取決于預(yù)期的計算時限和樣本數(shù)據(jù)的可用性。[61]

圖3 55層建筑驗證試驗[60]

計算機視覺的興起也為模態(tài)分析提供了新方法，這一流程通常為相機標(biāo)定、特征提取、目標(biāo)追蹤和位移計算。[62-63]結(jié)構(gòu)位移作為計算機視覺監(jiān)測的關(guān)鍵參數(shù)，可從中提取結(jié)構(gòu)的模態(tài)信息，為模態(tài)分析提供支持。修晟等將加速度傳感器與相機相結(jié)合，構(gòu)建了一種精確估計結(jié)構(gòu)關(guān)鍵位移響應(yīng)的方法，并對混凝土框架結(jié)構(gòu)的振動臺試驗對該方法進(jìn)行了試驗驗證，結(jié)果表明該融合方法可獲取更豐富的模態(tài)特征信息并在一個小型鋼塔的試驗初步證實了該方法的潛力。[64]此外，深度學(xué)習(xí)可與計算機視覺結(jié)合提高位移監(jiān)測精度。Gao等提出了一種混合結(jié)構(gòu)位移估計方法，將基于深度學(xué)習(xí)的密集光流與相關(guān)模板匹配相結(jié)合，提高了位移估計精度和魯棒性，通過三層鋼筋混凝土結(jié)構(gòu)的室內(nèi)振動臺試驗與冷彎型鋼墻體系統(tǒng)的室外振動臺試驗驗證了該方法的有效性。[65]基于計算機視覺的建筑模態(tài)監(jiān)測研究仍在較為理想環(huán)境下的試驗研究階段，如何提高其在真實高層建筑模態(tài)監(jiān)測中的應(yīng)用效率和可靠度是后續(xù)研究的重點。

2 超高層建筑監(jiān)測系統(tǒng)

2.1 傳統(tǒng)監(jiān)測系統(tǒng)

傳統(tǒng)超高層監(jiān)測系統(tǒng)通常包括傳感器和數(shù)據(jù)傳輸系統(tǒng)，其中傳感器負(fù)責(zé)收集的原始數(shù)據(jù)包括載荷（結(jié)構(gòu)溫度、風(fēng)壓和地面運動）、結(jié)構(gòu)響應(yīng)（沉降、傾斜、位移、應(yīng)變和加速度）和環(huán)境因素（溫度、濕度、太陽輻射等），數(shù)據(jù)傳輸系統(tǒng)由結(jié)構(gòu)上的若干個獨立單元組成。依據(jù)傳感器所采集數(shù)據(jù)類型的差異，可將傳感器分為三類：用于測量結(jié)構(gòu)加速度和位移等動態(tài)振動的運動學(xué)傳感器，用于靜態(tài)測量結(jié)構(gòu)應(yīng)力、傾斜度和變形的機械傳感器，用于記錄風(fēng)載荷和溫度作用的環(huán)境傳感器。

近二十年來，全球衛(wèi)星導(dǎo)航系統(tǒng)（GNSS）與光纖傳感系統(tǒng)在結(jié)構(gòu)健康監(jiān)測中得到了廣泛的應(yīng)用。[66-68]GNSS較于傳統(tǒng)的加速度計具有更高的性能，可在不受天氣影響的同時對結(jié)構(gòu)進(jìn)行長期、實時的高精度變形監(jiān)測。[69]GNSS的定位精度受到大氣誤差、觀測噪聲、衛(wèi)星幾何形狀等因素的影響。為了識別結(jié)構(gòu)的真實振動，有必要消除原始觀測中的噪聲，對GNSS測量精度進(jìn)行全面評估。[70]光纖傳感系統(tǒng)以光纖光柵（FBG）（圖4）為代表。FBG傳感器的工作原理是當(dāng)光沿光纖長度通過時，會產(chǎn)生窄帶反射光，反射光波長隨應(yīng)變和溫度的變化呈線性變化，使得FBG傳感器能夠有效地監(jiān)測結(jié)構(gòu)的局部應(yīng)變和溫度。FBG傳感器具有響應(yīng)快、質(zhì)量輕、耐腐蝕等優(yōu)點，但難以調(diào)解波長偏移，并且布設(shè)和維護(hù)成本極高。

圖4 青馬橋上的光纖光柵應(yīng)變傳感器[71]

此外，一些復(fù)雜的超高層監(jiān)測系統(tǒng)還包括數(shù)據(jù)處理系統(tǒng)、數(shù)據(jù)管理系統(tǒng)及結(jié)構(gòu)健康評估系統(tǒng)，[72-73]其中結(jié)構(gòu)性能評估系統(tǒng)分為在線評估和離線評估，在線評估主要是將測量數(shù)據(jù)和設(shè)計值、分析結(jié)果以及預(yù)定的閾值和模式進(jìn)行比較，以提供對結(jié)構(gòu)條件的及時評估，離線評估則結(jié)合各種基于模型和數(shù)據(jù)驅(qū)動的算法，進(jìn)行載荷識別、模態(tài)識別以及損傷診斷和預(yù)測。

