The present study focuses on the investigations on technique for assessing damage progression and localization in concrete structure using acoustic emission (AE) technique. Damage is introduced in a girder-deck system of reinforced concrete (RC) bridge by monotonically applied load in terms of strain in reinforcement, at defined intervals. AE signals emitted at different damage stages are recorded to detect crack initiation and progression. Acoustic parameters such as energy, signal strength are considered to examine their efficacy in identifying the initiation and propagation of crack in concrete structures. Few of the frequency parameters of AE signal are identified to be very effective and able to clearly differentiate between the initiation of new crack and progression of existing crack(s) in concrete. AE waveform characteristics, as identified in the present study, can be used to classify the damage progression of in-service concrete structures. Further, unsupervised- and supervised- pattern recognition algorithms are used to classify the AE signal dataset recorded at different damage stages. To validate the effectiveness of feature selection and support vector machine (SVM) classifier, SVM classified locations of AE events are compared with the experimentally observed damage pattern at different damage stages. It is found that, SVM can effectively be able to classify two types of AE sources appropriately, enabling the potential application of AE technique for initiation and its progression, and localization of damage in critical in-service structures such as bridges.

本研究的重点是利用声发射（AE）技术评估混凝土结构中的损伤进展和定位的技术。在钢筋混凝土（RC）桥的梁桥系统中，在定义的时间间隔内，根据钢筋的应变单调施加载荷，从而导致破坏。记录在不同损伤阶段发出的AE信号，以检测裂纹的产生和发展。考虑使用声学参数（例如能量，信号强度）来检查其在识别混凝土结构中裂纹的产生和扩展方面的功效。很少有AE信号的频率参数被认为非常有效，并且能够清楚地区分混凝土中新裂缝的产生与现有裂缝的发展。声发射波形特性 如本研究中所确定的，可用于对在役混凝土结构的损伤进行分类。此外，使用非监督模式和监督模式识别算法对在不同损伤阶段记录的AE信号数据集进行分类。为了验证特征选择和支持向量机（SVM）分类器的有效性，将AE事件的SVM分类位置与不同损伤阶段实验观察到的损伤模式进行了比较。发现，SVM可以有效地对两种类型的AE源进行有效分类，从而可以将AE技术潜在地应用于启动和发展，以及在关键服务结构（例如桥梁）中定位损坏。此外，使用非监督模式和监督模式识别算法对在不同损伤阶段记录的AE信号数据集进行分类。为了验证特征选择和支持向量机（SVM）分类器的有效性，将AE事件的SVM分类位置与不同损伤阶段实验观察到的损伤模式进行了比较。发现，SVM可以有效地对两种类型的AE源进行有效分类，从而可以将AE技术潜在地应用于启动和发展，以及在关键服务结构（例如桥梁）中定位损坏。此外，使用非监督模式和监督模式识别算法对在不同损伤阶段记录的AE信号数据集进行分类。为了验证特征选择和支持向量机（SVM）分类器的有效性，将AE事件的SVM分类位置与不同损伤阶段实验观察到的损伤模式进行了比较。发现，SVM可以有效地对两种类型的AE源进行有效分类，从而可以将AE技术潜在地应用于启动和发展，以及在关键服务结构（例如桥梁）中定位损坏。为了验证特征选择和支持向量机（SVM）分类器的有效性，将AE事件的SVM分类位置与不同损伤阶段实验观察到的损伤模式进行了比较。发现，SVM可以有效地对两种类型的AE源进行有效分类，从而可以将AE技术潜在地应用于启动和发展，以及在关键服务结构（例如桥梁）中定位损坏。为了验证特征选择和支持向量机（SVM）分类器的有效性，将AE事件的SVM分类位置与不同损伤阶段实验观察到的损伤模式进行了比较。发现，SVM可以有效地对两种类型的AE源进行有效分类，从而可以将AE技术潜在地应用于启动和发展，以及在关键服务结构（例如桥梁）中定位损坏。