Оценка состояния покрытия стальных балок моста с помощью гиперспектрального машинного зрения

4
views
ЗАКАЗАТЬ СИСТЕМУ

Органическое покрытие стальных балок мостов подвергается физическим царапинам, коррозии и старению в результате естественного атмосферного воздействия. Если повреждение не заметить, это может привести к проблемам с эксплуатационной пригодностью и безопасностью. Традиционная инспекция покрытия занимает много времени и не предоставляет информации о его химической целостности. Предложен метод гиперспектральной визуализации для определения состояния стальных покрытий на основе характеристик, реагирующих на покрытие, в спектрах отражения.

Были проведены полевые испытания на реальном мосту, демонстрирующем явные признаки деградации. Гиперспектральная сигнатура позволяет оценить состояние покрытия и степень его повреждения. Результаты показали, что царапина на покрытии может быть эффективно локализована в области гиперспектрального изображения, а глубина царапины может быть определена путем сопоставления индикатора глубины царапины (SDI = R532 нм/R641 нм). Источники и продукты коррозии в стальных балках можно идентифицировать по уникальным спектральным характеристикам в диапазоне VNIR, а пятна ржавчины (и, следовательно, области пятен), рассеянные на покрытии, можно точно определить на уровне пикселей с помощью индикаторов хлоридной ржавчины (CR) >1,11 (CR = R733 нм/R841 нм).

Химическая целостность верхнего покрытия демонстрируется с помощью коротковолновой инфракрасной спектроскопии, а деградацию верхнего покрытия можно оценить по уменьшению поглощения на частотах 8000 см⁻¹ и 5850 см⁻¹ . Гиперспектральная визуализация позволяет быстрее и надежнее определять состояние покрытия по спектральным характеристикам и предоставляет альтернативный метод для обнаружения нескольких объектов на покрытии.

1. Введение

Сталь является перспективным материалом в гражданском строительстве, особенно в мостостроении, благодаря своей высокой прочности и малому весу. Стальные компоненты широко используются в подвесных, вантовых и балочных мостах для преодоления проблемы собственного веса [1, 2]. Она также может использоваться в качестве надстройки для арочных мостов, облегчая строительство проезжей части и неся нагрузки. Например, мост через залив Сиднейской гавани [3].

Кроме того, сталь широко используется для балок в сетях автомобильных мостов (>30%) для обеспечения большего зазора для движения транспорта [4]. Однако стальные компоненты, подверженные воздействию естественного атмосферного воздействия, сильно повреждаются под воздействием коррозионных сред, что создает проблемы безопасности и эксплуатационной пригодности [4, 5]. По данным Федерального управления автомобильных дорог (FHWA) [6], статистика показывает, что около 45% стальных мостов имеют структурные дефекты, а 19% практически устарели. Коррозия в настоящее время является наибольшей проблемой для структурной целостности стальных компонентов, поскольку она может значительно (почти на 40%) снизить усталостную прочность [7, 8, 9].

Например, коррозия является причиной внезапного обрушения стального ферменного моста I-35W в Миннеаполисе, США [10]. Поврежденное покрытие увеличивает вероятность коррозии стальной основы [4]. Поэтому необходима регулярная проверка покрытия, а его состояние следует оценивать для обеспечения приемлемой эксплуатационной пригодности и защиты основы от прямого контакта с коррозионными факторами [9].

Покрытия должны обеспечивать защиту от различных видов деградации, как физической, так и химической [11]. Покрытие должно выдерживать физические воздействия, такие как царапины и истирание, а также воздействие некоторых агрессивных веществ, таких как хлориды, кислоты и вода [4, 11, 12, 13]. Таким образом, дефекты покрытия различаются в зависимости от степени воздействия деградации [13]. Для оценки состояния покрытий можно контролировать многие аспекты, такие как расслоение, меление, растрескивание и появление ржавчины [13, 14].

Визуальный осмотр давно используется для мостовидных покрытий благодаря его надежному качеству. Однако этот метод требует опытных специалистов, а оценка состояния покрытия может быть подвержена объективным и количественным проблемам. Визуальный осмотр также занимает много времени и требует больших трудозатрат, что делает его невозможным для регулярного осмотра [15]. Метод электрохимической импедансной спектроскопии (ЭИС) изучался для определения целостности покрытия, а также возникновения коррозии подложки. Значения импеданса могут эффективно отражать состояние покрытия до появления макроскопических дефектов, но EIS не дает локальной информации и, следовательно, нечеткого определения местоположения поврежденных участков покрытия [16, 17].

Для оценки состояния покрытия использовались спектроскопические методы, включая инфракрасную спектроскопию с преобразованием Фурье (FTIR), рамановскую спектроскопию и мёссбауэровскую спектроскопию, но они, как правило, ограничены лабораторными экспериментами [11, 18, 19, 20]. Методы, основанные на изображениях, были внедрены в сочетании с методами машинного обучения за последние два десятилетия для достижения быстрой проверки [21, 22].

Пиксельные характеристики изображений в сочетании с алгоритмом искусственного интеллекта (ИИ) значительно повысили эффективность и надежность, что может стать заменой человеческой проверки [21, 23]. Однако очевидным недостатком является то, что изображения в красном, зеленом и синем (RGB) цветах не могут предоставить информацию о химическом составе покрытия, что препятствует тщательной оценке до появления очевидных дефектов [24]. Кроме того, при обнаружении дефектов может возникнуть некоторая путаница, если они преимущественно характеризуются цветом, а метод компьютерного зрения чувствителен к неравномерному освещению на обнаруживаемых поверхностях [21].