現(xiàn)代超高層監(jiān)測須收集大量數(shù)據(jù)以保證結(jié)果的有效性。傳統(tǒng)監(jiān)測系統(tǒng)中接觸式有線傳感器的布線復(fù)雜且設(shè)備成本極大，[74]盡管接觸式無線傳感器不存在布線問題，但在數(shù)據(jù)傳輸方面依然面臨挑戰(zhàn)。一方面，接觸式傳感器安裝須耗費大量人力物力，且需長期維護(hù)，另一方面，這些傳感器測量數(shù)據(jù)離散、空間分辨率低，限制了接觸式傳感器在大尺度結(jié)構(gòu)監(jiān)測的有效性。

2.2 新型監(jiān)測系統(tǒng)

新型監(jiān)測系統(tǒng)以非接觸式傳感系統(tǒng)為主，在使用接觸式監(jiān)測技術(shù)時，傳感器與結(jié)構(gòu)之間的物理接觸易造成結(jié)構(gòu)的干擾，傳感器的精度和測量范圍有限。為了克服這些問題，非接觸式傳感器技術(shù)被引入到高層建筑結(jié)構(gòu)模態(tài)的測量中。該技術(shù)通過使用激光測振儀、紅外線測溫計、數(shù)字?jǐn)z像機等非接觸式測量方法，實現(xiàn)對結(jié)構(gòu)振動的實時監(jiān)測和分析。相比于接觸式傳感器技術(shù)，非接觸式傳感器技術(shù)可避免傳感器與結(jié)構(gòu)之間的物理接觸，減小了對結(jié)構(gòu)的干擾。

非接觸式監(jiān)測技術(shù)以其經(jīng)濟(jì)性和全局性的監(jiān)測優(yōu)勢發(fā)展成為新型結(jié)構(gòu)監(jiān)測技術(shù)，新型監(jiān)測系統(tǒng)由機器平臺、非接觸式傳感器、數(shù)據(jù)傳輸系統(tǒng)構(gòu)成，其中機器平臺包括無人機[75]、無人車[76]、無人艇[77]等，基于光學(xué)的非接觸式傳感器主要為激光和可見光傳感器，由于大多數(shù)機器人平臺無法實時處理數(shù)據(jù)，因此需要無線視頻發(fā)射器將采集到的數(shù)據(jù)傳送到計算機進(jìn)行導(dǎo)航和數(shù)據(jù)處理。

激光多普勒測振儀（LDV）（圖5）[78]是常見的激光傳感器，利用外差干涉原理和多普勒效應(yīng)來測量物體表面振動。LDV通過分束器發(fā)射兩條激光，一條射向被測振動目標(biāo)，振動體的往復(fù)運動使激光發(fā)生多普勒頻移，另一條射向合路器，與從振動體反射的激光匯合于合路器，最后通過檢測器確定物體的振幅和頻率。LDV僅適用于近距離的單點結(jié)構(gòu)位移測量。

圖5 LDV激光傳輸過程[78]

可見光傳感器根據(jù)感光元件的不同分為CCD和CMOS傳感器，與長焦鏡頭搭配不僅能限制視野，還能提高特定區(qū)域的圖像分辨率?？梢姽鈧鞲衅魍ㄟ^采集的一系列圖像或視頻數(shù)據(jù)來將被測物的點、圖案或邊界作為特征，結(jié)合攝影測量學(xué)技術(shù)測得運動物體的位移，進(jìn)而計算被測物的模態(tài)信息。該過程主要包括四個步驟:相機校準(zhǔn)、圖像視頻采集、位移場測量和模態(tài)計算。

LDV與高分辨率相機價格昂貴，一種廉價的、具有深度傳感功能的RGB-D相機提供了以前只能通過上述昂貴傳感器才能獲得的功能，Kinect是微軟于2010年發(fā)布的一款RGB-D相機，隨后微軟公司于2014年推出了Kinect 2.0（圖6）[79]。包括一個深度傳感器，一個紅外發(fā)射器和1080 P彩色攝像機及4陣列麥克風(fēng)。大部分RGB-D相機均基于紅外技術(shù)，易受太陽直射光的干擾，這限制了其室外的應(yīng)用，目前RGB-D傳感技術(shù)仍在不斷發(fā)展，為室外結(jié)構(gòu)監(jiān)測提供高質(zhì)量的數(shù)據(jù)。[80]

圖6 Kinect 2.0傳感器

新型監(jiān)測系統(tǒng)的部署成本更低，時間效率更高，盡管基于視覺的方法具有優(yōu)勢，但目前實際使用新型監(jiān)測系統(tǒng)對超高層建筑進(jìn)行監(jiān)測的案例較少，大部分研究還集中于室內(nèi)試驗[81]或橋梁結(jié)構(gòu)[82]，且其測量性能取決于許多因素，如光照、相機的像素分辨率、相機視點等。不論是傳統(tǒng)監(jiān)測系統(tǒng)還是新型監(jiān)測系統(tǒng)，環(huán)境因素仍是最具挑戰(zhàn)的問題。

