CN104089979A - 一种海涂围堤堤身内部缺陷程度识别方法 - Google Patents

一种海涂围堤堤身内部缺陷程度识别方法 Download PDF

Info

Publication number
CN104089979A
CN104089979A CN201410341172.5A CN201410341172A CN104089979A CN 104089979 A CN104089979 A CN 104089979A CN 201410341172 A CN201410341172 A CN 201410341172A CN 104089979 A CN104089979 A CN 104089979A
Authority
CN
China
Prior art keywords
neural network
data
degree
network model
infrared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410341172.5A
Other languages
English (en)
Inventor
周华飞
琚蕊雄
周梦楚
蔡袁强
谢子令
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201410341172.5A priority Critical patent/CN104089979A/zh
Publication of CN104089979A publication Critical patent/CN104089979A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种海涂围堤堤身内部缺陷程度识别方法，利用红外热成像技术及人工神经网络，包括若干台红外热成像仪、若干USB连接设备和一台用于接收、处理数据、编写人工神经网络程序模型、训练该模型并输出孔洞深度的计算机，一台红外热成像仪配一个USB连接设备，采用了红外热成像技术来探测堤身表面的温度等数据，定性得出损伤部位，避免采用大量的人力物力到现场采集数据，从而降低了科学的危险性和不确定性；利用红外热成像仪获得新的海堤表面温度、湿度、红外区范围数据时，利用训练完成的神经网络模型输出精确的海堤孔洞深度预测值。该方法操作简单，易于测量，检测周期短，精确程度且节省了大量的人力物力。