Гиперспектральная визуализация (ГСИ) становится компромиссным инструментом для одновременного пространственного и спектрального анализа, поскольку гиперспектральная визуализация обладает информацией RGB и информацией о составе поверхности в соответствии с откликом на разных длинах волн [8, 25]. Таким образом, как пространственная несогласованность, так и неоднородность состава могут быть отображены в контексте гиперспектральной визуализации [25].

Этот метод использовался для количественной оценки толщины лакокрасочного покрытия на стали по спектральной сигнатуре, а также для различения различных химических связующих и полимеров в составе покрытия для автоматического определения состояния покрытия [26, 27, 28]. Аналогично, ближняя инфракрасная (ИК) спектроскопия использовалась для оценки преобразования белого пигмента акрилатных покрытий, подвергнутых воздействию ультрафиолетового (УФ) излучения [28]. Гиперспектральная визуализация также была протестирована для выявления микропор в покрытии путем введения согласующего фильтра на уровне пикселей [24].

Для различения цветов различных объектов в покрытиях балок Даякар разработал модель машины опорных векторов (SVM), и желтый цвет коррозионной ржавчины в различных средах, кислотных или сульфатных, можно различить с точностью 94% [3]. Гиперспектральная визуализация также применялась для оценки покрытия фермы арочного моста. Предложенная многоклассовая SVM может генерировать высокоточные результаты оценки покрытия, интегрируя информацию всего из 21 полосы в диапазоне видимого спектра [29]. Однако применение гиперспектральной визуализации в основном сосредоточено на характеристике деградации покрытия в лабораторных условиях. Следует отметить, что разработанный метод, основанный на HSI, для идентификации дефектов покрытия и оценки его состояния в реальных конструкциях недостаточен.

В данном исследовании предлагается использовать гиперспектральную визуализацию для исследования покрытий стальной балки реального моста. Для демонстрации возможностей гиперспектрального сканирования были предварительно отобраны некоторые типичные дефекты покрытия, подверженные воздействию естественного атмосферного воздействия.

Результаты гиперспектрального сканирования были подтверждены лабораторными исследованиями, ИК-спектроскопией, сканирующей электронной микроскопией (СЭМ) и энергодисперсионной рентгеновской спектроскопией (ЭДС), чтобы проиллюстрировать применимость методов гиперспектральной визуализации для обнаружения и оценки состояния покрытия.

Установлено, что профили царапин на покрытии могут быть обнаружены, а глубина царапин характеризуется спектральными характеристиками слоев покрытия и подложки. Химически деградированное покрытие может быть отличимо от неповрежденного покрытия по гиперспектральным характеристикам отражения в коротковолновом инфракрасном диапазоне (КИК). Кроме того, пятна ржавчины могут быть идентифицированы без цветового искажения с помощью гиперспектральной визуализации, а среда ржавчины может быть распознана в соответствии с уникальными спектральными характеристиками продуктов ржавчины.

2. Материалы и методы

Предложенная гиперспектральная методика визуализации для определения состояния покрытия продемонстрирована на неразрезном балочном мосту на главной дороге 10-й улицы (37.951454, −91.769034), Ролла, Миссури, США. Мост представляет собой восьмипролетный стальной балочный мост с конфигурацией пролетов 15,79 м, 15,54 м, 16,46 м, 18,59 м, 18,89 м, 12,49 м, 16,15 м и 11,85 м (в сумме 125,5 м) с запада на восток, как показано на рисунке 1. В балках моста использована конструкционная углеродистая сталь с номинальным пределом текучести 20 000 psi. Для обеспечения большего зазора для железной дороги были использованы балки из стали W30 и W33.

Рисунок 1. ( а ) Оригинальный чертеж проекта моста; ( б ) Вид реального испытательного моста; ( в ) Размеры стальной балки.

Мост был построен в 1974 году, и стальные балки изначально были покрыты коричневым силикохроматом свинца. Покрытие было удалено в 2002 году из-за опасений по поводу содержания свинца и заменено современным алкидным покрытием на основе сульфоната кальция в сочетании с эпоксидной грунтовкой, как показано на рисунке 2. Алкидная краска на основе сульфоната кальция предназначена для замены благодаря ее значительному антикоррозионному эффекту.

Замена на алкидную краску на основе сульфоната кальция обусловлена ​​непрерывным выделением ингибиторов коррозии. Кроме того, многослойная система покрытия может значительно предотвратить проникновение коррозионных ионов благодаря более плотному интерфейсу между алкидом и эпоксидной смолой, как показано с помощью сканирующего зонда Кельвина (СКП) [30]. Этот мост был выбран в качестве объекта исследования из-за наличия различных типичных дефектов покрытия на балках. Кроме того, алкидное верхнее покрытие также является одним из наиболее широко используемых красок в современной защите мостов [4].

Рисунок 2. Демонстрация системы покрытия для стальной балки.

Для характеристики дефектов покрытия с помощью гиперспектральной визуализации предварительно выбранные точки интереса (SOI) на покрытии балки сканировались с помощью двухлинзовой гиперспектральной камеры Headwall (Headwall phonetic, Бостон, Массачусетс, США), как показано на рисунке 3. Камера расположена на расстоянии 1,2 м от точек интереса. При естественном освещении время экспозиции было установлено на 45 мс, чтобы предотвратить переэкспозицию гиперспектрального изображения.

