基于物联网的隧道混凝土裂缝耐久性处理研究

作者简介：陈韦钦（1992.10—），男，汉族，四川阆中人，本科，工程师，主要研究方向为项目物资管理。999Sep169··第42卷第期2026年月ITREPORT,No.202类。按成因主要分为：（1）荷载裂缝：由静荷载（围岩压力、结构自重）、动荷载（车辆振动、地震）或二者共同作用引起，常表现为张拉、剪切或弯曲裂缝，方向多与主拉应力方向垂直。（2）变形裂缝：主要由非荷载因素引起的结构变形约束导致。包括：温度裂缝：水泥水化热、环境温差引起混凝土内外胀缩不均。在大体积衬砌或洞口段尤为显著。收缩裂缝：塑性收缩、干燥收缩、碳化收缩等，多发生在混凝土硬化早期，呈表面细网状。不均匀沉降裂缝：隧道基础地质条件差异或邻近施工导致衬砌结构产生差异沉降［1］。（3）劣化裂缝：由材料自身耐久性不足或环境侵蚀引起。如碱—骨料反应、冻融循环、硫酸盐侵蚀等导致的膨胀性开裂。1.2裂缝对隧道结构耐久性的多维影响机理裂缝的存在对隧道结构耐久性的损害是多维度、渐进式的，其核心机理在于破坏了混凝土保护层原本相对密实的屏障功能。（1）加快渗入与扩散速度：裂隙就是液体与离子扩散的“高速通道”。裂隙宽度、长度及贯通程度直接影响着水、氯离子、CO2和O2的侵蚀速度。研究证明，裂隙宽度>0.05~0.1mm时，混凝土渗透率会呈数量级增加。隧道所处环境压力大、含水多、湿度高，让这个过程更加困难。（2）引起钢筋锈蚀，并加速锈蚀过程：进入的氧和水分是钢筋产生电化学锈蚀的必要因素，而氯离子可破坏钢筋表面的钝化层，加速钢筋锈蚀。裂缝中的钢筋会直接接触腐蚀性介质，其锈蚀速度比未开裂状态下的钢筋快很多；同时由于钢筋生锈后产生的锈蚀膨胀力(体积增加至原来体积的2~6倍)，造成混凝土保护层顺筋开裂、脱落，并加剧了侵蚀，形成了“裂缝—侵蚀—新裂缝”的破坏循环。（3）降低结构承载能力和完整性：裂缝尤其是贯通结构裂缝，会降低衬砌结构截面有效受力宽度，改变结构受力状态，降低结构抗弯、抗剪、抗压承载能力。裂缝发展可能会破坏衬砌结构与围岩的共同工作，影响隧道结构的整体稳定性。（4）引发次生病害：渗漏水不仅侵蚀结构，还会引发洞内设备锈蚀、路面湿滑、照明失效等运营安全问题，以及冬季结冰挂冰等季节性危害，大幅增加运维成本。2基于物联网的隧道裂缝监测系统设计与构建为实现对裂缝及其关联因素的全天候、自动化、精准化感知，本章设计并构建了一套分层分布式物联网监测系统。2.1系统总体架构设计系统采用经典的物联网四层架构，并针对隧道狭长、封闭、电磁环境复杂的特性进行优化。（1）感知层：由部署在隧道衬砌关键断面的各类智能传感器节点组成，负责原始物理信号的采集与初步数字化。节点采用模块化设计，集成裂缝传感器、环境传感器和结构传感器。（2）网络层：负责将感知层数据可靠、高效地传输至平台层。针对隧道长距离、多节点、低功耗需求，采用LoRa(Lon-gRange)广域网技术与有线工业以太网相结合的混合组网方案。在信号覆盖要求高的重点区域，布设LoRa网关；沿隧道纵向，利用既有通信管廊或新建线槽敷设工业以太网骨干网，连接各区域网关，确保数据传输的稳定性与实时性［2］。（3）平台层：部署到云平台或者本地区的服务器上，包括数据接入、存储、管理和分析中心。使用时序数据库来存放大量的监控数据，在其中加入边缘计算的概念，对数据进行预处理、过滤、汇总，只把重要的数据传输给云平台，减轻网络带宽和云计算的压力，可以在每个区级的网关处或者高速服务器中实现。（4）应用层：为养护管理人员提供Web和移动终端平台的可视化监控系统，实现对监测数据的实时显示以及历史查询、裂缝自动识别告警、结构安全状况分析报告、预警通知和养护决策建议等功能。