Description

一种海涂围堤堤身内部缺陷程度识别方法
技术领域
本发明涉及结构内部缺陷程度识别技术领域，具体涉及一种海涂围堤堤身内部缺陷程度识别方法。
背景技术
在中国乃至全球所有拥有海岸线的国家及地区，海堤的建造已经有很长的历史，但大规模得建造海涂围堤却是近几十年发展起来。海涂围堤所用材料也由最初的土石发展成为现在的钢筋混凝土。在材料的改进过程中，虽然解决了旧式海堤的典型问题-白蚁筑巢，提高了海涂围堤的的刚度和整体稳定型，但坚固的现代海堤内部也存在着一些潜在的缺陷，例如海涂围堤由于施工技术不合格，验收规范不成熟，以及海堤基础不均匀沉降而造成的堤身内部出现架空、堤身内部形成大小不一的孔洞、类型不一的裂缝等；
堤身护坡结构损坏、堤顶防浪墙损坏等表面性破坏虽可通过定期巡检发现，但它们间接引起的隐蔽性破坏(堤身内部架空，堤身内部空洞大小等)则不易通过定期巡检发现，因此，海涂围堤内部缺陷程度识别技术是海涂围堤安全保障的一个关键技术。本发明主要是用于测量海涂围堤堤身内部孔洞尺寸及深度大小，为所检测的海涂围堤是否需要维修提出合理的参考性意见。而传统的识别内部缺陷程度的方法一般是通过敲击海涂围堤堤身表面混凝土，通过敲击声音大致定出内部缺陷的位置，该传统方法存在如下几个缺点：1、海涂围堤线长、面广，该检测方法耗费大量的人力物力也只能大致定出缺陷的位置，难以满足评定要求；2、该方法不能确定海涂围堤堤身内部缺陷程度，比如内部孔洞的深度等；3、该方法不能为指导维修工作提供具体的数据；4、该方法的检测周期长。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种操作简单，易于测量，检测周期短，精确程度且节省了大量的人力物力的海涂围堤堤身内部缺陷程度识别方法。
为实现上述目的，本发明提供了如下技术方案：一种海涂围堤堤身内部缺陷程度识别方法，利用红外热成像技术及人工神经网络，海涂围堤堤身内部缺陷程度识别包括以下步骤：
(1)建立一个包含一个输入层、一个隐含层以及一个输出层的神经网络模型，在该神经网络模型的输入层输入现场温度、湿度、红外区范围数据、温度差异数据，神经网络模型的输出为孔洞深度；
(2)利用红外热成像仪得到现场温度、湿度、红外区范围数据、温度差异以及与这些数据一一对应的孔洞深度数据训练神经网络模型，反复调整网络中的连接权值以使神经网络模型的预测值和实测值之间的误差达到最小，通过这组连接权值而建立的模型即为训练完成的神经网络模型；其中误差是通过计算目标值与输出值之间的均方差和相关系数来确定；
(3)当利用红外热成像仪获得新的海堤表面温度、湿度、红外区范围数据时，即可利用训练完成的神经网络模型输出孔洞深度预测值。
所述步骤(1)中，所述温度差异是由空气温度和采用红外热成像得到的红外热图像中所反应的混凝土表面的温度计算所得。
所述步骤(2)中的均方差的计算公式为：其中yk和分别是神经网络的预测值和观测值，n是数据的个数，k表示第k个数据。
所述步骤(2)中的相关系数的计算公式为：
其中和分别是预测值和观测值的平均值，yk表示神经网络的预测值。
本发明的优点是：首先在数据采集方面采用了红外热成像技术来探测堤身表面的温度等数据，定性得出损伤部位，避免采用大量的人力物力到现场采集数据，从而降低了科学的危险性和不确定性；更重要的是利用训练完成的人工神经网络算法来输出海涂围堤堤身内部空洞大小不但成本较低，且设备简单、精确程度高，能够满足指导现场维修工作的精度要求。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例的人工神经网络模型的示意图。
具体实施方式
参见图1，本发明公开的一种海涂围堤堤身内部缺陷程度识别方法，利用红外热成像技术及人工神经网络，海涂围堤堤身内部缺陷程度识别包括以下步骤：
(2)建立一个包含一个输入层、一个隐含层以及一个输出层的神经网络模型，在该神经网络模型的输入层输入现场温度、湿度、红外区范围数据、温度差异数据，神经网络模型的输出为孔洞深度；
(2)利用红外热成像仪得到现场温度、湿度、红外区范围数据、温度差异以及与这些数据一一对应的孔洞深度数据训练神经网络模型，反复调整网络中的连接权值以使神经网络模型的预测值和实测值之间的误差达到最小，通过这组连接权值而建立的模型即为训练完成的神经网络模型；其中误差是通过计算目标值与输出值之间的均方差和相关系数来确定；
(3)当利用红外热成像仪获得新的海堤表面温度、湿度、红外区范围数据时，即可利用训练完成的神经网络模型输出孔洞深度预测值。
所述步骤(1)中，所述温度差异是由空气温度和采用红外热成像得到的红外热图像中所反应的混凝土表面的温度计算所得。
所述步骤(2)中的均方差的计算公式为：其中yk和分别是神经网络的预测值和观测值，n是数据的个数，k表示第k个数据。
所述步骤(2)中的相关系数的计算公式为：
其中和分别是预测值和观测值的平均值，yk表示神经网络的预测值。
本发明海涂围堤堤身内部缺陷程度识别采用的设备包括若干台红外热成像仪、若干USB连接设备和一台用于接收、处理数据、编写人工神经网络程序模型、训练该模型并输出淘蚀深度的计算机，一台红外热成像仪配一个USB连接设备，其中RMSE是均方差的英文缩写：The root mean squared error；CC是相关系数英文缩写：correlation coefficient。
人工神经网络模型是一个数学系统，输入的就是影响因素四个：现场温度、湿度、红外区范围以及温度差异，输入之后经过算法的处理会输出结果，即当时编这个程序模型编定输出为孔洞深度，当然也可以设置成输出淘蚀面积等。
训练神经网络模型是准备一批温度、湿度、红外区范围、温度差异和与这些数据意义对应的孔洞深度等数据，用这批数据去训练神经网络模型，训练的意思就是要把连接权值定下来，训练完成的神经网络模型，就可以用于预测，当利用红外热成像仪获得新的海堤表面温度、湿度、红外区范围数据时，即可利用训练完成的神经网络模型输出精确的孔洞深度。
本发明的技术克服了传统无损检测技术的缺点，主要具有以下显著优点：1、用红外热成像技术确定海涂围堤堤身内部孔洞位置的过程操作简单,易于测量，可以较容易且准确得描述孔洞位置及形状。2、该方法节省了大量的人力物力，且检测周期短；3、用训练完成的人工神经网络模型输出的孔洞深度数据具有较高的精确程度，对现场维修工作有很高的指导意义，可以为所检测的海涂围堤是否需要维修提出参考性意见。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (4)

1.一种海涂围堤堤身内部缺陷程度识别方法，利用红外热成像技术及人工神经网络，海涂围堤堤身内部缺陷程度识别包括以下步骤：
(1)建立一个包含一个输入层、一个隐含层以及一个输出层的神经网络模型，在该神经网络模型的输入层输入现场温度、湿度、红外区范围数据、温度差异数据，神经网络模型的输出为孔洞深度；
(2)利用红外热成像仪得到现场温度、湿度、红外区范围数据、温度差异以及与这些数据一一对应的孔洞深度数据训练神经网络模型，反复调整网络中的连接权值以使神经网络模型的预测值和实测值之间的误差达到最小，通过这组连接权值而建立的模型即为训练完成的神经网络模型；其中误差是通过计算目标值与输出值之间的均方差和相关系数来确定；
(3)当利用红外热成像仪获得新的海堤表面温度、湿度、红外区范围数据时，即可利用训练完成的神经网络模型输出孔洞深度预测值。
2.根据权利要求1所述的一种海涂围堤堤身内部缺陷程度识别方法，其特征在于：所述温度差异是由空气温度和采用红外热成像得到的红外热图像中所反应的混凝土表面的温度计算所得。
3.根据权利要求1所述的一种海涂围堤堤身内部缺陷程度识别方法，其特征在于：所述步骤(2)中的均方差的计算公式为：其中yk和分别是神经网络的预测值和观测值，n是数据的个数，k表示第k个数据。
4.根据权利要求1所述的一种海涂围堤堤身内部缺陷程度识别方法，其特征在于：所述步骤(2)中的相关系数计算公式为：其中和分别是预测值和观测值的平均值，yk表示神经网络的预测值。
CN201410341172.5A 2014-07-17 2014-07-17 一种海涂围堤堤身内部缺陷程度识别方法 Pending CN104089979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410341172.5A CN104089979A (zh) 2014-07-17 2014-07-17 一种海涂围堤堤身内部缺陷程度识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410341172.5A CN104089979A (zh) 2014-07-17 2014-07-17 一种海涂围堤堤身内部缺陷程度识别方法