Гиперспектральная камера в данном исследовании обеспечивает спектральный диапазон видимого и ближнего инфракрасного (VNIR, 400–100 нм) и коротковолнового инфракрасного (SWIR, 1000–2500 нм) излучения с разрешением 2,21 нм в VNIR и 6,02 нм в SWIR. Перед каждым сбором гиперспектральных изображений темная область фиксировалась с закрытой крышкой для уменьшения внутреннего шума тока в изображении. Аналогичным образом, для преобразования исходных цифровых значений в яркость и, наконец, в отражательную способность был также собран белый эталон.

В этом тесте камера использовалась на штативе, поскольку контакты SOI были доступны; в противном случае камеру можно было бы интегрировать в беспилотный летательный аппарат для контроля покрытий.

Рисунок 3. ( а ) Схема установки для сбора гиперспектральных изображений в полевых условиях; ( б ) конфигурация сбора данных.

Гиперспектральная визуализация действительно является подмножеством спектроскопической техники для характеристики полимеров в данном исследовании. Поскольку гиперспектральная визуализация в этом исследовании позволяет получать данные в диапазоне волновых чисел от 4000 см⁻¹ до 10 000 см⁻¹ , она характеризуется комбинациями полос, связью и обертонами [28]. Поэтому для подтверждения результатов гиперспектральной визуализации используется ИК-спектроскопия.

Для анализа были взяты некоторые образцы покрытий с мостика. ИК-спектры были записаны с помощью ИК-спектрометра Nicolet™ iS50 (Thermo Fisher Scientific, Уолтем, Массачусетс, США) в спектральном диапазоне от 400 см⁻¹ до 4000 см⁻¹ с разрешением 4 см⁻¹ . Для каждого образца было выполнено 16 измерений для улучшения спектров и снижения шума. ИК-спектры представлены в виде пропускания для удобства сравнения в данном исследовании.

Кроме того, сканирующая электронная микроскопия (СЭМ) была проведена на образцах покрытий (окрашенных ржавчиной, здоровых и деградированных) с использованием микроскопа Helios Hydra CX (Thermo Fisher Scientific, Уолтем, Массачусетс, США) при ускоряющем напряжении 15 кВ и токе пучка 0,8 нА в условиях высокого вакуума (<5,0 × 10⁻⁴ Па ). Рабочее расстояние между линзой и образцом было установлено на 4 мм.

Для определения распределения атомов на верхнем покрытии была проведена энергодисперсионная рентгеновская спектроскопия (ЭДС) с использованием детектора Thermo Noran Ultra Dry 60 мм² (Thermo Fisher Scientific, Уолтем, Массачусетс, США) с применением программного обеспечения Pathfinder X-ray Microanalysis Software-2022 (Thermo Fisher Scientific, Уолтем, Массачусетс, США). Поскольку органическое покрытие в данном исследовании является непроводящим, все образцы были покрыты тонкой пленкой золота/палладия (Au/Pd) методом магнетронного распыления в течение 45 секунд для предотвращения зарядки.

3. Результаты и обсуждение

3.1. Царапины на покрытии

На рисунке 4 представлен вид царапины на покрытии стальной балки моста. Видно, что глубина царапины изменяется вдоль следа, и в некоторых местах царапина даже достигает подслоя. Толщина покрытия уменьшилась, хотя разница в цвете по сравнению с исходным изображением незначительна. Кроме того, неизвестно, обнажается ли стальная подложка из-за царапин. Покрытие используется для защиты стали от коррозионных сред. Коррозия может начаться с непокрытого участка стали, и эффект постепенно распространяется концентрически по локальной области, постепенно повреждая целостные покрытия.

На рисунке 4b показано сравнение спектральных характеристик в диапазоне 400–1000 нм (видимый и ближний инфракрасный диапазон, VNIR) от различных объектов: верхнего покрытия (пигментированный алкид), подслоя (эпоксидная смола) и стали балки, в области царапин, полученных с помощью гиперспектральной съемки. С точки зрения гиперспектральной визуализации, эти три объекта спектрально различаются, особенно верхний и нижний слои, хотя оба являются органическими полимерами, характеризующимися ароматическими кольцами и боковыми цепями. Что касается подложки, сталь не проявляет никаких абсорбционных характеристик в диапазоне VNIR, поскольку она состоит из ионов металлов, которые не поглощают фотоны в текущем диапазоне длин волн [29].

Рисунок 4. Царапина покрытия на стальной балке. ( а ) Исходный вид; ( б ) спектральные характеристики различных слоев покрытия и соответствующие значения F из дисперсионного анализа спектров.

Для различения различных слоев покрытия разработан индикатор глубины царапины (SDI), основанный на сравнении отношения между двумя полосами, 536 нм и 641 нм. На рисунке 4b показаны результаты F-значения, полученные в результате однофакторного дисперсионного анализа (ANOVA) на основе спектров трех объектов. Имеются два локальных максимума на 426 нм и 641 нм и один локальный минимум на 536 нм.

Согласно F-значению ANOVA, спектры на длине волны 536 нм дают наименьшую вариацию ( p < 0,05) в диапазоне 400–750 нм. Для сравнения, 426 нм и 641 нм более чувствительны к различиям между различными слоями покрытия, поскольку наблюдаются более высокие близкие значения F, которые составляют около 21 ( p < 0,05). Для создания надежного индикатора в данном исследовании в качестве наиболее чувствительной полосы выбрана 641 нм, поскольку 426 нм находится в начале спектра, который обычно подвержен сильным механическим шумам [8]. 

На рисунке 5а показано отображение SDI (536 нм/641 нм) в гиперспектральной визуализации. Профиль царапины легко идентифицируется, а обнаженный подслой можно определить по черным точкам. Для метода RGB цветовая характеристика царапины используется для идентификации профиля царапины, и результат легко может быть ложным, если присутствуют объекты с похожими цветами [31].