3 動力特性識別方法的應(yīng)用

時域、頻域和時頻域方法已成功應(yīng)用于工程實踐中，以數(shù)據(jù)驅(qū)動為核心的超高層建筑結(jié)構(gòu)模態(tài)分析已取得了一些成果，部分總結(jié)如表1所示。盡管采用不同類型的識別算法可以進(jìn)行可靠的識別，但由于超高層結(jié)構(gòu)的復(fù)雜性，其振動幅度和特性的變化以及環(huán)境因素如溫度和濕度等的影響，現(xiàn)有復(fù)雜結(jié)構(gòu)的模態(tài)本身可能存在不確定性。因此，在進(jìn)行結(jié)構(gòu)狀態(tài)監(jiān)測時，須要采用多種方法以獲得更為準(zhǔn)確和可靠的結(jié)果。為了獲得高準(zhǔn)確性的結(jié)構(gòu)狀態(tài)監(jiān)測信息，可以通過識別不同階段的監(jiān)測數(shù)據(jù)并將其與有限元模型進(jìn)行比較來解決模態(tài)差異性的問題。例如，Li等采用FDD和隨機減量法估計了臺北101大廈的模態(tài)參數(shù)，并將兩種方法的計算結(jié)果與高層結(jié)構(gòu)的有限元模型進(jìn)行比較，評估了該超高層的抗震性能。[83]文獻(xiàn)[84-85]介紹了也通過精準(zhǔn)參數(shù)建模的有限元模型作為參考來評估模態(tài)屬性。

除常規(guī)的傳感器外，主動質(zhì)量阻尼器[95]、鋼管疊層黏彈性阻尼器[96]、渦流調(diào)諧質(zhì)量阻尼器[97]等阻尼器和各類振動控制技術(shù)[98-99]也已廣泛應(yīng)用于超高層建筑，可驗證常規(guī)環(huán)境和臺風(fēng)、地震等極端環(huán)境振動下的耗能情況和模態(tài)控制性能，以此來進(jìn)一步分析超高層建筑結(jié)構(gòu)的損傷特征。上述實際研究結(jié)果表明：超高層建筑結(jié)構(gòu)的阻尼在細(xì)微環(huán)境振動激勵下變化較小，但當(dāng)在強風(fēng)和地震強激勵下阻尼會表現(xiàn)出幅值依賴性和顯著變化，且結(jié)構(gòu)振動會從平穩(wěn)變得非平穩(wěn)。

上海國金中心、臺北101、廣州利通廣場、深圳地王大廈、以及深圳平安金融中心等超高層建筑已經(jīng)建立了較為完備的超高層結(jié)構(gòu)健康監(jiān)測系統(tǒng)，并取得了大量有價值的階段性研究成果。然而，在實際工程中的應(yīng)用效果還不夠理想。隨著超高層建筑安裝各種傳感器的數(shù)量不斷增加，這些建筑的多源異構(gòu)數(shù)據(jù)具有大數(shù)據(jù)的特征。這些數(shù)據(jù)采集迅速，積累長期，包含大量噪聲，還包括文本和圖片等非結(jié)構(gòu)化數(shù)據(jù)。因此目前亟須通過多種來源的異構(gòu)信息進(jìn)行綜合分析和評估以識別潛在損傷，從而做出安全評估和智能決策，實現(xiàn)實時感知、識別、診斷、評估建筑結(jié)構(gòu)的損傷和安全狀態(tài)，防范未來可能出現(xiàn)的安全問題。

表1 典型超高層動力特性識別方法應(yīng)用案例

4 結(jié)束語

在介紹了超高層建筑動力特性方法的研究背景和意義的基礎(chǔ)上，分析了當(dāng)前超高層建筑動力特性監(jiān)測的主要方法，介紹了超高層建筑監(jiān)測系統(tǒng)的設(shè)計和實現(xiàn)，包括常用的傳感器和新興技術(shù)的應(yīng)用。目前超高層建筑動力特性長期監(jiān)測仍面臨一定的挑戰(zhàn)，如傳感器安裝位置和數(shù)量的選擇、數(shù)據(jù)處理和分析的復(fù)雜性等。未來應(yīng)進(jìn)一步探索新的識別方法和監(jiān)測技術(shù)，以提高超高層建筑動力特性識別和監(jiān)測系統(tǒng)的精確度和可靠性。最后基于上述分析，得出以下結(jié)論：

1）頻域、時域和時頻域分析方法均存在各自優(yōu)缺點，因此，為在實際應(yīng)用中獲得更準(zhǔn)確、可靠的結(jié)果，須根據(jù)具體情況和需求綜合考慮，選擇合適的分析方法進(jìn)行結(jié)構(gòu)模態(tài)識別。

2）超高層建筑監(jiān)測須對多個傳感器的監(jiān)測數(shù)據(jù)進(jìn)行處理評估，各類異構(gòu)傳感器存在數(shù)據(jù)冗余或不完整等問題，同類傳感器數(shù)據(jù)中噪聲含量也可能不同。因此，須要建立超高層監(jiān)測數(shù)據(jù)融合框架以準(zhǔn)確、高效地融合多源傳感信息。這對做出科學(xué)決策具有重要發(fā)展意義。

3）隨著高性能硬件計算能力的提升和數(shù)據(jù)采集技術(shù)的快速發(fā)展，以深度學(xué)習(xí)為代表的數(shù)據(jù)處理方法可從原始數(shù)據(jù)中學(xué)習(xí)高度抽象的特征，為動力特性識別提供了新的途徑。因此，傳統(tǒng)的動力特性識別方法面臨的問題也可以通過新的數(shù)據(jù)處理方法得到解決。例如，深度學(xué)習(xí)可以從傳感器所采集的數(shù)據(jù)中提取出特征，從而減少環(huán)境噪聲對識別結(jié)果的影響，同時也可以提高計算效率和準(zhǔn)確度。因此，未來可通過引入新的數(shù)據(jù)處理技術(shù)，改善傳統(tǒng)動力特性識別方法的缺陷。