Publications (1)

Publication Number Publication Date
CN104089979A true CN104089979A (zh) 2014-10-08

Family

ID=51637714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410341172.5A Pending CN104089979A (zh) 2014-07-17 2014-07-17 一种海涂围堤堤身内部缺陷程度识别方法

Country Status (1)

Country Link
CN (1) CN104089979A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931538A (zh) * 2015-06-10 2015-09-23 中冶南方工程技术有限公司 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法
CN107144544A (zh) * 2017-05-12 2017-09-08 中国十七冶集团有限公司 混凝土强度红外成像在线监测装置及使用方法
US11460412B2 (en) 2017-07-03 2022-10-04 Saudi Arabian Oil Company System for nondestructively inspecting fiberglass and nonmetallic pipes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078208A (zh) * 2007-04-26 2007-11-28 中国科学院力学研究所 一种堤坝管涌探测方法
US20080082470A1 (en) * 2006-09-29 2008-04-03 Ehsan Sobhani Tehrani Infrastructure health monitoring and analysis
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN102662039A (zh) * 2012-04-17 2012-09-12 戴会超 一种基于bp神经网络的水体溶解氧饱和度预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080082470A1 (en) * 2006-09-29 2008-04-03 Ehsan Sobhani Tehrani Infrastructure health monitoring and analysis
CN101078208A (zh) * 2007-04-26 2007-11-28 中国科学院力学研究所 一种堤坝管涌探测方法
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN102662039A (zh) * 2012-04-17 2012-09-12 戴会超 一种基于bp神经网络的水体溶解氧饱和度预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
匡正龙: "大坝漏洞的探测及抢救的探讨", 《民营科技》 *
寇蔚 等: "基于稳健设计优化技术的缺陷参数红外识别研究", 《电子器件》 *
张我华等: "堤与坝管涌发生的机理及人工智能预测与评定", 《浙江大学学报（工学版）》 *
王德厚: "大坝安全与监测", 《水利水电技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931538A (zh) * 2015-06-10 2015-09-23 中冶南方工程技术有限公司 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法
CN107144544A (zh) * 2017-05-12 2017-09-08 中国十七冶集团有限公司 混凝土强度红外成像在线监测装置及使用方法
US11460412B2 (en) 2017-07-03 2022-10-04 Saudi Arabian Oil Company System for nondestructively inspecting fiberglass and nonmetallic pipes

Similar Documents

Publication Publication Date Title
CN103644860B (zh) 大型空间自由曲面测量方法
CN106767524A (zh) 一种水力机械叶片曲面检测方法和装置
CN104145085B (zh) 用于检测燃气轮机叶片的冷却孔的方法
CN103513018B (zh) 混凝土抗裂性能系统化检测方法
CN105588582B (zh) 一种测控定位装置的位置标定方法和系统
CN108154498A (zh) 一种裂缝缺陷检测系统及其实现方法
CN106770360A (zh) 一种混凝土工作应力测量方法
CN106949879A (zh) 基于摄影测量原理的物联网建筑三维实时监测分析方法
CN104089979A (zh) 一种海涂围堤堤身内部缺陷程度识别方法
CN108105039A (zh) 一种风力发电机塔筒与基础连接的变形测试装置及其用途
CN105302961A (zh) 一种基于三维摄影技术的合拢管现场测量方法
CN111400852A (zh) 风电场湍流强度参数的确定方法及装置
CN104134013A (zh) 一种风力机叶片模态分析方法
CN104075843A (zh) 土压力盒现场即时标定方法
CN101923651B (zh) 基于路面图像的破损数据自动识别准确率的校验方法
CN105241429A (zh) 一种基于航空遥感的近海工业温排水提取方法
CN109113705B (zh) 一种煤矿井下煤层水力压裂影响区渗透率分布确定方法
CN104964836B (zh) 模拟盾构隧道抗浮力的模型试验装置及方法
CN105606261A (zh) 用于测试混凝土内部三维应力状态的装置及其测试方法
CN104296845B (zh) 基于最佳底面压强测量点的粮仓储粮重量检测方法与装置
CN117131671A (zh) 一种基于数字孪生的水利工程智能监测方法及系统
CN104864906A (zh) 海洋油气水下设备重量测量和重心检测方法
CN110197015B (zh) 一种坝基预应力锚索有效拉应力测定方法
CN109024527B (zh) 路基动力响应测试内部传感器埋置与后期维护方法
Johnson Temperature prediction modeling and thermal integrity profiling of drilled shafts

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20141008