Для оценки состояния царапины различные слои покрытия извлекаются из карты с помощью пороговых значений для демонстрации глубины царапины. Соответствующий порог SDI для подслоя и стали получается из распределения значений SDI, как показано на рисунке 5c ,f. Для эпоксидного подслоя критический SDI 1,33 изолирует обнаженный подслой, хотя можно наблюдать некоторые разрозненные ошибки идентификации. Большинство ошибок классификации подслоя расположены в оттенках белой эталонной доски. Это связано с тем, что оттенок может искажать спектр и, таким образом, давать неверную информацию, которую можно устранить с помощью дополнительного внешнего источника света на практике [26].

Отмечается, что несколько пикселей отличаются от подслоя в центре царапины «М», которая представляет собой стальную подложку. Поскольку гиперспектральная визуализация также обеспечивает высокое пространственное разрешение 0,56 мм в данном исследовании, открытую сталь можно обнаружить по критическому значению SDI 0,95. Выбор критического значения SDI в данном исследовании обусловлен тем, что 95% рассчитанных значений SDI для пикселей на стальной подложке находятся в диапазоне от 0,95 до 1,02.

Всего можно идентифицировать 5 пикселей (размер пикселя: 0,56 × 0,56 мм), что составляет экспозицию 1,57 мм². Стоит отметить, что гиперспектральная визуализация позволяет проводить гораздо более точный контроль с использованием спектральной информации по сравнению с RGB-контролем, поскольку разрешение недостаточно высокое для идентификации таких мелких дефектов.21 , 22 ].

Рисунок 5. Различные слои покрытия балки с царапинами. ( а ) Картирование SDI (536 нм/641 нм) в гиперспектральной визуализации; ( б ) царапина подслоя (SDI > 1,33); ( в ) определение критического значения SDI для подслоя; ( г ) верхний слой; ( д ) царапина подложки из стали (0,95 < SDI < 1,02); ( е ) определение критического значения SDI для стали.

3.2. Пятна ржавчины на стали

Процентное содержание ржавчины на стали используется в качестве индикатора для оценки состояния покрытия в соответствии с ASTM D610-08 для своевременного устранения [23, 31]. На рисунке 6 представлена ​​поверхность покрытия с пятнами ржавчины на стали, а также корродированная верхняя полка стальной балки. Многие коррозионные среды вызывают ржавчину в атмосферной среде, и продукты коррозии могут различаться. Кислотные среды склонны к образованию магнетита (Fe3O4 ) , хлорида железа (FeCl2 ) и оксида-гидроксида железа (FeOOH) [31].

При воздействии ионов хлоридных солей основными продуктами коррозии являются акагенеит (β-FeOOH) и гетит (α-FeOOH) [31, 32]. Были подготовлены две стальные пластины, обработанные хлоридом натрия и водой соответственно, и помещены в поле зрения сканирования. На рисунке 6b показаны спектральные характеристики в диапазоне VNIR, полученные от коррозионных пятен на двух пластинах.

Отмечается, что продукты ржавчины при различном воздействии различаются по спектру. Ржавчина, полученная из раствора хлорида натрия, имеет три полосы поглощения при 612 нм, 733 нм и 841 нм, а продукты коррозии на водной основе имеют полосы при 708 нм и 950 нм, которые характеризуются наличием воды [8]. Спектры коррозионной ржавчины из разных источников согласуются с предыдущим исследованием [33].

Рисунок 6. Покрытие балки с пятнами ржавчины. ( а ) Вид пятна ржавчины; ( б ) спектральные характеристики различных продуктов ржавчины в видимом и ближнем инфракрасном диапазоне; ( в ) демонстрация пятна ржавчины с помощью индикатора CR (>1,11); ( г ) критическое значение CR для пятна ржавчины на верхнем слое покрытия.

Поскольку хлоридная коррозия более агрессивна, стоит подчеркнуть ее коррозионное воздействие до того, как она начнет повсеместно поражать как подложку, так и органические покрытия [14]. Индикатор хлоридной ржавчины (CR) с длиной волны 733 нм/841 нм создан для демонстрации продуктов коррозии. На рисунке 6c показано отображение CR в области гиперспектральной визуализации с порогом 1,11. Этот критический CR получен из пикселей пятен в диафрагме тем же методом, что и в SDI.

Сильно заржавевшие стальные фланцы можно идентифицировать на карте CR, как показано темно-красными областями. Кроме того, пятна ржавчины на покрытии диафрагмы также обнаруживаются с помощью CR, хотя значения CR меньше по сравнению с пятнами ржавчины. Это связано с тем, что продукты ржавчины смешиваются с верхним покрытием в области пикселя. Гиперспектральный спектр представляет собой общий состав химических веществ в этом пикселе [8]. Что касается проверки пятен ржавчины, то метод гиперспектральной визуализации значительно снижает количество ложных срабатываний по сравнению с методом RGB [33].

Образцы покрытия с пятнами ржавчины анализируются методом энергодисперсионной рентгеновской спектроскопии (ЭДС) в отличие от обычного покрытия этой балки. На рисунке 7 показано сравнение результатов элементного картирования. Спектр ЭДС, показанный на рисунке 7а, демонстрирует обнаруживаемые пики хлорида (Cl) для покрытия с пятнами ржавчины, в то время как в покрытии без ржавчины преобладают элементы состава полимера верхнего слоя, углерод (C) и кислород (O). Присутствие Cl также отражено в результатах элементного картирования, как показано на рисунке 7б.