2.2裂缝及多参数传感器网络部署传感器网络的优化部署是保证监测效果与经济性的关键。（1）传感器选用。裂缝观测：智能视觉传感器(DIC技术)，即数字图像相关技术，由高清相机和低功耗处理器组成，定时对混凝土表面进行拍照，并在节点端或者边缘端使用DIC算法实现对裂缝宽、长以及展开量的非接触、高精度测量，精度达0.01mm。与传统的振弦式或者光纤光栅裂缝计相比，其具有监测范围大、安装简单、不需要预测裂缝的位置等优点；环境参数监测：集成温湿度传感器、二氧化碳传感器、渗漏点水滴传感器或者渗压计用以监测裂缝发展的环境诱因；结构响应监测：在裂缝附近以及典型的断面上布置光纤光栅应变传感器(测量混凝土应变)和微机电系统加速度计(监测振动响应)，用于分析荷载作用下的裂缝行为［3］。（2）布置方式。参考隧道地质勘测报告及设计图纸，并结合以往巡检结果，找出易出现险情的典型断面（如洞门附近、软弱围岩地段、衬砌形式转换处、既有开裂区域），在此类断面上密集布置，称之为“检测单元”，具体布置间隔视隧道长短及重要程度而定，通常为10~50m；摄像头应尽量布置于光照充足的区域。可选配补光灯。2.3低功耗数据传输与边缘计算预处理隧道内供电与通信条件苛刻，系统需具备高可靠性。（1）节能技术：对传感单元进行节能优化处理，采用太阳能+大容量锂电池作为传感器节点的动力源；同时，在传感器节点上加入休眠及激活程序，比如对于摄像机，可以设置每个小时拍一张照片，但若发现裂缝发展较快，则立即转为连续拍照状态，或者由管理平台发送命令触发摄像机拍照。LoRa模块在不收发信息的时候进入休眠状态。（2）边缘计算预处理：在区域网关或者高性能视觉节点内部部署轻量级算法模型，完成以下功能：数据清洗：滤除因临时遮挡、强光干扰等导致的无效图像或异常数据；特征提取：直接对图像进行裂缝特征值（最大宽度、总长度等）提取，而非上传整个图像，数据量降低95%以上；初步诊断：运行简单阈值判断模型，本地快检报警。本设计方案大幅度提999Sep170··第42卷第期2026年月ITREPORT,No.202高了系统时效性，减轻云服务器压力及降低功耗。3基于物联网数据的裂缝智能识别与状态评估监测系统获得的数据为海量、多源、异构的原始数据，而本章节的核心在于利用先进数据分析技术把这些数据转化成关于裂缝的状态以及结构耐久性方面的深度知识。3.1多源监测数据融合与特征工程首先将来自视觉、环境、结构等方面的各类信息进行时间空间上的一致化处理，并整合为一个统一的信息样本库。其中重要属性有：裂缝静止属性：历史最宽尺寸、总延伸量、主方向；裂缝活动属性：扩展速度、日/月间张合范围。环境相关属性：裂缝宽度与所处区域温湿度的相关程度；受雨（水）影响前后开裂状态变化情况。相关荷载信息：车辆通过引起的裂缝宽动态变化特性（如峰值、周期等）；累积应变及开裂发展规律［4］。3.2基于深度学习的裂缝智能识别算法针对视觉传感器传回的图像，传统的图像处理（如边缘检测、阈值分割）方法在隧道复杂背景（污渍、水渍、灯光阴影）下鲁棒性差。本研究构建了一个轻量化的卷积神经网络模型用于裂缝的精准识别与分割。（1）模型结构：编码器—解码器结构(U-Net变体)，其中编码器用来获取图像多尺度特征信息，解码器用来对特征进行上采样并对裂缝像素点进行分割。（2）训练及优化：收集大量的不同光照、污损条件下隧道衬砌图像，并对其进行人工精细标注以得到一个高质量的数据集。使用上述数据集来训练CNN模型。为了方便在边缘设备上部署，对该模型进行剪枝、量化等处理，从而在不损失太多精度的前提下大大降低了计算量以及模型大小。