4）非接觸式傳感器可獲取全局或局部數(shù)據(jù)，且無需與超高層建筑物理接觸，相較于接觸式傳感器效率和魯棒性更高。因此，非接觸式傳感技術(shù)是未來超高層監(jiān)測技術(shù)的主要方向。此外，無人機、無人車作為非接觸式傳感器的搭載平臺，擴大了監(jiān)測應(yīng)用場景范圍，屬于非接觸式傳感技術(shù)的重點研究方向。

5）無論是接觸式傳感器還是非接觸式傳感器，都存在其各自的局限性。因此，傳感器的結(jié)合應(yīng)用是超高層建筑監(jiān)測的趨勢。當(dāng)前大多數(shù)傳感器的結(jié)合方式是將加速度計與其他傳感器相結(jié)合，未來須聚焦于各類接觸式、非接觸式傳感器的結(jié)合應(yīng)用，使監(jiān)測數(shù)據(jù)更全面、準(zhǔn)確。

[1] Council on Tall Buildings and Urban Habitat. Database of countries by number of 150m+ building[EB/OL]. (2023-03-27) [2023-11-22]. https://www.skyscrapercenter.com/countrie.

[2] GARCíA-MACíAS E, UBERTINI F. Automated operational modal analysis and ambient noise deconvolution interferometry for the full structural identification of historic towers: A case study of the Sciri Tower in Perugia, Italy[J/OL]. Engineering Structures, 2020, 215[2023-11-22]. https://doi.org/10.1016/j.engstruct.2020. 110615.

[3] 伊廷華, 周廣東, 曲春緒, 等. 結(jié)構(gòu)運營模態(tài)測–辨相和理論[J]. 土木工程學(xué)報, 2020, 53(10): 72–81.

[4] 王凌波, 王秋玲, 朱釗, 等. 橋梁健康監(jiān)測技術(shù)研究現(xiàn)狀及展望[J]. 中國公路學(xué)報, 2021, 34(12): 25–45.

[5] SPENCER B F, HOSKERE V, NARAZAKI Y. Advances in computer vision-based civil infrastructure inspection and monitoring[J]. Engineering, 2019, 5(2): 199–222.

[6] 徐陽, 金曉威, 李惠. 土木工程智能科學(xué)與技術(shù)研究現(xiàn)狀及展望[J]. 建筑結(jié)構(gòu)學(xué)報, 2022, 43(9): 23–35.

[7] ZHONG S C, ZHONG J F, ZHANG Q K, et al. Quasi-optical coherence vibration tomography technique for damage detection in beam-like structures based on auxiliary mass induced frequency shift[J]. Mechanical Systems and Signal Processing, 2017, 93: 241–254.

[8] QIAO L. Structural damage detection using signal-based pattern recognition[D]. Manhattan: Kansas State University, 2009.

[9] NANDAGOPALAN S. Engineering applications of correlation and spectral analysis[J]. Technometrics, 1994, 36(2): 220–221.

[10] SHIH C Y, TSUEI Y G, ALLEMANG R J, et al. Complex mode indication function and its applications to spatial domain parameter estimation[J]. Mechanical Systems and Signal Processing, 1988, 2(4): 367–377.

[11] GUILLAUME P, VERBOVEN P, VANLANDUIT S. Frequency- domain maximum likelihood identification of modal parameters with confidence intervals[J]. Noise and Vibration Engineering, 1998, 1: 359–366.

[12] BRINCKER R, ZHANG L, ANDERSEN P. Modal identification from ambient responses using frequency domain decomposition[C]// Proceedings of the 18th International Modal Analysis Conference, 2000: 625–630.

[13] PIOLDI F, FERRARI R, RIZZI E. Output-only modal dynamic identification of frames by a refined FDD algorithm at seismic input and high damping[J]. Mechanical Systems and Signal Processing, 2016, 68: 265–291.

[14] PIOLDI F, FERRARI R, RIZZI E. Seismic FDD modal identification and monitoring of building properties from real strong-motion structural response signals[J/OL]. Structural Control and Health Monitoring, 2017, 24[2023-11-27]. https://doi.org/10. 1002/stc.1982.

[15] YUN D Y, KIM D, KIM M, et al. Field measurements for identification of modal parameters for high-rise buildings under construction or in use[J/OL]. Automation in Construction, 2021, 121[2023-11-23]. https://doi.org/10.1016/j.autcon.2010.103446.

[16] HASAN M D B A, AHMAD Z A B, LEONG M S, et al. Enhanced frequency domain decomposition algorithm: a review of a recent development for unbiased damping ratio estimates[J]. Journal of Vibroengineering, 2018, 20: 51919–51936.

[17] 周思達(dá), 曹博遠(yuǎn), 周小陳. 結(jié)構(gòu)應(yīng)變模態(tài)參數(shù)辨識的最小二乘復(fù)頻域方法[J]. 噪聲與振動控制, 2017, 37(6): 17–22.

[18] PEETERS B, VAN DER AUWERAER H, GUILLAUME P, et al. The PolyMAX frequency-domain method: a new standard for modal parameter estimation[J]. Shock and Vibration, 2004, 11(3): 395–409.

[19] EL-KAFAFY M, GUILLAUME P, PEETERS B, et al. Advanced frequency-domain modal analysis for dealing with measurement noise and parameter uncertainty[C]//Proceedings of the 30th International Modal Analysis Conference. 2012: 179–199.

[20] 章國穩(wěn), 湯寶平, 陳卓. 多參考最小二乘復(fù)頻域法的數(shù)值問題分析及優(yōu)化[J]. 振動工程學(xué)報, 2021, 34(4): 690–696.

[21] LIU C W, WU J Z, ZHANG Y G. Review and prospect on modal parameter identification of spatial lattice structure based on ambient excitation[J]. Applied Mechanics and Materials, 2011, 94/95/96: 1271–1277.

[22] MAGALH?ES F, CAETANO E, CUNHA á. Challenges in the application of stochastic modal identification methods to a cable-stayed bridge[J]. Journal of Bridge Engineering, 2007, 12: 6746–6754.

[23] JAMES ⅢG H, CARNE T G, LAUFFER J P. The natural excitation technique (NExT) for modal parameter extraction from operating wind turbines[R]. Technical Report: sand-92-1666 on DE 93010611. Albuquerque: Sandia National Labs, 1993.

[24] ANDERSEN P. Identification of civil engineering structures using vector ARMA models[D]. Aalborg: Aalborg University, 1997.

[25] DE MOOR B L R, VAN OVERSCHEE P, SUYKENS O J. Subspace algorithms for system identification and stochastic realization[C]//Proceedings of the International Symposium on Recent Advances in Mathematical Theory of Systems, Control, Networks and Signal Processing. 1991: 589–595.

[26] JUANG J N, PAPPA R S. An eigensystem realization algorithm for modal parameter identification and model reduction[J]. Journal of Guidance, Control, and Dynamics, 1985, 8(5): 620–627.

[27] KORDKHEILI S A H, MASSOULEH S H M, HAJIREZAYI S, et al. Experimental identification of closely spaced modes using NExT-ERA[J]. Journal of Sound and Vibration, 2018, 412: 116–129.

[28] CHANG M, PAKZAD S N. Modified natural excitation technique for stochastic modal identification[J]. Journal of Structural Engineering, 2013, 139(10): 1753–1762.

[29] QU C X, YI T H, LI H N. Mode identification by eigensystem realization algorithm through virtual frequency response function[J/OL]. Structural Control and Health Monitoring, 2019, 26(10)[2023-11-23]. https//doi.org/10.1002/stc.2429.

[30] CUNHA A, CAETANO E. Experimental modal analysis of civil engineering structures[J]. Sound and Vibration, 2006, 6(40): 12–20.

[31] VOLD H, KUNDRAT J, ROCKLIN G T, et al. A multi-input modal estimation algorithm for mini-computers[J]. SAE Transactions, 1982, 91: 815–821.

[32] KORDKHEILI S A H, MASSOULEH S H M, HAJIREZAYI S, et al. Experimental identification of closely spaced modes using NExT-ERA[J]. Journal of Sound and Vibration, 2018, 412: 116–129.

[33] BODEUX J B, GOLINVAL J C. Application of ARMAV models to the identification and damage detection of mechanical and civil engineering structures[J]. Smart Materials and Structures, 2001, 10: 3479–489.

[34] BERTHA M, GOLINVAL J C. Identification of non-stationary dynamical systems using multivariate ARMA models[J]. Mechanical Systems and Signal Processing, 2017, 88: 166–179.

[35] SPIRIDONAKOS M D, POULIMENOS A G, FASSOIS S D. Output-only identification and dynamic analysis of time-varying mechanical structures under random excitation: A comparative assessment of parametric methods[J]. Journal of Sound and Vibration, 2010, 329: 7768–7785.

[36] BRINCKER R, ANDERSEN P, JACOBSEN N J. Automated frequency domain decomposition for operational modal analysis[C]// Proceedings of IMAC-XXIV: A Conference & Exposition on Structural Dynamics Society for Experimental Mechanics, 2007: 1–7.

[37] CERAVOLO R, ABBIATI G. Time domain identification of structures: Comparative analysis of output-only methods[J]. Journal of Engineering Mechanics, 2013, 139: 4537–4544.

[38] ZHOU K, LI Q S. Modal identification of high-rise buildings under earthquake excitations via an improved subspace methodology[J/OL]. Journal of Building Engineering, 2022, 52[2023-11-23]. https://doi.org/10.1016/j.jobe.2022.104373.

[39] ZHOU K, LI Q S, HAN X L. Modal identification of civil structures via stochastic subspace algorithm with Monte Carlo-based stabilization diagram[J/OL]. Journal of Structural Engineering, 2022, 148(6)[2023-11-23]. https://doi.org./10.1061/ (ASCE)ST.1943-541X.0003353.

[40] JIN N, YANG Y, DIMITRAKOPOULOS E G, et al. Application of short-time stochastic subspace identification to estimate bridge frequencies from a traversing vehicle[J/OL]. Engineering Structures, 2021, 230[2023-11-23]. https://doi.org/10.1016/j. engstruct.2020.111688.

[41] 李雪艷, 官宇航, 羅銘濤, 等.基于Welch法的協(xié)方差隨機子空間方法的模態(tài)參數(shù)識別[J]. 力學(xué)學(xué)報, 2022, 54(10): 2850–2860.