Для элементов, связанных с ржавчиной стали, Fe и Cl показывают значительные различия в распределении. Кислород (O) здесь не рассматривается для различения ржавчины из-за его массового присутствия в алкидных смолах и, следовательно, не может быть легко подвергнут воздействию [34]. Как видно из рисунка 7б , Fe более заметен на покрытии с пятнами ржавчины, хотя Fe также присутствует в образцах покрытия без ржавчины.

Для Cl контраст более значительный, поскольку он почти исчезает в образцах без ржавчины. В таблице 1 показано соотношение элементов каждого обнаруживаемого элемента, присутствующего на поверхности покрытия. Соль (C) и кислород (O) занимают в общей сложности около 90% поверхности покрытия, а азот (N) является третьим по распространенности элементом, составляющим около 7,5% поверхности покрытия. Доминирование элементов хорошо согласуется с составом алкидной смолы.

В покрытии с ржавчиной содержание железа составляет 1,78%, что выше, чем 0,56% в покрытии без ржавчины. Что касается хлора (Cl), то он составляет 0,51% от общего количества обнаруживаемых элементов в верхнем слое с ржавчиной по сравнению с 0% Cl в верхнем слое без ржавчины. Элемент Cl отличает покрытия, загрязненные ржавчиной, от образца без ржавчины, в котором его присутствие незначительно. Результат согласуется с результатами гиперспектральной съемки, которые показывают распределение ржавчины, а также источник коррозии, связанный с хлором.

Рисунок 7. Сравнение распределения элементов на покрытии с пятнами ржавчины и без них по данным ( а ) спектров EDS, ( б – 1 ) распределения элементов в верхнем слое без ржавчины по данным EDS-картирования, ( б – 2 ) распределения элементов в верхнем слое с пятнами ржавчины по данным EDS-картирования.

Таблица 1. Процент отслаивающихся элементов на покрытии с ржавчиной и без нее.

Элемент С О Н Фе Кл Аль Цинк
Антикоррозийное покрытие 54.34 36.00 7.31 0,56 0 0,48 1.31
Покрытие, покрытое ржавчиной 53.15 34.98 7.43 1.78 0,51 0,38 1.53
3.3. Поврежденное верхнее покрытие

Поврежденное верхнее покрытие может обнажить нижний слой и, следовательно, увеличить вероятность коррозии подложки. Раннее обнаружение потенциально может повысить эксплуатационные характеристики стальных балок. На рисунке 8 показано поврежденное верхнее покрытие на нижней полке стальных балок в предлагаемом полевом мосту. Эти поврежденные верхние покрытия потеряли свою адгезию к нижнему слою и, следовательно, не могут эффективно защищать нижний слой и подложку. Поскольку деградация обычно характеризуется разрывом цепей из-за окисления, на рисунке 9 представлено сравнение неповрежденных и поврежденных верхних покрытий с помощью ИК-спектроскопии и спектроскопии в ближнем инфракрасном диапазоне (SWIR) с использованием гиперспектральной визуализации. ИК-спектроскопия предоставляет дополнительную информацию к спектроскопии SWIR для интерпретации деградации верхнего покрытия с учетом химических связей связующего вещества.

Рисунок 8. Демонстрация разрушения верхнего покрытия на нижней полке стальной балки.

Рисунок 9. Сравнение здорового и поврежденного верхнего слоя в диапазоне ( а ) 400–4000 см⁻¹ ( ИК-спектроскопия), ( б ) 4000–10000 см⁻¹ ( коротковолновая ИК-спектроскопия).

Учитывая естественное старение и воздействие атмосферы на верхний слой, колебания растяжения C=O при 1726 см⁻¹ и C–O–C при 1528 см⁻¹ характеризуются разрывом связей в полиэфире верхнего слоя балки, алкидной смоле [35, 36]. В таблице 2 приведено распределение полос алкидной смолы. Видно, что узкие полосы поглощения при 1726 см⁻¹ и 1528 см⁻¹ значительно уменьшаются для деградировавшего верхнего слоя по сравнению со здоровым, что указывает на укорочение цепей в полимере [36].

Разрыв цепей в полиэфире также наблюдается по уменьшению поглощения при 2920 см⁻¹ и 2850 см⁻¹ для деградировавшего верхнего слоя, что иллюстрирует уменьшение присутствия боковых цепей [37]. Кроме того, полоса O–C–O при 1410 см⁻¹ практически исчезает, что свидетельствует об уменьшении боковой цепи [38]. Напротив, отмечается, что полоса 1635 см⁻¹ усиливается из-за эффекта деградации верхнего покрытия [36, 39].

Это происходит из-за автоокисления полимерной сшивки. В этом процессе деградировавшая алкидная смола выделяет спирты и карбонильные соединения, что, таким образом, снижает молекулярную массу исходного компонента верхнего покрытия [37]. Снижение массы алкидной смолы также может быть связано с уменьшением полос при 1100 см⁻¹ и 1252 см⁻¹. Разрыв связи C–O–C приводит к образованию летучих веществ, например, фталевой кислоты в результате реакции Норриша типа I [39]. На рисунке 10 показана микроструктура здорового и деградировавшего верхнего покрытия, полученная с помощью СЭМ. В сравнении с этим, поврежденное верхнее покрытие имеет более хаотичную топологию и разложилось на большее количество фрагментов. 

В таблице 3 показано наличие обнаруживаемых элементов в верхнем покрытии, полученное на основе результатов картирования методом энергодисперсионной спектроскопии (ЭДС). Содержание углерода значительно снижается при переходе от здорового покрытия к поврежденному из-за эффекта окисления, что соответствует результатам ИК-спектроскопии.