（3）检测算法：由视觉节点或者边缘网关采集图像信息后，加载此小卷积神经网络模型进行处理，得到裂缝二值掩膜结果；然后提取裂缝像素坐标特征，并利用相机内参将像素坐标转化为毫米单位长度。可以过滤掉一些非裂缝背景纹路的影响，从而提高检测精度和智能化程度。3.3裂缝状态综合评估与分级预警模型（1）评估指标体系构建：从安全性（当前风险）、活性（发展倾向）、耐久性（长期危害）三个维度，选取前述特征工程中提取的关键指标，构建三层评估指标体系。（2）赋权及模糊评价：运用AHP法根据专家经验给定每一层指标的权重；用模糊数学原理把各指标实际监测值转换为“严重”“中等”“轻微”等评语的隶属度，并经过逐级模糊综合计算，得出裂缝的综合状态评分［5］。（3）分级预警及预测：蓝色预警（观察级）：综合评分低，裂缝稳定或者发展非常缓慢，只需加入常规观测范围内即可；黄色预警（关注级）：评分一般，裂缝具有一定的活性，或者外界环境条件变差，则应提高监测频次，查明原因；橙色预警（干预级）：评分高，裂缝有加快发展的趋势，或者已经明显危及耐久性能，应制订处置预案。红色预警（紧急级）：得分较高，裂缝快速发展或已经危及结构安全，应立即实施工程处治。（4）趋势预测：基于裂缝宽度、环境等参数的长时间序列数据，建立LSTM（长短期记忆网络）预测模型，预测未来一段时间内裂缝宽度的变化趋势，实现超前预警，为预防性养护决策提供时间窗口。3.4案例分析：集成应用验证现选取一个实际营运公路隧道内一段衬砌裂缝进行说明，物联网传感器布设完成并进行了为期半年的监测工作，在软件自动判别下得到了一条宽度由0.08mm增大到0.97mm的裂缝发展轨迹，并得出其每天的张开量随时间的变化规律与温度成明显的反比关系，同时夜间大量重型卡车经过时突发性变宽。综合评估模型结果显示，虽然该条裂缝目前平均宽度不超过规范限值，但是其活性评分高；LSTM模型预测未来3个月其扩张速率还将增长20%；系统发布黄色预警，并给出原因：“温度应力+疲劳荷载作用”，养护单位依据预警提前制定注浆加固计划，并采取在预测快速开展阶段前进行处理的方式，避免其进一步发展成渗漏病害，处理后监测到的裂缝活动性明显减弱，证实了处理的效果。4结语隧道衬砌裂缝劣化作为影响其服役安全的重要因素，在隧道整个生命周期内均需采取一定的修补加固处理措施。文中提出了一种基于传感网、LoRaWAN及边缘计算技术融合的新途径，对裂缝及与其相关的其他影响因子展开有效实时监测，并以此为基础运用了机器视觉以及模糊评价法等改进手段形成了由基础数据获取—裂缝自动判识—综合性能评价—等级预警机制的一套闭环处理流程，提升了裂缝监测数据利用率。实践证明，在裂缝检测中引入物联网技术可以克服传统方法碎片性、被动性和经验性的局限，实现隧道管养的动态化、科学化、自动化、前瞻性。经案例检验，本文研究方法能对裂缝的耐久性处治进行更及时、更科学地决策指导，在合适的时间点采取最适合的工程对策，用更低廉的成本，更好地保证隧道结构物的长期运营安全，延长其服役期。参考文献：［1］华正晓.土木工程智能化背景下混凝土裂缝防治［J］.智慧中国,2025,(09):56-57.［2］廖平若,王文,钟文.基于物联网的公路水泥混凝土施工智能管控系统的设计及应用［J］.湖南交通科技,2024,50(02):149-153.［3］刘利君,高浩志,陈亚军.基于物联网技术的混凝土坝振捣质量分析算法设计与实现［J］.中国信息界,2025,(08):200-202.［4］朱益兵,燕春阳.基于物联网传感器的混凝土桥梁细微裂纹检测方法［J］.物联网技术,2025,15(16):10-12.［5］赵泓,徐海亮.水利枢纽工程混凝土裂缝检测技术的对比与应用［J］.中华建设,2025,(10):183-185.999Sep171