[42] LI H, YI T, GU M, et al. Evaluation of earthquake-induced structural damages by wavelet transform[J]. Progress in Natural Science, 2009, 19: 4461–470.

[43] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903–995.

[44] SHAN J, ZHANG H, SHI W, et al. Health monitoring and field-testing of high-rise buildings: A review[J]. Structural Concrete, 2020, 21: 41272–41285.

[45] PENG Z, PETER W T, CHU F. A comparison study of improved Hilbert-Huang transform and wavelet transform: Application to fault diagnosis for rolling bearing[J]. Mechanical Systems and Signal Processing, 2005, 19: 5974–5988.

[46] 柳絮, 王堅, 李文. 集成變分模態(tài)分解和希爾伯特-黃變換的結(jié)構(gòu)振動時頻提取模型[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2021, 46(11): 1686–1692.

[47] 孫苗, 楊鈞凱, 吳立. 改進(jìn)希爾伯特-黃變換含噪振動信號時頻分析[J/OL]. 上海交通大學(xué)學(xué)報(2023-03-21)[2023-11-24]. https://doi.org/10.16183/j.cnki.jsjtu.2022.255.

[48] RAFIEI M H, ADELI H. A novel machine learning-based algorithm to detect damage in high-rise building structures[J/OL]. Structural Design of Tall and Special Buildings, 2017, 26(18) [2023-11-23]. https://doi.org/10.1002/tal.1400.

[49] ZHOU K, XIE D L, XU K, et al. A machine learning-based stochastic subspace approach for operational modal analysis of civil structures[J/OL]. Journal of Building Engineering, 2023, 76[2023-11-23]. https://doi.org/10.1016/j.jobe.2023.107187.

[50] GEORGIOUDAKIS M, PLEVRIS V. Response spectrum analysis of multi-story shear buildings using machine learning techniques[J]. Computation, 2023, 11(7)[2023-11-23]. https://doi. org/10.3390/computation.11070126.

[51] KATAFYGIOTIS L S, YUEN K V. Bayesian spectral density approach for modal updating using ambient data[J]. Earthquake Engineering & Structural Dynamics, 2001, 30(8): 1103–1123.

[52] NI Y, LU X, LU W. Operational modal analysis of a high-rise multi-function building with dampers by a Bayesian approach[J]. Mechanical Systems and Signal Processing, 2017, 86: 286–307.

[53] ZHANG F L, NI Y Q, NI Y C, et al. Operational modal analysis of Canton Tower by a fast frequency domain Bayesian method[J]. Smart Structures and Systems, 2016, 17: 2209–2230.

[54] LI B, AU S K. An expectation-maximization algorithm for Bayesian operational modal analysis with multiple (possibly close) modes[J]. Mechanical Systems and Signal Processing, 2019, 132: 490–511.

[55] AU S K, ZHANG F L, NI Y C. Bayesian operational modal analysis: theory, computation, practice[J]. Computers & Structures, 2013, 126: 3–14.

[56] Perez-Ramirez C A, Amezquita-Sanchez J P, Valtierra-Rodriguez M, et al. Recurrent neural network model with Bayesian training and mutual information for response prediction of large buildings[J]. Engineering Structures, 2019, 178: 603–615.

[57] 熊紅凱, 高星, 李劭輝, 等. 可解釋化、結(jié)構(gòu)化、多模態(tài)化的深度神經(jīng)網(wǎng)絡(luò)[J]. 模式識別與人工智能, 2018, 31(1): 1–11.

[58] CHANG C M, LIN T K, CHANG C W. Applications of neural network models for structural health monitoring based on derived modal properties[J]. Measurement, 2018, 129: 457–470.

[59] OH B K, GLISIC B, KIM Y, et al. Convolutional neural network-based wind-induced response estimation model for tall buildings[J]. Computer-Aided Civil and Infrastructure Engineering,2019, 34: 10843–10858.

[60] YUN D Y, SHIM H B, PARK H S. SSI-LSTM network for adaptive operational modal analysis of building structures[J/OL]. Mechanical Systems and Signal Processing, 2023, 195[2023-11-23]. https://doi.org/j.ymssp.2023.1103.06.

[61] HOSSAIN M S, ONG Z C, ISMAIL Z, et al. Artificial neural networks for vibration based inverse parametric identifications: A review[J]. Applied Soft Computing, 2017, 52: 203–219.

[62] 葉肖偉, 董傳智. 基于計算機視覺的結(jié)構(gòu)位移監(jiān)測綜述[J].中國公路學(xué)報, 2019, 32(11): 21–39.

[63] 楊娜, 汪德佳, 李天昊,等. 基于計算機視覺方法的古建筑變形監(jiān)測[J]. 建筑結(jié)構(gòu)學(xué)報, 2023, 44(1): 192–202.

[64] 修晟, 張愿, 單伽锃. 基于視覺和振動監(jiān)測數(shù)據(jù)融合的結(jié)構(gòu)動態(tài)位移識別及其試驗驗證[J]. 工程力學(xué), 2023, 40(11): 90–98.

[65] GAO X, JI X, ZHANG Y, et al. Structural displacement estimation by a hybrid computer vision approach[J/OL]. Mechanical Systems and Signal Processing, 2023, 204[2023-11-24]. https:// doi.org/10.1016/j.ymssp.2023.110754.