Рисунок 10. Топология, полученная с помощью СЭМ, ( а ) здорового верхнего слоя; ( б ) деградировавшего верхнего слоя.

Таблица 2. Основные полосы алкидной смолы в ИК-спектре и их идентификация.

Волновое число ( см⁻¹ ) Назначение
741–705 Ароматический внеплоскостной изгиб
<1000 Колебания кольца и связь C–X (где X=Cl или CH₃ )
1070 Ароматический изгиб в плоскости
1119 растяжение связи C–O–C
1258 растяжение связи C–O–C
1340–1300 Вибрации, связанные с ароматическими кольцами
1429 изгиб O–C–O
1528 Изгиб C–O–C
1590 Ароматический изгиб в плоскости
1650–1500 C=N, C=O
1635 растяжение связи C=C
1726 Колебания растяжения связи C=O в карбоновых кислотах и ​​сложных эфирах
2850 (C–H)-CH 2 симметричное растяжение
2921 (C–H)-CH 2 асимметричное растяжение
3440/3314 растяжение OH

 

Таблица 3. Процент отслаивающихся элементов на покрытии с пятнами ржавчины и без них.

Элемент С О Н Фе Кл Аль Цинк
Здоровая шерсть 53.15 37.53 7.43 0,43 0 0,52 1.37
Поврежденное верхнее покрытие 42.19 48.47 7.58 0,25 0 0 1.50

 

На рисунке 9b представлены спектры, полученные из здорового и деградировавшего верхнего покрытия в диапазоне 4000–10000 см⁻¹ после обработки с удалением континуума для облегчения количественного сравнения [28, 39]. Как показано на ИК-спектре, основные и боковые цепи значительно укоротились из-за эффекта деградации. Уменьшение C=O в деградировавшем верхнем покрытии также можно обнаружить в спектроскопии SWIR по характерным полосам валентных колебаний карбонильной группы при 5850 см⁻¹ [40].

Эта полоса должна представлять собой обертоны основных колебаний карбонильных групп, показанных в диапазоне 400–2000 см⁻¹. Аналогичная тенденция уменьшения при 5850 см⁻¹ также наблюдается на алкидных смолах при воздействии ультрафиолета [41]. Еще одно существенное различие находится в районе 6820 см⁻¹, характеризующемся вторым обертоном гидроксильной группы [8, 41].

Эта полоса поглощения практически исчезает из-за деградации верхнего покрытия. Удаление гидроксильных групп также наблюдается по поглощению при 3440 см⁻¹ [36, 37]. Однако полоса 3440 см⁻¹ остается значимой, хотя и уменьшилась. Это связано с тем, что 3440 характеризуется не только колебанием изгиба гидроксильной группы, но и воды [8]. Третья узнаваемая спектральная зона, которая отличает здоровое и деградированное верхнее покрытие, находится в районе 8000 см⁻¹. Интенсивность поглощения этой широкой полосы уменьшается из-за деградации верхнего покрытия, которая объясняется потерей кислородсодержащих продуктов, однократно-двукратно связанных атомов кислорода, вследствие фотоокисления [40].

4. Выводы

В рукописи представлено исследование, в котором гиперспектральная визуализация используется для обнаружения дефектов покрытия стальных балок мостов. Оцениваются царапины на покрытии, ржавчина на подложке и деградация верхнего слоя. Основные результаты можно резюмировать следующим образом:

  • Профили царапин можно эффективно отображать с помощью индикаторов глубины царапин, применяя критический порог для каждого слоя покрытия. Эпоксидный подслой можно отличить по показателю SDI > 1,33, а открытую подложку — по показателю 0,95 < SDI < 1,02.
  • Источник продуктов коррозии можно определить по полосам поглощения на длинах волн 612, 708, 733, 841 и 950 нм в видимом и ближнем инфракрасном диапазоне. Продукты коррозии на водной основе дают полосы поглощения на длинах волн 708 и 950 нм, тогда как ржавчина на хлоридной основе имеет полосы поглощения на длинах волн 612, 733 и 841 нм.
  • Степень загрязнения ржавчиной покрытия можно оценить по индикаторам коррозионной ржавчины (CR (R733/R841) > 1,11), а общую площадь пятна коррозии затем можно рассчитать по размерам пикселей.
  • Что касается деградировавшего верхнего покрытия, то в ближнем инфракрасном диапазоне (SWIR) наблюдается значительное снижение поглощения при 8000 см⁻¹ и 5850 см⁻¹, а также поглощение гидроксильных групп при 6820 см⁻¹.

Для более надежной проверки покрытий балок необходимо сосредоточиться на количественном изучении того, как спектры в ближнем инфракрасном диапазоне (SWIR) могут оценить степень деградации покрытия. Также необходимо протестировать больше типов промышленных покрытий с помощью гиперспектральной визуализации, чтобы определить соответствующий индикатор для различения их наличия от других слоев, что значительно расширит возможности применения гиперспектральной визуализации в быстрой неразрушающей инспекции состояния покрытий балок.

Литература

  1. Kitada, T. Considerations on recent trends in, and prospects of, steel bridge construction in Japan. J. Constr. Steel Res. 2006, 62, 1192–1198. [Google Scholar] [CrossRef]
  2. Ma, P.; An, J.; Zhang, B.; Zhu, P.; Zhao, H. Research on Axle Load Recognition Algorithm Based on U-rib Transverse Influence Line. Highw. Eng. 2020, 45, 9. [Google Scholar] [CrossRef]
  3. Mustapha, S.; Huynh, C.P.; Runcie, P.; Porikli, F. Paint condition assessment of civil structures using hyper-spectral imaging. In Proceedings of the 7th International Conference on Structural Health Monitoring of Intelligence Infrastructure—SHMII 2015, Torino, Italy, 1–3 July 2015; Intl Society for Structural Health Monitoring of Intelligent Infrastructure: Red Hook, NY, USA, 2015. [Google Scholar]
  4. Yanez, L.M.M. Bridge Maintenance to Enhance Corrosion Resistance and Performance of Steel Girder Bridges. Ph.D. Thesis, Purdue University, West Lafayette, IN, USA, 2016. [Google Scholar]
  5. Zhang, L.; Lv, X.; Lau, K.; Viswanathan, S.; Li, M.; Gosain, P. Assessment of Structural Steel Coating Applications; Florida Department of Transportation: Tallahassee, FL, USA, 2021. [Google Scholar]
  6. FHWA; USDOT. Bridges and Structures—Bridges by Year Built 2013; Federal Highway Administration; US. Department of Transportation: Washington, DC, USA, 2015. Available online: http://www.fhwa.dot.gov/bridge/structyr.cfm (accessed on 20 April 2023).
  7. Menga, A.; Kanstad, T.; Cantero, D.; Bathen, L.; Hornbostel, K.; Klausen, A. Corrosion-induced damage and failures of posttensioned bridges: A literature review. Struct. Concr. 2023, 24, 84–99. [Google Scholar] [CrossRef]
  8. Ma, P.; Fan, L.; Chen, G. Hyperspectral reflectance for determination of steel rebar corrosion and Cl− concentration. Constr. Build. Mater. 2023, 368, 130506. [Google Scholar] [CrossRef]
  9. Lazorenko, G.; Kasprzhitskii, A.; Nazdracheva, T. Anti-corrosion coatings for protection of steel railway structures exposed to atmospheric environments: A review. Constr. Build. Mater. 2021, 288, 123115. [Google Scholar] [CrossRef]
  10. Guo, S.; Si, R.; Dai, Q.; You, Z.; Ma, Y.; Wang, J. A critical review of corrosion development and rust removal techniques on the structural/environmental performance of corroded steel bridges. J. Clean. Prod. 2019, 233, 126–146. [Google Scholar] [CrossRef]
  11. Cook, D.C. Spectroscopic identification of protective and non-protective corrosion coatings on steel structures in marine environments. Corros. Sci. 2005, 47, 2550–2570. [Google Scholar] [CrossRef]
  12. Chong, S.L. A Comparison of Accelerated Tests for Steel Bridge Coatings in Marine Environments. J. Prot. Coat. Linings 1997, 14, 20. Available online: http://worldcat.org/issn/87551985 (accessed on 27 May 2023).
  13. Liao, K.W.; Lee, Y.T. Detection of rust defects on steel bridge coatings via digital image recognition. Autom. Constr. 2016, 71, 294–306. [Google Scholar] [CrossRef]
  14. Corrosionpedia. Coating Failures and Defects. 2016. Available online: https://www.ppcoatings.co.uk/wp-content/uploads/2016/06/Coating-Failure-Defects.pdf (accessed on 23 May 2023).
  15. Yao, Y.; Kodumuri, P.; Lee, S.K. Performance Evaluation of One-Coat Systems for New Steel Bridges; No. FHWA-HRT-11-046; United States Department of Transportation; Federal Highway Administration: Washington, DC, USA, 2011. [Google Scholar]
  16. Waters, N.; Connolly, R.; Brown, D.; Laskowski, B. Electrochemical impedance spectroscopy for coating evaluation using a micro sensor. In Proceedings of the Annual Conference of the PHM Society, Fort Worth, TX, USA, 29 September–2 October 2014; Volume 6. [Google Scholar] [CrossRef]
  17. Hayashibara, H.; Tada, E.; Nishikata, A. Monitoring the early stage of degradation of epoxy-coated steel for ballast tank by electrochemical impedance spectroscopy. Mater. Trans. 2017, 58, 1687–1694. [Google Scholar] [CrossRef]
  18. Kanbayashi, T.; Ishikawa, A.; Matsunaga, M.; Kobayashi, M.; Kataoka, Y. Application of confocal raman microscopy for the analysis of the distribution of wood preservative coatings. Coatings 2019, 9, 621. [Google Scholar] [CrossRef]
  19. Müller, J.; Knop, K.; Thies, J.; Uerpmann, C.; Kleinebudde, P. Feasibility of Raman spectroscopy as PAT tool in active coating. Drug Dev. Ind. Pharm. 2010, 36, 234–243. [Google Scholar] [CrossRef]
  20. Hayes, P.A.; Vahur, S.; Leito, I. ATR-FTIR spectroscopy and quantitative multivariate analysis of paints and coating materials. Spectrochim. Acta Part A Mol. Biomol. Spectrosc. 2014, 133, 207–213. [Google Scholar] [CrossRef] [PubMed]
  21. Potenza, F.; Rinaldi, C.; Ottaviano, E.; Gattulli, V. A robotics and computer-aided procedure for defect evaluation in bridge inspection. J. Civ. Struct. Health Monit. 2020, 10, 471–484. [Google Scholar] [CrossRef]