[66] 胡衛(wèi)華, 唐德徽, 李俊燕, 等. 基于分布式同步采集的賽格大廈結(jié)構(gòu)動力學(xué)參數(shù)識別[J]. 建筑結(jié)構(gòu)學(xué)報, 2022, 43(10): 76–84.

[67] 吳睿, 廖聿宸, 宗周紅, 等. 基于GNSS信號的隨機子空間模態(tài)參數(shù)識別方法[J]. 東南大學(xué)學(xué)報(自然科學(xué)版), 2020, 50(6): 1045–1051.

[68] 朱珊, 周文杰, 李曉瑩. 混凝土健康監(jiān)測技術(shù)綜述[J]. 建筑結(jié)構(gòu), 2022, 52(增刊1): 2248–2252.

[69] SHEN N, CHEN L, LIU J, et al. A review of global navigation satellite system (GNSS)-based dynamic monitoring technologies for structural health monitoring[J/OL]. Remote Sensing, 2019, 11(9)[2023-11-24]. https://doi.org/10.3390/rs1109001. 1.

[70] YU J, MENG X, YAN B, et al. Global Navigation Satellite System-based positioning technology for structural health monitoring: a review[J/OL]. Structural Control and Health Monitoring, 2020, 27(1)[2023-11-24]. https://doi.org/10.1002/ stc.2467.

[71] MOYO P, BROWNJOHN J M W, SURESH R, et al. Development of fiber Bragg grating sensors for monitoring civil infrastructure[J]. Engineering Structures, 2005, 27(12): 1828–1834.

[72] 張興斌, 楊昕光, 潘蓉, 等. 土木工程智能化監(jiān)測評估系統(tǒng)的理論研究及應(yīng)用[J]. 工業(yè)建筑, 2021, 51(12): 102–106.

[73] 焦柯, 賴鴻立, 彭子祥, 等. 基于物聯(lián)網(wǎng)的既有建筑全生命周期安全運維服務(wù)系統(tǒng)關(guān)鍵技術(shù)研究[J]. 工業(yè)建筑, 2021, 51(10): 201–210.

[74] 伊廷華, 李宏男, 顧明. 結(jié)構(gòu)健康監(jiān)測中基于多重優(yōu)化策略的傳感器布置方法[J]. 建筑結(jié)構(gòu)學(xué)報, 2011, 32(12): 217–223.

[75] 劉春, 艾克然木·艾克拜爾, 蔡天池. 面向建筑健康監(jiān)測的無人機自主巡檢與裂縫識別[J]. 同濟(jì)大學(xué)學(xué)報(自然科學(xué)版), 2022, 50(7): 921–932.

[76] 周夢飛, 王子洋, 楊家富. 應(yīng)用于無人車的三維點云分類方法研究綜述[J]. 傳感技術(shù)學(xué)報, 2022, 35(7): 931–937.

[77] 普東東, 歐陽永忠, 馬曉宇. 無人船監(jiān)測與測量技術(shù)進(jìn)展[J].海洋測繪, 2021, 41(1): 8–12.

[78] LI Y, DIEUSSAERT E, BAETS R. Miniaturization of laser Doppler vibrometers: a review[J/OL]. Sensors, 2022, 22(13) [2023-11-24]. https://doi.org/10.3390/s22134735.

[79] 涂淑琴, 薛月菊, 梁云等. RGB-D圖像分類方法研究綜述[J]. 激光與光電子學(xué)進(jìn)展, 2016, 53(6): 35–48.

[80] ABDELBARR M, CHEN Y L, JAHANSHAHI M R, et al. 3D dynamic displacement-field measurement for structural health monitoring using inexpensive RGB-D based sensor[J/OL]. Smart Materials and Structures, 2017, 26(12)[2023-11-24]. https://doi. org/10.1088/1361-665x/aa9450.

[81] DONG C Z, CELIK O, CATBAS F N. Marker-free monitoring of the grandstand structures and modal identification using computer vision methods[J]. Structural Health Monitoring, 2019, 18(5): 1491–1509.

[82] FENG D, FENG M Q. Experimental validation of cost-effective vision-based structural health monitoring[J]. Mechanical Systems and Signal Processing, 2017, 88: 199–211.

[83] LI Q, ZHI L H, TUAN A Y, et al. Dynamic behavior of Taipei 101 tower: Field measurement and numerical analysis[J]. Journal of Structural Engineering, 2011, 137: 1143–1155.

[84] ZHI L, LI Q, WU J, et al. Field monitoring of wind effects on a super-tall building during typhoons[J]. Wind & Structures, 2011, 14(3): 253–283.

[85] HE Y, HAN X, LI Q, et al. Monitoring of wind effects on 600 m high Ping-An Finance Center during Typhoon Haima[J]. Engineering Structures, 2018, 167: 308–326.

[86] SHI W, SHAN J, LU X. Modal identification of Shanghai World Financial Center both from free and ambient vibration response[J]. Engineering Structures, 2012, 36: 14–26.

[87] XIE B, LUO X Q, ZHANG Q L, et al. Dynamic response evaluation of the Shanghai Tower in along-and across-wind directions during super typhoon Lekima[J/OL]. Journal of Building Engineering, 2023, 65[2023-11-24]. https://doi.org/10. 1016/j.jobe.2022.1058808.

[88] HE Y, LI Z, FU J, et al. Enhancing the performance of stochastic subspace identification method via energy-oriented categorization of modal components[J/OL]. Engineering Structures, 2021, 233 [2023-11-24]. https://doi.org/j.engstruct.2021.111917.

[89] PARK H S, OH B K. Real-time structural health monitoring of a supertall building under construction based on visual modal identification strategy[J]. Automation in Construction, 2018, 85: 273–289.

[90] ZHANG F, XIONG H, SHI W, et al. Structural health monitoring of Shanghai Tower during different stages using a Bayesian approach[J]. Structural Control and Health Monitoring, 2016, 23(11): 1366–1384.

[91] XU Y L, CHEN S, ZHANG R. Modal identification of Di Wang Building under typhoon York using the Hilbert-Huang transform method[J]. The Structural Design of Tall and Special Buildings, 2003, 12: 121–147.

[92] AMEZQUITA-SANCHEZ J P, PARK H S, ADELI H. A novel methodology for modal parameters identification of large smart structures using MUSIC, empirical wavelet transform, and Hilbert transform[J]. Engineering Structures, 2017, 147: 148–159.

[93] WANG C, LI Z, HU L, et al. Field research on the wind- induced response of a super high-rise building under typhoon[J/OL]. Applied Sciences, 2019, 9(11)[2023-11-24]. https://doi.org/10.3390/ app9112180.

[94] GUO Y, KWON D K, KAREEM A. Near-real-time hybrid system identification framework for civil structures with application to Burj Khalifa[J/OL]. Journal of Structural Engineering,2016, 142(2)[2023-11-24]. https://doi.org/10.1061/(ASCE)ST.1943- 541x.0001402.

[95] 劉彥輝, 譚平, 周福霖, 等. 廣州電視塔直線電機驅(qū)動的主動質(zhì)量阻尼器動力特性研究[J]. 建筑結(jié)構(gòu)學(xué)報, 2015, 36(4): 126–132.

[96] 周云, 吳勝, 李家樂. 鋼管疊層黏彈性阻尼器設(shè)計方法[J]. 建筑結(jié)構(gòu)學(xué)報, 2023, 44(3): 79–86.

[97] LU X, ZHANG Q, WU W, et al. Data-driven two-level performance evaluation of eddy-current tuned mass damper for building structures using shaking table and field testing[J]. Computer-Aided Civil and Infrastructure Engineering, 2019, 34: 138–157.

[98] 滕軍, 幸厚冰. 京基100大廈AMD控制系統(tǒng)在線計算關(guān)鍵技術(shù)研究[J]. 振動與沖擊, 2011, 30(11): 230–235.

[99] 滕軍, 陳朝駿, 幸厚冰, 等. 考慮結(jié)構(gòu)高階振型信息的AMD低維控制器設(shè)計[J]. 振動工程學(xué)報, 2016, 29(6): 1048–1056.

Research Progress on Dynamic Characteristic Monitoring Methods of Super High-Rise Buildings

WU Yongjingbang1,2,3JIN Nan1,2,3SHI Zhongqi1,2,3YUE Qingrui1,2,3ZHONG Rumian1,2,3

(1. Shenzhen Urban Public Safety and Technology Institute, Shenzhen 518046, China; 2. Key Laboratory for Urban Safety Risk Monitoring and Early Warning of Emergency Management Department, Shenzhen 518038, China; 3. Safe Urban Development Institute of Science and Technology (Shenzhen), Shenzhen 518046, China)

The acceleration of urbanization has led to a sharp rise in the number of super high-rise buildings in China. However, the issues related to the operation and maintenance of those buildings have become increasingly prominent. As a result, extensive attention to the service safety of super high-rise buildings have been paid. Summarizing and analyzing the theoretical methods and practical applications of identifying dynamic characteristic parameters of super high-rise buildings, the characteristics of super high-rise building structure monitoring technique, which were represented by the time domain, frequency domain, time-frequency domain and the new modal recognition method. Subsequently, the advantages and limitations of each monitoring method and system were compared. Simultaneously, the main issues in the current monitoring technique for super high-rise buildings were summed and development trends of monitoring methods were discussed. Eventually, the application of dynamic characteristic identification in the monitoring of super high-rise buildings was sorted out which would be expected to present a reference basis for improcing accurcy, effectiveness and reliability of dynamic characteristic identification for super high-rise buildings and provide reference to improving operation and maintenance levels for super high-rise buildings in China.

super high-rise building; dynamic characteristic; parameter identification; health monitoring; service safety

伍永靖邦, 金楠, 施鐘淇, 等. 超高層建筑動力特性監(jiān)測方法研究進(jìn)展[J]. 工業(yè)建筑, 2024, 54(1): 1-10. WU YJB, JIN N, SHI Z Q, et al. Research Progress on Dynamic Characteristic Monitoring Methods of Super High-Rise Buildings[J]. Industrial Construction, 2024, 54(1): 1-10 (in Chinese).

10.3724/j.gyjzG23071809

*國家重點研發(fā)計劃項目（2022YFC3801203）；中國博士后基金資助（2022M720416）。

伍永靖邦，碩士，研究方向為結(jié)構(gòu)健康監(jiān)測。

金楠，博士，研究方向為結(jié)構(gòu)健康監(jiān)測，jinnan@szsti.org。

2023-07-18