  22. Feroz, S.; Abu Dabous, S. UAV-Based Remote Sensing Applications for Bridge Condition Assessment. Remote Sens. 2021, 13, 1809. [Google Scholar] [CrossRef]
  23. Li, Y.; Kontsos, A.; Bartoli, I. Automated rust-defect detection of a steel bridge using aerial multispectral imagery. J. Infrastruct. Syst. 2019, 25, 04019014. [Google Scholar] [CrossRef]
  24. Chen, M.; Lu, G.; Wang, G. Discrimination of Steel Coatings with Different Degradation Levels by Near-Infrared (NIR) Spectroscopy and Deep Learning. Coatings 2022, 12, 1721. [Google Scholar] [CrossRef]
  25. Garrett, J.L.; Johansen, T.A.; Orlandić, M.; Bashir, M.A.; Raeissi, B. Detecting Pinholes in Coatings with Hyperspectral Imaging. In Proceedings of the 2021 11th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, The Netherlands, 24–26 March 2021; IEEE: New York, NY, USA, 2021; pp. 1–5. [Google Scholar] [CrossRef]
  26. Sandak, J.; Sandak, A.; Legan, L.; Retko, K.; Kavčič, M.; Kosel, J.; Poohphajai, F.; Diaz, R.H.; Ponnuchamy, V.; Sajinčič, N.; et al. Nondestructive evaluation of heritage object coatings with four hyperspectral imaging systems. Coatings 2021, 11, 244. [Google Scholar] [CrossRef]
  27. Dingemans, L.M.; Papadakis, V.M.; Liu, P.; Adam, A.J.; Groves, R.M. Quantitative coating thickness determination using a coefficient-independent hyperspectral scattering model. J. Eur. Opt. Soc.-Rapid Publ. 2017, 13, 40. [Google Scholar] [CrossRef]
  28. Daikos, O.; Heymann, K.; Scherzer, T. Monitoring of thickness and conversion of thick pigmented UV-cured coatings by NIR hyperspectral imaging. Prog. Org. Coat. 2018, 125, 8–14. [Google Scholar] [CrossRef]
  29. Huynh, C.P.; Mustapha, S.; Runcie, P.; Porikli, F. Multi-class support vector machines for paint condition assessment on the Sydney Harbour Bridge using hyperspectral imaging. Struct. Monit. Maint. 2015, 2, 181–197. [Google Scholar] [CrossRef]
  30. Doherty, M.; Sykes, J.M. Micro-cells beneath organic lacquers: A study using scanning Kelvin probe and scanning acoustic microscopy. Corros. Sci. 2004, 46, 1265–1289. [Google Scholar] [CrossRef]
  31. Lavadiya, D.N.; Sajid, H.U.; Yellavajjala, R.K.; Sun, X. Hyperspectral imaging for the elimination of visual ambiguity in corrosion detection and identification of corrosion sources. Struct. Health Monit. 2022, 21, 1678–1693. [Google Scholar] [CrossRef]
  32. Greenler, R.G. Infrared study of adsorbed molecules on metal surfaces by reflection techniques. J. Chem. Phys. 1966, 44, 310–315. [Google Scholar] [CrossRef]
  33. De Kerf, T.; Pipintakos, G.; Zahiri, Z.; Vanlanduit, S.; Scheunders, P. Identification of corrosion minerals using shortwave infrared hyperspectral imaging. Sensors 2022, 22, 407. [Google Scholar] [CrossRef]
  34. Kızılkonca, E.; Erim, F.B. Development of anti-aging and anticorrosive nanoceria dispersed alkyd coating for decorative and industrial purposes. Coatings 2019, 9, 610. [Google Scholar] [CrossRef]
  35. Anghelone, M.; Stoytschew, V.; Jembrih-Simbürger, D.; Schreiner, M. Spectroscopic methods for the identification and photostability study of red synthetic organic pigments in alkyd and acrylic paints. Microchem. J. 2018, 139, 155–163. [Google Scholar] [CrossRef]
  36. Anghelone, M.; Jembrih-Simbürger, D.; Schreiner, M. Influence of phthalocyanine pigments on the photo-degradation of alkyd artists’ paints under different conditions of artificial solar radiation. Polym. Degrad. Stab. 2016, 134, 157–168. [Google Scholar] [CrossRef]
  37. Duce, C.; Della Porta, V.; Tiné, M.R.; Spepi, A.; Ghezzi, L.; Colombini, M.P.; Bramanti, E. FTIR study of ageing of fast drying oil colour (FDOC) alkyd paint replicas. Spectrochim. Acta Part A Mol. Biomol. Spectrosc. 2014, 130, 214–221. [Google Scholar] [CrossRef]
  38. Christensen, P.A.; Dilks, A.; Egerton, T.A.; Lawson, E.J.; Temperley, J. Photocatalytic oxidation of alkyd paint films measured by FTIR analysis of UV generated carbon dioxide. J. Mater. Sci. 2002, 37, 4901–4909. [Google Scholar] [CrossRef]
  39. Zahiri, Z.; Laefer, D.F.; Gowen, A. The feasibility of short-wave infrared spectrometry in assessing water-to-cement ratio and density of hardened concrete. Constr. Build. Mater. 2018, 185, 661–669. [Google Scholar] [CrossRef]
  40. Miller, C.D. Kinetics and Mechanism of Alkyl Photooxidation. Ind. Eng. Chem. 1958, 50, 125–128. [Google Scholar] [CrossRef]
  41. Fan, L.; Fan, M.; Alhaj, A.; Chen, G.; Ma, H. Hyperspectral imaging features for mortar classification and compressive strength assessment. Constr. Build. Mater. 2020, 251, 118935. [Google Scholar] [CrossRef]

Авторы: Pengfei Ma, Jiaoli Li, Ying Zhuo, Pu Jiao, Genda Chen

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА